不造发动机的人，模型中立与多模型编排的赌注在Perplexity的所有战略选择中，最容易被误解、也最关键的一个，是它对基础模型的态度。

OpenAI在做模型，Anthropic在做模型，Google在做模型，Meta在做模型，xAI在做模型。几乎所有叫得上名字的AI公司都在拼命训练更大的模型，因为模型能力被认为是这个行业最核心的护城河。

Perplexity没有走这条路。

Computer发布的时候，官方公开列出了它调用的模型名单：Claude Opus 4.6作为核心推理引擎，负责任务拆解和调度；Google Gemini负责深度研究；Grok处理轻量快速查询；ChatGPT 5.2管理长上下文和大规模搜索；Nano Banana生成图片；Veo 3.1处理视频。加上其他专业模型，一共19个。

这个名单本身就是一个声明。Perplexity在告诉市场：我不造发动机，我造交通系统。

当然了，这个选择背后有现实的考量。训练一个前沿大模型需要数十亿美元的投入、顶级的研究团队、大规模的算力基础设施。Perplexity累计融资约15到17亿美元（不同统计口径），和OpenAI、Google、Anthropic比起来，这个数字不足以支撑一场基础模型的军备竞赛。

但更重要的是，Srinivas可能从一开始就不认为"拥有最强模型"是AI应用层公司的正确路径。他在OpenAI待过，知道模型能力的迭代速度有多快，也知道今天的最强模型六个月后可能就被超越。如果一家公司的护城河完全建立在"我的模型比你强"上，那这条护城河随时可能被填平。

Perplexity的思路反过来：模型越多、越专业化，对它越有利。因为它做的是模型编排，同一个问题，同时调用多个模型，再融合结果。它把这个功能叫做Model Council。

Model Council看起来只是一个产品功能，但实际上它在为Perplexity寻找一种新的护城河：别管谁是当下最强的模型，Perplexity可以让你永远用到当下最强的一组模型。

这和视频网站靠独家内容吸引用户完全不同，更像一个"模型组合优化器"，用户不需要关心背后用了哪个模型，只需要得到最好的结果。

今年年中，Srinivas在Computex上和Intel CEO Lip-Bu Tan一起展示了Perplexity的混合推理系统。这个系统被Srinivas形容为"AI任务的空中交通管制员"，它能实时决定哪些AI任务在用户的本地设备上运行，哪些需要路由到云端的前沿模型。

这和一个简单的成本优化方案不同，它意味着Perplexity正在把"模型路由"本身变成一项基础设施能力。

这种"模型中立"的定位让Perplexity和所有大模型厂商都保持着一种微妙的关系。它既是OpenAI、Anthropic、Google的客户（调用它们的模型），又是它们的竞争对手（做AI入口和Agent平台）。

不过说实话，这样的关系在商业上并不容易维持，但Perplexity的体量和定位让它暂时处于一个安全的位置，因为大模型厂商需要应用层的合作伙伴来证明自己的模型能力，而Perplexity是目前最成功的AI原生应用之一。

我们担心的是，如果OpenAI或Google自己的搜索Agent做得足够好，用户为什么还需要一个第三方的编排层？Perplexity觉得，它的护城河不只是模型编排，还是一整套组合：Search Index+User Context+Browser+Agent Runtime+ Model Orchestration+Enterprise Data+Distribution。

当这些能力形成闭环之后：用户找信息，Perplexity理解，进入网页，执行任务，积累用户上下文，下一次搜索更个性化，单纯的模型优势就很难击穿这个闭环。

这是一个还没有被完全验证的假设。但Perplexity已经把全部赌注压在了上面。

网页链接