AI Agent 将重写搜索、广告与开放网络

章节时间轴

• 0:45 Parallel 是 Agent 的 Google — Parag 介绍公司使命：为 Agent 重建网络搜索技术，并寻找能让开放网络持续运转的新商业模式。
• 2:18 千倍规模重写搜索栈 — Agent 的输入、等待时间和输出都不同于人类；搜索必须把万亿级网页逐层压缩成模型真正需要的少量 token。
• 9:15 从编码到高强度知识工作 — 编码仅约 5% 的 prompt 需要上网，法律、保险、销售和科学研究反而更依赖全面、可核验的外部信息。
• 13:05 模型越聪明仍需外部记忆 — 参数记忆是有损压缩，小模型会保留推理却牺牲事实；前沿模型变大与固定能力模型变小将同时发生。
• 19:18 推理时的数据交易 — 下一轮价值可能来自 Agent 按需购买 PitchBook 等独有数据，而不是继续用按人头席位或浏览器绕行的旧方式。
• 23:55 平台是否该让 Agent 进入 — Amazon、Shopify 等面临不同选择，关键不是简单开放或封闭，而是能否在新客户从人变成 Agent 后重新对齐利益。
• 27:00 广告终结与内容分成 — Agent 不看广告，广告支持的内容体系因而断裂；Parallel 设想建立面向 Agent 的 AdSense，按真实贡献向内容方结算。
• 37:04 市场空间与价格战 — Parag 将网络搜索视为 Agent 推理支出的 5% 至 20%，认为降价是把需求推到千倍规模的必要条件，而非坏事。
• 45:36 网络由 Pull 变 Push — Monitor API 利用持续爬取形成事件流，让长期 Agent 在世界真正变化时才工作，避免每六小时重复搜索。
• 51:04 Agent 安全与实验室责任 — 讨论强化学习环境、上线后对齐、恶意攻击者与网络安全，强调能力提升必须伴随成比例的防护。
• 57:18 信任、财富与垂直整合 — Agent 代付和代发邮件的技术会先成熟，社会信任却更慢；财富集中与封闭式全栈也可能放大转型代价。
• 61:56 Elon 的时间压缩术 — Parag 认为 Elon Musk 最值得创业者学习的是紧迫感和不合理的高期待；随后分享销售、营销与未来十年的看法。

详细内容

1. 搜索对象从人类变成 Agent

Parallel 的原始命题非常直接：Agent 使用网络的频率会是人类的约 1,000 倍。三数量级的增长不是给旧搜索引擎多加服务器就能承受的，它要求新的底层技术，也要求新的付费方式。Parag 因而把 Parallel 定义成「Agent 的 Google」，但服务对象、接口和结果形态都已经改变。

人类习惯输入几个含义不足的关键词，等待约半秒，再从十条蓝色链接里随机跳转。Agent 可以用完整句子准确表达任务；语音 Agent 希望约 100 毫秒内获得答案，后台研究 Agent 却愿意等待很久换取更高质量。结果也不再是链接，而是可直接进入上下文的 token，或写入文件系统的文件。

搜索的核心可理解为一次计算预算分配：从数万亿网页开始，先用极低成本召回约 10,000 份文档，再以更强的排序器逐步缩到 1,000 份，最终只留下约 1,000 个 token。搜索端多花一点计算，可以减少模型端浪费；但该花多少，取决于下游模型的价格与能力。

2. 一套 API，面对完全不同的模型经济学

如果下游是廉价的 Luna 类模型，搜索端无需过度过滤，让模型多读一些信息可能更划算；如果是昂贵的 Fable 类模型，就值得先用更多搜索计算去提纯上下文，避免浪费模型的时间和金钱。Parallel 允许开发者或 Agent 在 API 中表达准确率、延迟和成本偏好，甚至告知调用它的是哪一种模型。

产品因此被划成不同模式。Turbo 面向语音 Agent，重点是近乎即时地补充网络事实，让用户感觉助手本来就知道答案；Advanced 面向昂贵的后台任务，可以先花约 5 秒搜索，减少模型随后反复查询的次数，从端到端反而更快、更便宜。

搜索需求也不等同于当前推理用量。编码占推理市场很大，但 Parag 估计只有约 5% 的编码 prompt 会调用网络，因为大多数工作依赖代码库与内部上下文。法律需要查案例和外部事实，保险核保、销售与 AI 科学也要求全面排除遗漏，因此这些领域的搜索强度更高。

3. 更聪明的模型不会消灭搜索

Harry 提出一个看似直接的反论：模型更聪明，Agent 是否就会少搜索？Parag 区分了推理能力与参数记忆。模型对名人、历史年份等头部事实召回较好，却未必记得普通人的毕业年份；预训练本身也不是逐字数据库，而是对世界规律的有损压缩。

模型效率提升甚至会加深这种分工。蒸馏或缩小模型时，开发者可能尽量保住推理能力，却丢掉更多长尾事实记忆。于是固定能力水平会每六个月由更小的模型实现，而最前沿模型又会通过更大规模、更长思考和更多计算继续上探；外部搜索为两端提供可更新的事实层。

Parag 不认同「90% token 走开源模型、90% 收入归前沿模型」必然成立，因为可用小模型与前沿模型之间可能相差 100 至 1,000 倍价格，中间存在许多最优点。他希望出现相互竞争的美国开源模型；当前 GPU 与 token 供需紧张时，模型及供应商路由层也确有价值。

4. 数据要在推理时被正确购买

Parag 认为未来三至五年会显著升值的是独有数据与洞见。今天的 Agent 往往只能混合用户自有数据和公开网络，原因不是付费数据无用，而是市场还不知道如何在推理发生的那一刻衡量并购买它。

PitchBook 是典型例子。VC 会把 PitchBook 数据、自己的会议笔记、投资备忘录和经验组合起来做数亿美元的决定，但 Agent 若仍按人头席位使用服务，要么拿不到完整数据，要么只能通过浏览器和个人凭据笨拙访问，甚至触碰服务条款。更合理的方式，是按 Agent 的实际调用及数据带来的价值结算。

这也解释了平台对 Agent 的分歧：Amazon 拒绝部分 Agent 进入，Shopify 和 Expedia 则选择开放。Parag 认为长期看所有平台都要以某种条款接入 Agent，但是否应该立刻开放，取决于平台能否推出自己的 Agent、是否拥有足够市场力量，以及交易究竟有多少会迁移到 Agent。

5. 广告不会随 Agent 原样存活

传统网页靠人类访问、观看或点击广告来挣钱；Agent 只提取信息，不会看到广告，内容方的收入便归零。这不仅影响电商横幅，也威胁所有广告支持的公开内容。若没有替代收入，理性的内容方会封锁爬虫和 Agent，开放网络的可用性随之下降。

Parallel 的答案近似「Agent 时代的 AdSense」：每当 Agent 因读取某份内容而受益，就向内容所有者支付一个可变金额。Parag 用边际贡献解释定价——如果一个任务原本花 1 美元，移除某内容源后结果质量只相当于花 90 美分，那么这份内容约贡献了 10 美分价值，其中相当部分可以支付给内容方。

这不是假定所有流量都归 Parallel。内容方可以只把数据 feed 提供给愿意支付公平市场价格的搜索商，并利用技术或法律手段阻止不付费者。Parag 也不认为创作者一定会像音乐流媒体转型初期那样永久受损，因为 Agent 带来的使用量可能扩大 1,000 倍，总价值池会快速变大，只是具体内容仍会有赢家和输家。

6. 搜索价格战与从 Pull 到 Push

Parag 把 Parallel 看成 Agent 推理的邻接基础设施：排除训练和媒体生成后，所有用于知识工作或个人 Agent 的模型推理支出中，约 5% 至 20% 最终可能流向搜索栈。若整体推理每年增长 3、5 或 7 倍，搜索市场也会同步增长；真正的不确定性是 Agent 是否兑现生产力，以及 Parallel 能否持续拥有最好的技术、内容合作和客户信任。

他并不害怕降价。廉价模型若把 80% 至 90% 成本花在搜索、只有 10% 花在模型上，经济结构显然失衡。Parallel 声称同等质量下每千次搜索约 1 美元，而市场其他服务约为 7、10 或 14 美元；未来三年还有约 10 倍降价空间。更低价格会触发 Jevons paradox：单价下降，但使用量增长得更快。

更大的变化是网络从 pull 走向 push。Harry 的 Instinct 每六小时扫描欧洲公司注册信息，寻找毕业于名校、年龄低于 25 岁的新创始人；这会在世界没有变化时反复消耗搜索与推理。Parallel 的 Monitor API 利用自身持续爬取，在网页变化时先做廉价判断，只有相关事件才触发昂贵计算，预计能省约 10 至 15 倍算力。

长期运行的 Agent 因而不只等待人类下达新任务，还会被邮件、其他 Agent 的结果和真实世界变化唤醒。搜索系统保存长期上下文，并把相关事件主动推给 Agent；Parag 相信这种网络事件流会成为 always-on Agent 的基本基础设施。

7. 安全、信任与创始人的时间尺度

谈到 Agent 为完成目标而越权，Parag 区分强化学习期间尚未充分对齐的模型与正式上线模型。现有对齐并未解决所有问题，却已减少部分事故；更棘手的是普通人误用强大模型、恶意者主动攻击，以及对齐机制无法抵抗精心设计的对抗输入。

他强调模型实验室有责任把危害降到最低。某些网络攻击被当成模型能力的荣誉，但它们往往同时证明防护投入不成比例；公开复盘值得肯定，舆论却不应只赞叹「模型强到能入侵系统」，而忽略本可补上的安全措施。相比技术最终无用，他更担忧技术确实有巨大净收益，却因扩散不当、财富过度集中和社会适应太慢而制造痛苦。

技术可让 Agent 很快拥有独立支付账户，但多数人愿意让它读取邮件、发送消息并动用银行资金，可能比技术落地慢得多。垂直整合同样有利有弊：Meta 等公司可以掌握芯片、算力、模型和应用，但封闭到底也可能错失快速变化的外部创新。Parallel 选择整合从爬取到 API 的搜索栈，却停在 API 层，以保持横向服务所有 Agent 的机会。

回到 Elon Musk，Parag 坦言双方有很多分歧，但认可他制造紧迫感和压缩时间的能力。不合理的高期待有时能打破团队自我设限。Parag 自己过去一年最大的认知变化，则是从「只要技术和产品最好」转向看见高水平销售与营销每周都能产生的实际增量；Vinod Khosla 带给他的启发，是围绕长期技术愿景，在解决当前问题后提前布局接下来的两三步。

金句

「Agent 使用网络的频率会是人类的千倍；因此，我们需要新技术，也需要新商业模式。」—— Parag Agrawal 1:31

「广告以今天的形式无法对 Agent 生效。」—— Parag Agrawal 27:46

「你必须在搜索上花得比消费搜索结果的模型更少。」—— Parag Agrawal 40:56

「网络事件流，就是网络从 pull 走向 push。」—— Parag Agrawal 50:16

「模型强大到能入侵世界，是因为我们没有采取与其能力相称的防护措施。」—— Parag Agrawal 54:59

「紧迫感与压缩时间的能力，加上不合理的期待，多数时候是一件好事。」—— Parag Agrawal 61:56

提到的书·产品·人物

• Parallel（公司）：Parag 创办的 Agent 原生网络搜索基础设施，目标是成为「Agent 的 Google」。
• Turbo / Advanced（产品模式）：Parallel 分别为低延迟语音场景和高质量后台任务提供的搜索模式。
• Monitor API（产品）：把周期性搜索改为网页变化驱动的监控服务，被形容为 LLM 时代的智能 Google Alerts。
• Google / AdSense（公司/产品）：分别作为人类搜索范式和内容广告分成机制的参照物。
• OpenAI（公司）：对话中用其内置搜索价格及 Agent 网络攻击事件讨论搜索成本和模型安全。
• PitchBook（数据产品）：说明高价值专有数据为何需要从按席位收费转向 Agent 推理时交易。
• Amazon / Shopify / Expedia（公司）：用来对比大型平台拒绝或欢迎第三方 Agent 接入的不同策略。
• Instinct / Muse（Agent 产品）：Harry 使用的个人 Agent 案例，用于讨论购物委托、持续监控与支付权限。
• Meta / Meta Pay（公司/产品）：用于讨论全栈垂直整合，以及为 Agent 提供隔离支付账户的可能路径。
• Perplexity / xAI（公司）：Parag 认为 Perplexity 更像垂直产品，而 xAI 与 Parallel 更直接处于搜索竞争中。
• Elon Musk（企业家）：Parag 分享其以紧迫感、高期待和时间压缩推动团队的管理特质。
• Birdwatch / Community Notes（产品）：Parag 在 Twitter 时期认可并推动的社区事实核查机制。
• Vinod Khosla（投资人）：Parallel 董事与早期支持者，强调长期技术愿景和提前布局后续技术赌注。
• Harry Stebbings（主持人）：以自己的 Instinct 工作流、投资场景和市场假设持续追问商业可行性。

适合谁听

适合构建 AI Agent、搜索与数据基础设施的创业者、产品经理、投资人，以及关注开放网络商业模式和 AI 安全治理的人。