今天一早，Perplexity 宣布推出了一款叫 Brain 的产品，定位是持续学习的记忆系统 。完整产品名叫 Brain in Computer——也就是说，Brain 是嵌入在 Computer 这个系统里的。

在说 Brain 之前，得先解释一下 Computer 是什么。

Computer 是 Perplexity 在今年2月推出的一个核心产品。它不是一个硬件，而是一个云端的 AI 平台。你可以把它理解为一个AI 打工仔——你告诉它一个目标，比如"帮我做一份市场分析报告"，它就能自己动手，查资料、找数据，写内容，持续干上好几个小时甚至几天，中间不需要你盯着。

Brain，就是给这个"AI 打工仔"装上一个记忆模块，让它能记住自己干过什么活、踩过什么坑。

它怎么做到的呢？

简单说，Brain 会在后台把你跟 Computer 交互过的所有内容都记下来：你让它查了什么、它用了什么方法、你在哪里纠正过它、哪些网站给的信息是垃圾。这些记录形成了一张上下文图谱。

下次你再让 Computer 干活的时候，它会先看看这张图谱，然后跟你说：上次你让我做类似的事情，我用的那个方法效果不错，要不要再来一遍？

Perplexity 把这套系统叫做 LLM Wiki。你可以理解为一个活的笔记本。你改了什么，它知道。你纠正了什么，它知道。你加了新的参考资料，它也知道。

每天夜里，Brain 会自动把这天的新内容整理一遍，更新到图谱里。所以每次你回来，它都比上次更懂你的项目。

这里有个点值得多说两句。

现在大多数 AI 的记忆，都是记"关于你"的事。你的名字、你的喜好、你做哪行。Brain 不一样，它记的是"它自己"的事。

它记的是：上次那个任务，我走哪条路做出来的？用户在哪个地方纠正了我？哪些网站的信息根本不管用？

这些信息对谁有用？不是让你觉得 AI 更贴心，是让 AI 本身变得更厉害。

Perplexity 的判断是，后者才是记忆真正的价值。AI 不只是要让人觉得熟悉，它应该是一个能学习进步的工作者，每次任务都比上次做得更好。

这个学习是怎么实现的？

一个任务完成后，Brain 会自动复盘：这次用了哪些信息源、哪些路径走不通、用户在哪个地方改了我的结果。然后它把这些经验更新到图谱里。

下一次遇到类似任务，AI 直接调用这些经验。它知道上次哪条路走通了，这次就用那条。它也知道哪些地方容易出错，提前避开。

这个过程是自动的，你不用做什么。Brain 在后台跑，你只管干活就行。

Perplexity 把这个叫"递归自我改进"。不是训练一次就完事了，而是每次工作都在积累，积累的经验又反馈到下一次工作里。

效果怎么样？

他们公布了一些测试数据。在需要参考历史上下文的任务上，Brain 让 AI 答案正确率提升了 25%，信息召回率提升了 16%，单次任务的消耗还降低了 13% 。

简单说就是：AI 变得更准了，也变得更省了。

Perplexity 还提了一个说法挺有意思的：现在消耗的 token，其实是对未来效率的投资。你现在用得越多，AI 积累的经验越多，之后帮你干活就越快。

还有一个细节。

Brain 记住的每条内容，都会标注来源。你可以在侧边栏里看到，这条记忆是从哪个对话、哪个文件、哪个网站来的。你觉得哪条不需要，随时可以删。也可以直接关掉 Brain。

透明度这块做得还算清楚。

说到底，Brain 反映的是一个更大的趋势：AI 正在从被动回答变成主动干活。

Perplexity 认为，只有当 AI 能持续学习，它才能真正变成一个靠谱的工作搭档。它不只是等你问问题，而是能从你做过的项目里学到东西，主动发现问题、主动给你建议。

当然这是愿景。Brain 现在才刚推出研究预览版，实际效果还要用一段时间才知道。Perplexity 说这只是第一步，后面还会有更多东西。

感兴趣的话，现在已经面向 Max 和 Enterprise Max 订阅用户开放研究预览了。