文章核心观点 - OpenAI发布的ChatGPT Pulse功能将LLM交互从被动转变为主动，基于用户个性化上下文主动推送内容和建议，为ChatGPT提供了新的想象空间，并可能使其成为国民级应用 [3][4] - Pulse功能通过降低使用门槛、提升用户粘性、构建数据飞轮效应，有望显著提高ChatGPT的日活跃用户，并可能在未来1-2年内推动电商广告业务的进展 [5][7][9] - 该功能代表了AI Agent交互的未来形态，即从单纯工具转变为全天候个性化助手，并可能引发算力需求、推荐系统范式、硬件控制权等多个层面的行业变革 [11][12][18][22] Pulse是ChatGPT走向国民应用的开始 - Pulse让ChatGPT从被动变为主动，通过读取用户邮箱、日历、消息等数据主动处理事务，大幅降低使用门槛 [4] - 主动推送能力使ChatGPT有机会成为微信级别的国民应用，DAU/MAU比例可能从当前的30%-40%提升至接近1:1 [7] - 吉卜力风格AI绘画曾为零营销预算的ChatGPT带来约1亿新增用户，显示击中情感的内容能极大加速普及 [7] - 用户授权同步Gmail、工作邮箱、账单、健康记录后，ChatGPT可管理这些信息，数据积累提升产品效果和用户迁移成本 [8] - ChatGPT日活可能已超过4亿，按当前增速很快达到5-6亿，OpenAI可能提前实现10亿日活目标 [10] - OpenAI从创立之初就定位为to C公司，目前to C属性明显强于to B的API业务 [10] 主动Agent与极致个性化 - Pulse功能可自然融入日常生活，如早晨查看天气时同时查看Pulse整理的待办事项，成为场景化的第二大脑界面 [11] - 利用大模型理解个人上下文和各种数据，Agent在后台分析用户一万小时微信后可能比用户更了解自己 [11] - 未来可能出现个性化模型，即每个人拥有自己的模型，而不仅仅是上下文不同 [12] - Pulse底层需求是让用户从提问转变为日常交流，使ChatGPT成为全天候AI助手，通过鼓励提供信息完善用户记忆 [12] - Pulse是OpenAI的第二个数据飞轮，第一个数据飞轮Memory功能已建立壁垒 [13] - 信息推送需结合记忆和上下文延续性，否则易沦为“今日头条2.0”，只有具备记忆能力才能演化为懂用户的贴身助手 [13] 竞争格局与市场机会 - Pulse产品形态在国内可能是微信的单一大机会，因其掌握用户几乎所有信息，而海外创业公司机会更多 [15] - 今日头条在内容和用户行为数据方面有优势，今年已推出AI内容订阅，Google因打通邮件、Workspace等账号也容易复制Pulse [15] - Pulse类产品头部效应强，需要高密度用户数据，推荐越准确越受欢迎，累积数据越多，其他厂商越难追赶 [16] - OpenAI发布Pulse封住了部分Agent创业公司的发展路径，创业公司机会可能集中在生活化场景或未被ChatGPT捕获的垂直工作信息 [17] - AI产品分为第三方公司利用大模型开发的产品和模型原厂基于自身模型开发的产品，未来发展方向可能不同 [18] - 硬件底层控制权是获取用户信息的重要壁垒，手机厂商在下一代AI OS讨论中考虑合理合规获取更多信息，约80%-90%数据可能来自手机 [18] 端侧计算与算力需求 - 手机是中心化关键数据中心，其他设备数据汇聚到手机，真正“AI手机”可能出现 [19] - Pulse在后台运行，用户不关心吞吐量和延迟，端侧模型可能有开源项目跟进，端侧估值目前偏低但需求强烈 [20] - Pulse将把算力需求提升好几个数量级，被动触发可无限并行处理，输入数据量可无限展开，token消耗量可能比当前人机聊天高出几个数量级 [22] - Pulse可利用数据中心闲时计算，提高GPU利用率，起到削峰填谷作用 [23] - 产品消耗主要资源可能成为市场赢家，Pulse渗透率提升将以新数量级拉升OpenAI的token消耗量，成为消耗token最多的公司是核心指标 [24] - 若不拥有模型或未优化模型，直接做Pulse类产品的token成本会很高 [24] LLM时代的推荐系统 - Pulse使OpenAI兼具上一代推荐系统的反馈信号和用户基础数据，其广告推荐效率可能比Meta、Google、字节跳动高出一个层级 [26] - Pulse突破供给限制，推送内容每个字都是定制，与传统以内容为单位的推荐完全不同，能更全面理解用户潜在意图 [27][28] - 大模型在推荐中应用可能分环节渐进式改造，或端到端处理所有环节，后者减少人工先验但更黑盒化 [29] - 传统推荐算法基于向量关系计算，以CTR为核心目标，而大模型推荐更模仿人的思考路径，回顾对用户的整体印象 [30] - 大模型做推荐因每次遍历memory计算昂贵，成本是瓶颈，解法之一是将记忆分层，热门近期记忆作缓存层，深层记忆需要时调用 [31]