Perplexity AI — بيربليكسيتي إيه آي

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI هي شركة أمريكية ناشئة ومحرك بحث يحمل الاسم نفسه (conversational search engine)، يستخدم الذكاء الاصطناعي لتقديم إجابات مباشرة على استفسارات المستخدمين مع ذكر مصادر المعلومات[1]. تأسست الشركة في عام 2022 على يد فريق من المتخصصين من شركات OpenAI، وMeta، وGoogle، وDeepMind، وDatabricks[2].

تجمع المنصة بين نماذجها اللغوية الكبيرة (LLM) الخاصة والوصول إلى النماذج الرائدة من الشركات الأخرى، مما يسمح لها بتحسين السرعة والدقة والتكلفة للإجابات. التقنية الرئيسية لـ Perplexity هي نظام متقدم يُعرف بـ Retrieval-Augmented Generation (RAG)، والذي يثري إجابات النماذج اللغوية الكبيرة بمعلومات محدثة من بنيتها التحتية للبحث الخاصة[3].

التاريخ والمؤسسون

تأسست شركة Perplexity AI في عام 2022 على يد أربعة متخصصين:

  • أرافيند سرينيفاس (الرئيس التنفيذي) — باحث سابق في OpenAI، وGoogle Brain، وDeepMind[4].
  • دينيس ياراتس (المدير التقني) — باحث علمي سابق في Meta AI.
  • جوني هو (كبير مسؤولي الإستراتيجية) — مهندس سابق في Quora.
  • آندي كونفينسكي — أحد مؤسسي Databricks[2].

في البداية، كان المشروع يُصوَّر كخدمة B2B لتحليل البيانات، ولكن في أكتوبر 2022، قام الفريق بتطوير نموذج أولي لمحرك بحث يعتمد على Bing وGPT-3، وهو ما حدد مسار تطور الشركة لاحقًا[5].

اجتذبت Perplexity AI استثمارات كبيرة من لاعبين بارزين، بما في ذلك Nvidia، وSoftBank، ومؤسس أمازون جيف بيزوس. بحلول بداية عام 2025، بلغت قيمة الشركة 14 مليار دولار[6]، وتجاوز عدد المستخدمين النشطين شهريًا 15 مليون مستخدم[7].

البنية التقنية

Retrieval-Augmented Generation (RAG) - التوليد المعزز بالاسترجاع (RAG)

أساس Perplexity هو تقنية RAG، التي تسمح بتجاوز قيود النماذج اللغوية الكبيرة التقليدية، مثل المعرفة القديمة و"الهلوسات". تتكون خوارزمية العمل من عدة مراحل[8]:

  1. تحليل وإعادة صياغة استعلام المستخدم للبحث الأمثل.
  2. البحث عن المعلومات باستخدام البنية التحتية للبحث الخاصة بها (الزاحف ونظام التصنيف)، والتي تعطي الأولوية للمصادر الموثوقة وغير الموجهة لتحسين محركات البحث (SEO)[7].
  3. استخلاص الأجزاء الأكثر صلة ("المقتطفات") من صفحات الويب التي تم العثور عليها.
  4. توليد إجابة متماسكة ودقيقة باستخدام نموذج لغوي كبير بناءً على هذه المقتطفات.
  5. صياغة الإجابة مع ذكر الاستشهادات وروابط للمصادر الأصلية.

استراتيجية النماذج المتعددة

تستخدم Perplexity نهجًا هجينًا يجمع بين نماذجها الخاصة ونماذج من جهات خارجية لتحقيق توازن بين السرعة والدقة والتكلفة[9].

  • للحصول على إجابات سريعة في الإصدار المجاني، غالبًا ما يتم استخدام Claude 3 Haiku.
  • للمهام المعقدة في الإصدار المدفوع Pro، تتوفر نماذج أقوى مثل Claude 3.5 Sonnet وGPT-4o.

يمكن للمستخدمين الذين لديهم اشتراك Perplexity Pro الاختيار يدويًا من بين مجموعة واسعة من النماذج، بما في ذلك[10]:

  • OpenAI: GPT-4o, GPT-4 Turbo
  • Anthropic: Claude 3.5 Sonnet, Claude 3 Opus, Claude 3 Haiku
  • Google: Gemini 2.5 Pro
  • Meta: Llama 3
  • Mistral AI: Mistral Large
  • xAI: Grok-3 Beta
  • نماذج Perplexity الخاصة.

نماذج Perplexity الخاصة

تقوم الشركة بتطوير نماذجها الخاصة المحسّنة لمهام البحث والعمل مع المعلومات المحدثة من الإنترنت.

عائلة PPLX (النماذج المبكرة)

أولى نماذج Perplexity الخاصة المتاحة عبر واجهة برمجة التطبيقات (API) كانت pplx-7b-online وpplx-70b-online، والتي تم تقديمها في ديسمبر 2023[11]. كانت هذه النماذج مبنية على إصدارات مُعادة التدريب من Mistral 7B وLlama 2 70B على التوالي، وتخصصت في التعامل مع البيانات عبر الإنترنت[12].

عائلة Sonar (الجيل الحالي)

Sonar هي عائلة النماذج الرئيسية، وهي مبنية على أساس نموذج Llama 3.3 70B من Meta، ولكنها خضعت لتدريب إضافي لزيادة الدقة الواقعية وسهولة قراءة الإجابات في وضع البحث[13].

الميزات الرئيسية لـ Sonar:

  • سرعة عالية: بفضل الشراكة مع Cerebras واستخدام بنيتها التحتية المتخصصة للاستدلال، تصل سرعة توليد Sonar إلى 1200 توكن في الثانية، وهو ما يقارب 10 أضعاف سرعة Gemini 2.0 Flash[14].
  • تقنية فك التشفير التكهني: لتسريع عملية التوليد بشكل أكبر، يتم استخدام "نموذج مسودة" خاص بحجم 1B، مما يسمح للنموذج الرئيسي بتوليد عدة توكنات في خطوة واحدة[15].
  • أداء عالٍ: في إطار تقييم Search Arena من LM Arena، احتل نموذج Sonar-Reasoning-Pro المركز الأول، متعادلاً إحصائيًا مع Gemini-2.5-Pro-Grounding[16].

واجهة برمجة التطبيقات (API) وحلول الشركات

توفر Perplexity الوصول إلى نماذجها عبر Sonar API وSonar Pro API للمطورين وعملاء الشركات. تم تحسين واجهات برمجة التطبيقات من أجل السرعة وسهولة الاستخدام، وتتضمن إمكانية الاستشهاد وتخصيص مصادر البحث. تُستخدم حلول Perplexity في مختلف الصناعات لإنشاء محركات بحث أصلية وأتمتة المهام البحثية[17].

التحليل المقارن وتجربة المستخدم

يختلف أداء Perplexity اعتمادًا على نوع المهمة.

  • في المهام التي تتطلب دقة واقعية عالية بناءً على بيانات حديثة (مثل تحليل الأشعة)، يُظهر Perplexity أعلى دقة (0.83)، متفوقًا على Claude وBing وChatGPT[18].
  • في المهام المتعلقة بالمعرفة النادرة أو المتخصصة للغاية (مثل الأمراض النادرة)، قد يكون أداء Perplexity أقل من النماذج ذات القاعدة المعرفية الأوسع، مثل ChatGPT وGemini[19].

أظهرت دراسة حول قابلية الاستخدام (SUS) أنه على الرغم من أن كلتا المنصتين، Google وPerplexity، مقبولتان، إلا أن Google حصل على تقييم أعلى (82.29) مقارنة بـ Perplexity (73.98). يرجع ذلك إلى واجهة Google المألوفة ومنحنى التعلم الأكثر حدة في Perplexity، الذي يقدم ميزات مبتكرة ولكنها أقل شيوعًا للمستخدمين[20].

مراجع أدبية

  • Chen, C.; et al. (2023). Accelerating Large Language Model Decoding with Speculative Sampling. arXiv:2302.01318.
  • Zhang, J.; et al. (2023). Draft & Verify: Lossless Large Language Model Acceleration via Self‑Speculative Decoding. arXiv:2309.08168.
  • Chen, H.; et al. (2024). Retrieval‑Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997.
  • Soudani, H.; et al. (2024). Fine‑Tuning vs. Retrieval‑Augmented Generation for Less‑Popular Knowledge. arXiv:2403.01432.
  • Chen, Y.; et al. (2024). Evaluation of Retrieval‑Augmented Generation: A Survey. arXiv:2405.07437.
  • Hsieh, C.‑P.; et al. (2024). RULER: What's the Real Context Size of Your Long‑Context Language Models?. arXiv:2404.06654.
  • Arena Team (2025). Search Arena: Analyzing Search‑Augmented Large Language Models. arXiv:2506.05334.
  • Zhu, W.; et al. (2025). PSC: Extending Context Windows via Phase Shift Calibration. arXiv:2505.12423.
  • Yu, L.; et al. (2025). Synergizing RAG and Reasoning: A Systematic Review. arXiv:2504.15909.
  • Chen, X.; et al. (2025). Universal Embeddings for Multimodal Multilingual Retrieval. arXiv:2506.18902.

روابط خارجية

ملاحظات

  1. ↑ «Perplexity.ai». في ويكيبيديا، الموسوعة الحرة. [١]
  2. ↑ «An Introduction to RAG Models». Perplexity AI. [٣]
  3. ↑ «Aravind Srinivas». In Wikipedia. [٤]
  4. ↑ بيلوسوفا، أناستاسيا. «كيف بنى رجل أعمال بيلاروسي مع شركائه واحدة من أغلى الشركات الناشئة في العالم Perplexity». Forbes.ru. [٥]
  5. ↑ «تقييم الشركة الناشئة Perplexity AI بـ 14 مليار دولار». صوتك. [٦]
  6. ↑ 7.0 7.1 «محرك البحث Perplexity القائم على الذكاء الاصطناعي يُظهر نموًا هائلاً ومستعدًا لمنافسة جوجل». 3DNews. [٧]
  7. ↑ «Perplexity: ما هي هذه الشبكة العصبية، كيف تعمل ولماذا هي مطلوبة». TimeWeb.Cloud. [٨]
  8. ↑ «Perplexity وClaude AI: محرك للإجابات الدقيقة». Кедр.pro. [٩]
  9. ↑ «What advanced AI models are included in a Perplexity Pro subscription?». Perplexity Help Center. [١٠]
  10. ↑ «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». MarkTechPost. [١١]
  11. ↑ «Introducing PPLX Online LLMs». Perplexity Blog. [١٢]
  12. ↑ «Meet a new era of Perplexity Sonar». Perplexity Blog. [١٣]
  13. ↑ «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». Cerebras Press Release. [١٤]
  14. ↑ «Accelerating Sonar through Speculation». Perplexity Blog. [١٥]
  15. ↑ «Perplexity Sonar Dominates New Search Arena». Perplexity Blog. [١٦]
  16. ↑ «Introducing the Sonar Pro API». Perplexity Blog. [١٧]
  17. ↑ «Comparative Analysis of Large Language Models for Question Answering in Radiology». Thieme Connect. [١٨]
  18. ↑ «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». MDPI. [١٩]
  19. ↑ «Usability and User Satisfaction of Google Search and Perplexity AI». IEEE Xplore. [٢٠]
Retrieved from "https://systems-analysis.info/int/index.php?title=Perplexity_AI_—_بيربليكسيتي_إيه_آي&oldid=5569"