Perplexity AI (CS)
Perplexity AI — americký startup a stejnojmenný vyhledávací engine (conversational search engine), který využívá umělou inteligenci k poskytování přímých odpovědí na dotazy uživatelů s uvedením zdrojů informací[1]. Společnost byla založena v roce 2022 týmem odborníků z OpenAI, Meta, Google, DeepMind a Databricks[2].
Platforma kombinuje vlastní velké jazykové modely (LLM) a přístup k předním modelům od jiných společností, což jí umožňuje optimalizovat rychlost, přesnost a náklady na odpovědi. Klíčovou technologií Perplexity je pokročilý systém Retrieval-Augmented Generation (RAG), který obohacuje odpovědi LLM o aktuální informace z vlastní vyhledávací infrastruktury[3].
Historie a zakladatelé
Společnost Perplexity AI byla založena v roce 2022 čtyřmi odborníky:
- Aravind Srinivas (CEO) — bývalý výzkumník v OpenAI, Google Brain a DeepMind[4].
- Denis Yarats (CTO) — bývalý vědecký pracovník v Meta AI.
- Johnny Ho (CSO) — bývalý inženýr ve společnosti Quora.
- Andy Konwinski — spoluzakladatel Databricks[2].
Původně byl projekt zamýšlen jako B2B-služba pro analýzu dat, ale v říjnu 2022 tým vyvinul prototyp vyhledávacího enginu založeného na Bing a GPT-3, což určilo další směřování společnosti[5].
Perplexity AI získala významné investice od předních hráčů, včetně Nvidia, SoftBank a zakladatele Amazonu Jeffa Bezose. Na začátku roku 2025 dosáhlo ocenění společnosti 14 miliard dolarů[6] a měsíční aktivní publikum překročilo 15 milionů uživatelů[7].
Technologická architektura
Retrieval-Augmented Generation (RAG)
Základem Perplexity je technologie RAG, která umožňuje překonat omezení tradičních LLM, jako jsou zastaralé znalosti a „halucinace". Algoritmus se skládá z několika kroků[8]:
- Analýza a přeformulování dotazu uživatele pro optimální vyhledávání.
- Vyhledávání informací pomocí vlastní vyhledávací infrastruktury (crawler a systém řazení), která upřednostňuje autoritativní a ne-SEO zdroje[7].
- Extrakce nejrelevantnějších úryvků (\"snippetů\") z nalezených webových stránek.
- Generování soudržné a přesné odpovědi pomocí LLM na základě těchto úryvků.
- Vytvoření odpovědi s uvedením citací a odkazů na původní zdroje.
Multimodelová strategie
Perplexity využívá hybridní přístup, který kombinuje vlastní a cizí modely k dosažení rovnováhy mezi rychlostí, přesností a náklady[9].
- Pro rychlé odpovědi v bezplatné verzi se často používá Claude 3 Haiku.
- Pro náročné úlohy v placené Pro verzi jsou k dispozici výkonnější modely, jako jsou Claude 3.5 Sonnet a GPT-4o.
Uživatelé s předplatným Perplexity Pro mohou ručně vybírat z širokého spektra modelů, včetně[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
- Vlastní modely Perplexity.
Vlastní modely Perplexity
Společnost vyvíjí vlastní modely optimalizované pro vyhledávací úlohy a práci s aktuálními informacemi z internetu.
Rodina PPLX (rané modely)
Prvními vlastními modely Perplexity dostupnými přes API byly pplx-7b-online a pplx-70b-online, představené v prosinci 2023[11]. Byly postaveny na doladěných verzích Mistral 7B a Llama 2 70B a specializovaly se na práci s online daty[12].
Rodina Sonar (současná generace)
Sonar — je vlajková rodina modelů postavená na základu Llama 3.3 70B od Meta, která však prošla dalším doladěním za účelem zvýšení faktické přesnosti a čitelnosti odpovědí ve vyhledávacím režimu[13].
Klíčové vlastnosti Sonar:
- Vysoká rychlost: Díky partnerství s Cerebras a využití jejich specializované inferenční infrastruktury dosahuje Sonar rychlosti generování až 1200 tokenů za sekundu, což je téměř 10krát rychleji než Gemini 2.0 Flash[14].
- Technologie spekulativního dekódování: Pro další urychlení generování se používá vlastní „draft model" o velikosti 1B, který umožňuje hlavnímu modelu generovat několik tokenů v jednom průchodu[15].
- Vysoký výkon: V rámci hodnocení Search Arena od LM Arena obsadil model Sonar-Reasoning-Pro první místo a statisticky se vyrovnal modelu Gemini-2.5-Pro-Grounding[16].
API a podniková řešení
Perplexity poskytuje přístup ke svým modelům prostřednictvím Sonar API a Sonar Pro API pro vývojáře a podnikové klienty. API jsou optimalizována pro rychlost a snadnost použití, zahrnují možnost citování a nastavení zdrojů vyhledávání. Řešení Perplexity se využívají v různých odvětvích pro tvorbu nativních vyhledávacích systémů a automatizaci výzkumných úloh[17].
Srovnávací analýza a uživatelská zkušenost
Výkon Perplexity se liší v závislosti na typu úlohy.
- V úlohách vyžadujících vysokou faktickou přesnost na základě čerstvých dat (například radiologická analýza) vykazuje Perplexity nejvyšší přesnost (0,83), čímž překonává Claude, Bing a ChatGPT[18].
- V úlohách spojených se vzácnými nebo vysoce specializovanými znalostmi (například vzácná onemocnění) může Perplexity zaostávat za modely s rozsáhlejší znalostní základnou, jako jsou ChatGPT a Gemini[19].
Výzkum použitelnosti (SUS) ukázal, že ačkoli obě platformy — Google i Perplexity — jsou přijatelné, Google obdržel vyšší hodnocení (82,29) ve srovnání s Perplexity (73,98). To se vysvětluje obvyklým rozhraním Google a strmější křivkou učení u Perplexity, která nabízí inovativní, ale méně známé funkce[20].
Odkazy
- Oficiální web Perplexity AI
- Oficiální blog Perplexity
Literatura
- 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.
Poznámky
- ↑ «Perplexity.ai». В Wikipedia, свободная энциклопедия. [1]
- ↑ 2.0 2.1 «Perplexity AI — убийца Google или временное явление». РБК Тренды. [2]
- ↑ «An Introduction to RAG Models». Perplexity AI. [3]
- ↑ «Aravind Srinivas». In Wikipedia. [4]
- ↑ Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». Forbes.ru. [5]
- ↑ «Стартап Perplexity AI оценили в $14 млрд». Ваш голос. [6]
- ↑ 7.0 7.1 «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». 3DNews. [7]
- ↑ «Perplexity: что это за нейросеть, как работает и зачем нужна». TimeWeb.Cloud. [8]
- ↑ «Perplexity и Claude AI: движок для точных ответов». Кедр.pro. [9]
- ↑ «What advanced AI models are included in a Perplexity Pro subscription?». Perplexity Help Center. [10]
- ↑ «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». MarkTechPost. [11]
- ↑ «Introducing PPLX Online LLMs». Perplexity Blog. [12]
- ↑ «Meet a new era of Perplexity Sonar». Perplexity Blog. [13]
- ↑ «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». Cerebras Press Release. [14]
- ↑ «Accelerating Sonar through Speculation». Perplexity Blog. [15]
- ↑ «Perplexity Sonar Dominates New Search Arena». Perplexity Blog. [16]
- ↑ «Introducing the Sonar Pro API». Perplexity Blog. [17]
- ↑ «Comparative Analysis of Large Language Models for Question Answering in Radiology». Thieme Connect. [18]
- ↑ «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». MDPI. [19]
- ↑ «Usability and User Satisfaction of Google Search and Perplexity AI». IEEE Xplore. [20]