Perplexity AI (KO)
Perplexity AI — 미국의 스타트업이자 동명의 검색 엔진 (conversational search engine)으로, 인공지능을 활용하여 사용자 쿼리에 대한 직접적인 답변을 출처와 함께 제공합니다[1]. 이 회사는 2022년 OpenAI, Meta, Google, DeepMind, Databricks 출신 전문가들로 구성된 팀에 의해 설립되었습니다[2].
이 플랫폼은 자체 대형 언어 모델(LLM)과 타사 주요 모델에 대한 접근을 결합하여 응답의 속도, 정확도, 비용을 최적화합니다. Perplexity의 핵심 기술은 고급 Retrieval-Augmented Generation (RAG) 시스템으로, 자체 검색 인프라에서 얻은 최신 정보로 LLM의 응답을 보강합니다[3].
역사 및 창업자
Perplexity AI는 2022년 네 명의 전문가에 의해 설립되었습니다:
- 아라빈드 스리니바스 (CEO) — OpenAI, Google Brain, DeepMind 출신 전직 연구원[4].
- 데니스 야라츠 (CTO) — Meta AI 출신 전직 연구원.
- 조니 호 (CSO) — Quora 출신 전직 엔지니어.
- 앤디 코닌스키 — Databricks 공동 창업자[2].
초기에는 데이터 분석을 위한 B2B 서비스로 구상되었으나, 2022년 10월 팀이 Bing과 GPT-3 기반의 검색 엔진 프로토타입을 개발하면서 회사의 방향이 결정되었습니다[5].
Perplexity AI는 Nvidia, SoftBank, Amazon 창업자 제프 베이조스를 포함한 주요 투자자들로부터 상당한 투자를 유치했습니다. 2025년 초 기준으로 회사 가치는 140억 달러에 달했으며[6], 월간 활성 사용자 수는 1,500만 명을 초과했습니다[7].
기술 아키텍처
Retrieval-Augmented Generation (RAG)
Perplexity의 핵심은 RAG 기술로, 구식 지식 및 "환각"과 같은 기존 LLM의 한계를 극복할 수 있게 해줍니다. 알고리즘은 여러 단계로 작동합니다[8]:
- 최적의 검색을 위한 사용자 쿼리 분석 및 재구성.
- 권위 있는 비-SEO 출처를 우선시하는 자체 검색 인프라 (크롤러 및 랭킹 시스템)를 사용한 정보 검색[7].
- 검색된 웹 페이지에서 가장 관련성 높은 단편("스니펫") 추출.
- 해당 단편들을 기반으로 LLM을 사용한 일관되고 정확한 답변 생성.
- 인용 표시와 원본 출처 링크를 포함한 답변 구성.
멀티모델 전략
Perplexity는 속도, 정확도, 비용 간의 균형을 달성하기 위해 자체 모델과 타사 모델을 결합하는 하이브리드 접근 방식을 사용합니다[9].
- 무료 버전의 빠른 응답에는 주로 Claude 3 Haiku가 사용됩니다.
- 유료 Pro 버전의 복잡한 작업에는 Claude 3.5 Sonnet 및 GPT-4o와 같은 더 강력한 모델을 사용할 수 있습니다.
Perplexity Pro 구독자는 다음을 포함한 다양한 모델 중에서 수동으로 선택할 수 있습니다[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
- Perplexity 자체 모델.
Perplexity 자체 모델
이 회사는 검색 작업 및 인터넷의 최신 정보 처리에 최적화된 자체 모델을 개발하고 있습니다.
PPLX 패밀리 (초기 모델)
API를 통해 제공된 Perplexity 최초의 자체 모델은 2023년 12월에 출시된 pplx-7b-online과 pplx-70b-online입니다[11]. 각각 fine-tuning된 Mistral 7B와 Llama 2 70B 버전을 기반으로 하며, 온라인 데이터 처리에 특화되었습니다[12].
Sonar 패밀리 (현재 세대)
Sonar는 Meta의 Llama 3.3 70B를 기반으로 구축되었지만, 검색 모드에서 사실 정확도와 응답 가독성을 높이기 위해 추가적인 fine-tuning을 거친 플래그십 모델 패밀리입니다[13].
Sonar의 주요 특징:
- 높은 속도: Cerebras와의 파트너십 및 전문화된 추론 인프라 활용을 통해 Sonar는 초당 1,200 토큰의 생성 속도를 달성하며, 이는 Gemini 2.0 Flash보다 약 10배 빠릅니다[14].
- 투기적 디코딩 기술: 생성을 더욱 가속화하기 위해 1B 크기의 자체 "드래프트 모델"을 사용하여 주 모델이 한 번의 패스로 여러 토큰을 생성할 수 있게 합니다[15].
- 높은 성능: LM Arena의 Search Arena 평가에서 Sonar-Reasoning-Pro 모델이 Gemini-2.5-Pro-Grounding과 통계적으로 동등한 성능으로 1위를 차지했습니다[16].
API 및 기업용 솔루션
Perplexity는 개발자 및 기업 고객을 위해 Sonar API와 Sonar Pro API를 통해 모델에 대한 접근을 제공합니다. 이 API는 속도와 사용 편의성에 최적화되어 있으며, 인용 기능 및 검색 소스 커스터마이징을 지원합니다. Perplexity 솔루션은 네이티브 검색 시스템 구축 및 연구 작업 자동화를 위해 다양한 산업 분야에서 활용되고 있습니다[17].
비교 분석 및 사용자 경험
Perplexity의 성능은 작업 유형에 따라 다르게 나타납니다.
- 최신 데이터 기반의 높은 사실 정확도가 요구되는 작업(예: 방사선학 분석)에서 Perplexity는 최고 정확도(0.83)를 기록하며 Claude, Bing, ChatGPT를 능가합니다[18].
- 희귀하거나 고도로 전문화된 지식(예: 희귀 질환)과 관련된 작업에서는 Perplexity가 ChatGPT나 Gemini와 같이 더 광범위한 지식 기반을 가진 모델에 뒤처질 수 있습니다[19].
사용 편의성(SUS) 연구에 따르면, Google과 Perplexity 두 플랫폼 모두 수용 가능한 수준이지만, Google이 Perplexity(73.98)보다 높은 점수(82.29)를 받았습니다. 이는 Google의 친숙한 인터페이스와 혁신적이지만 덜 익숙한 기능을 제공하는 Perplexity의 가파른 학습 곡선으로 설명됩니다[20].
링크
- Perplexity AI 공식 사이트
- Perplexity 공식 블로그
참고 문헌
- 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.
각주
- ↑ «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]