Perplexity AI (PL)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — to amerykański startup i jednocześnie wyszukiwarka o tej samej nazwie (conversational search engine), wykorzystująca sztuczną inteligencję do udzielania bezpośrednich odpowiedzi na zapytania użytkowników z podaniem źródeł informacji[1]. Firma została założona w 2022 roku przez zespół specjalistów z OpenAI, Meta, Google, DeepMind i Databricks[2].

Platforma łączy własne duże modele językowe (LLM) z dostępem do wiodących modeli innych firm, co pozwala jej optymalizować szybkość, dokładność i koszt odpowiedzi. Kluczową technologią Perplexity jest zaawansowany system Retrieval-Augmented Generation (RAG), który wzbogaca odpowiedzi LLM aktualnymi informacjami pochodzącymi z własnej infrastruktury wyszukiwania[3].

Historia i założyciele

Firma Perplexity AI została założona w 2022 roku przez czterech specjalistów:

  • Aravind Srinivas (CEO) — były badacz w OpenAI, Google Brain i DeepMind[4].
  • Denis Yarats (CTO) — były pracownik naukowy w Meta AI.
  • Johnny Ho (CSO) — były inżynier w Quora.
  • Andy Konwinski — współzałożyciel Databricks[2].

Pierwotnie projekt był planowany jako usługa B2B do analizy danych, jednak w październiku 2022 roku zespół opracował prototyp wyszukiwarki opartej na Bing i GPT-3, co wyznaczyło dalszy kierunek rozwoju firmy[5].

Perplexity AI pozyskała znaczące inwestycje od czołowych podmiotów, w tym od Nvidia, SoftBank oraz założyciela Amazon Jeffa Bezosa. Na początku 2025 roku wycena firmy osiągnęła 14 mld USD[6], a miesięczna aktywna liczba użytkowników przekroczyła 15 milionów[7].

Architektura technologiczna

Retrieval-Augmented Generation (RAG)

Podstawą Perplexity jest technologia RAG, która pozwala przezwyciężyć ograniczenia tradycyjnych LLM, takie jak przestarzała wiedza i „halucynacje". Algorytm działania składa się z kilku etapów[8]:

  1. Analiza i przeformułowanie zapytania użytkownika w celu optymalnego wyszukiwania.
  2. Wyszukiwanie informacji przy użyciu własnej infrastruktury wyszukiwania (crawler i system rankingowy), która priorytetyzuje wiarygodne źródła wolne od manipulacji SEO[7].
  3. Wyodrębnienie najbardziej trafnych fragmentów (\"snippetów\") ze znalezionych stron internetowych.
  4. Generowanie spójnej i precyzyjnej odpowiedzi przez LLM na podstawie tych fragmentów.
  5. Sformułowanie odpowiedzi z podaniem cytowań i odnośników do oryginalnych źródeł.

Strategia wielomodelowa

Perplexity stosuje podejście hybrydowe, łącząc własne i zewnętrzne modele w celu osiągnięcia równowagi między szybkością, dokładnością i kosztem[9].

  • Do szybkich odpowiedzi w wersji bezpłatnej często wykorzystywany jest Claude 3 Haiku.
  • Do złożonych zadań w płatnej wersji Pro dostępne są mocniejsze modele, takie jak Claude 3.5 Sonnet i GPT-4o.

Użytkownicy z subskrypcją Perplexity Pro mogą ręcznie wybierać spośród szerokiego spektrum modeli, w tym[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
  • Własne modele Perplexity.

Własne modele Perplexity

Firma opracowuje własne modele zoptymalizowane pod kątem zadań wyszukiwania i pracy z aktualnymi informacjami z internetu.

Rodzina PPLX (wczesne modele)

Pierwszymi własnymi modelami Perplexity dostępnymi przez API były pplx-7b-online i pplx-70b-online, zaprezentowane w grudniu 2023 roku[11]. Zostały oparte na douczennych wersjach Mistral 7B i Llama 2 70B odpowiednio i specjalizowały się w pracy z danymi online[12].

Rodzina Sonar (bieżąca generacja)

Sonar — to flagowa rodzina modeli zbudowana na bazie Llama 3.3 70B od Meta, która przeszła jednak dodatkowe douczanie w celu poprawy rzeczowej dokładności i czytelności odpowiedzi w trybie wyszukiwania[13].

Kluczowe cechy Sonar:

  • Wysoka szybkość: Dzięki partnerstwu z Cerebras i wykorzystaniu ich specjalistycznej infrastruktury wnioskowania, Sonar osiąga prędkość generowania do 1200 tokenów na sekundę, co jest prawie 10 razy szybsze niż Gemini 2.0 Flash[14].
  • Technologia spekulatywnego dekodowania: W celu dalszego przyspieszenia generowania wykorzystywany jest własny „model szkicowy" (draft model) o rozmiarze 1B, który umożliwia głównemu modelowi generowanie kilku tokenów w jednym przejściu[15].
  • Wysoka wydajność: W ramach oceny Search Arena przeprowadzonej przez LM Arena model Sonar-Reasoning-Pro zajął pierwsze miejsce, statystycznie dorównując Gemini-2.5-Pro-Grounding[16].

API i rozwiązania korporacyjne

Perplexity udostępnia swoje modele przez Sonar API i Sonar Pro API dla programistów i klientów korporacyjnych. API są zoptymalizowane pod kątem szybkości i łatwości użycia, obejmują możliwość cytowania i konfiguracji źródeł wyszukiwania. Rozwiązania Perplexity są stosowane w różnych branżach do tworzenia natywnych systemów wyszukiwania i automatyzacji zadań badawczych[17].

Analiza porównawcza i doświadczenie użytkownika

Wydajność Perplexity różni się w zależności od rodzaju zadania.

  • W zadaniach wymagających wysokiej rzeczowej dokładności na podstawie aktualnych danych (np. analiza radiologiczna) Perplexity osiąga najwyższą dokładność (0,83), przewyższając Claude, Bing i ChatGPT[18].
  • W zadaniach związanych z rzadką lub wysoce specjalistyczną wiedzą (np. rzadkie choroby) Perplexity może ustępować modelom z bardziej rozległą bazą wiedzy, takim jak ChatGPT i Gemini[19].

Badanie użyteczności (SUS) wykazało, że choć obie platformy — Google i Perplexity — uzyskały akceptowalne wyniki, Google otrzymał wyższą ocenę (82,29) w porównaniu z Perplexity (73,98). Wynika to ze znajomości interfejsu Google oraz bardziej stromej krzywej uczenia się w przypadku Perplexity, które oferuje innowacyjne, lecz mniej znane funkcje[20].

Odnośniki

  • Oficjalna strona Perplexity AI
  • Oficjalny 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.

Przypisy

  1. ↑ «Perplexity.ai». В Wikipedia, свободная энциклопедия. [1]
  2. ↑ «An Introduction to RAG Models». Perplexity AI. [3]
  3. ↑ «Aravind Srinivas». In Wikipedia. [4]
  4. ↑ Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». Forbes.ru. [5]
  5. ↑ «Стартап Perplexity AI оценили в $14 млрд». Ваш голос. [6]
  6. ↑ 7.0 7.1 «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». 3DNews. [7]
  7. ↑ «Perplexity: что это за нейросеть, как работает и зачем нужна». TimeWeb.Cloud. [8]
  8. ↑ «Perplexity и Claude AI: движок для точных ответов». Кедр.pro. [9]
  9. ↑ «What advanced AI models are included in a Perplexity Pro subscription?». Perplexity Help Center. [10]
  10. ↑ «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». MarkTechPost. [11]
  11. ↑ «Introducing PPLX Online LLMs». Perplexity Blog. [12]
  12. ↑ «Meet a new era of Perplexity Sonar». Perplexity Blog. [13]
  13. ↑ «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». Cerebras Press Release. [14]
  14. ↑ «Accelerating Sonar through Speculation». Perplexity Blog. [15]
  15. ↑ «Perplexity Sonar Dominates New Search Arena». Perplexity Blog. [16]
  16. ↑ «Introducing the Sonar Pro API». Perplexity Blog. [17]
  17. ↑ «Comparative Analysis of Large Language Models for Question Answering in Radiology». Thieme Connect. [18]
  18. ↑ «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». MDPI. [19]
  19. ↑ «Usability and User Satisfaction of Google Search and Perplexity AI». IEEE Xplore. [20]
Retrieved from "https://systems-analysis.info/int/index.php?title=Perplexity_AI_(PL)&oldid=5559"