Perplexity AI (TH)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — คือสตาร์ทอัปสัญชาติอเมริกันและเครื่องมือค้นหาที่มีชื่อเดียวกัน (conversational search engine) ซึ่งใช้ปัญญาประดิษฐ์ในการให้คำตอบตรงต่อคำค้นหาของผู้ใช้พร้อมระบุแหล่งที่มาของข้อมูล[1] บริษัทก่อตั้งขึ้นในปี 2022 โดยทีมผู้เชี่ยวชาญจาก OpenAI, Meta, Google, DeepMind และ Databricks[2]

แพลตฟอร์มนี้ผสมผสานโมเดลภาษาขนาดใหญ่ (LLM) ของตนเองเข้ากับการเข้าถึงโมเดลชั้นนำจากบริษัทอื่น ซึ่งช่วยให้สามารถเพิ่มประสิทธิภาพด้านความเร็ว ความแม่นยำ และต้นทุนในการตอบคำถาม เทคโนโลยีหลักของ Perplexity คือระบบ Retrieval-Augmented Generation (RAG) ขั้นสูง ซึ่งเสริมคำตอบของ LLM ด้วยข้อมูลล่าสุดจากโครงสร้างพื้นฐานการค้นหาของตนเอง[3]

ประวัติและผู้ก่อตั้ง

บริษัท Perplexity AI ก่อตั้งขึ้นในปี 2022 โดยผู้เชี่ยวชาญสี่คน:

  • Aravind Srinivas (CEO) — อดีตนักวิจัยที่ OpenAI, Google Brain และ DeepMind[4]
  • Denis Yarats (CTO) — อดีตนักวิจัยที่ Meta AI
  • Johnny Ho (CSO) — อดีตวิศวกรที่ Quora
  • Andy Konwinski — ผู้ร่วมก่อตั้ง Databricks[2]

ในเบื้องต้นโครงการนี้ถูกออกแบบมาเป็นบริการ B2B สำหรับการวิเคราะห์ข้อมูล แต่ในเดือนตุลาคม 2022 ทีมงานได้พัฒนาต้นแบบเครื่องมือค้นหาโดยอิงจาก Bing และ GPT-3 ซึ่งกำหนดทิศทางการพัฒนาของบริษัทในเวลาต่อมา[5]

Perplexity AI ได้รับเงินลงทุนจำนวนมากจากผู้เล่นชั้นนำ รวมถึง Nvidia, SoftBank และผู้ก่อตั้ง Amazon อย่าง Jeff Bezos เมื่อต้นปี 2025 มูลค่าของบริษัทพุ่งสูงถึง 14,000 ล้านดอลลาร์สหรัฐ[6] และฐานผู้ใช้งานที่ใช้งานรายเดือนเกินกว่า 15 ล้าน ราย[7]

สถาปัตยกรรมเทคโนโลยี

Retrieval-Augmented Generation (RAG)

รากฐานของ Perplexity คือเทคโนโลยี RAG ซึ่งช่วยให้สามารถเอาชนะข้อจำกัดของ LLM แบบดั้งเดิม เช่น ความรู้ที่ล้าสมัยและ "การหลอน" (hallucination) ขั้นตอนการทำงานของอัลกอริทึมประกอบด้วยหลายขั้นตอน[8]:

  1. วิเคราะห์และปรับคำถามของผู้ใช้ใหม่เพื่อการค้นหาที่เหมาะสมที่สุด
  2. ค้นหาข้อมูลโดยใช้โครงสร้างพื้นฐานการค้นหาของตนเอง (crawler และระบบการจัดอันดับ) ซึ่งให้ความสำคัญกับแหล่งข้อมูลที่น่าเชื่อถือและไม่ใช่แหล่ง SEO[7]
  3. ดึงข้อความที่เกี่ยวข้องที่สุด ("snippets") จากหน้าเว็บที่พบ
  4. สร้างคำตอบที่สอดคล้องและแม่นยำด้วย LLM โดยอิงจากข้อความเหล่านั้น
  5. จัดรูปแบบคำตอบพร้อมการระบุการอ้างอิงและลิงก์ไปยังแหล่งข้อมูลต้นฉบับ

กลยุทธ์หลายโมเดล

Perplexity ใช้แนวทางแบบผสมผสาน โดยรวมโมเดลของตนเองและโมเดลจากบุคคลที่สามเพื่อให้ได้ความสมดุลระหว่างความเร็ว ความแม่นยำ และต้นทุน[9]

  • สำหรับคำตอบด่วนในเวอร์ชันฟรี มักใช้ Claude 3 Haiku
  • สำหรับงานที่ซับซ้อนในเวอร์ชันชำระเงิน Pro จะมีโมเดลที่มีประสิทธิภาพสูงกว่า เช่น Claude 3.5 Sonnet และ GPT-4o

ผู้ใช้ที่สมัครสมาชิก Perplexity Pro สามารถเลือกจากโมเดลหลากหลายด้วยตนเอง ได้แก่[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
  • โมเดลของ Perplexity เอง

โมเดลของ Perplexity เอง

บริษัทพัฒนาโมเดลของตนเองที่ได้รับการปรับแต่งสำหรับงานค้นหาและการทำงานกับข้อมูลล่าสุดจากอินเทอร์เน็ต

ตระกูล PPLX (โมเดลรุ่นแรก)

โมเดลแรกของ Perplexity ที่เปิดให้เข้าถึงผ่าน API ได้แก่ pplx-7b-online และ pplx-70b-online ซึ่งเปิดตัวในเดือนธันวาคม 2023[11] โมเดลเหล่านี้สร้างขึ้นบนMistral 7B และ Llama 2 70B ที่ผ่านการ fine-tuning เพิ่มเติมตามลำดับ และเชี่ยวชาญในการทำงานกับข้อมูลออนไลน์[12]

ตระกูล Sonar (รุ่นปัจจุบัน)

Sonar — คือตระกูลโมเดลหลักที่สร้างขึ้นบน Llama 3.3 70B จาก Meta แต่ผ่านการ fine-tuning เพิ่มเติมเพื่อเพิ่มความแม่นยำเชิงข้อเท็จจริงและความอ่านง่ายของคำตอบในโหมดการค้นหา[13]

คุณสมบัติหลักของ Sonar:

  • ความเร็วสูง: ด้วยความร่วมมือกับ Cerebras และการใช้โครงสร้างพื้นฐานการอนุมานเฉพาะทางของพวกเขา Sonar สามารถสร้าง token ได้เร็วสูงสุดถึง 1,200 token ต่อวินาที ซึ่งเร็วกว่า Gemini 2.0 Flash เกือบ 10 เท่า[14]
  • เทคโนโลยี speculative decoding: เพื่อเร่งการสร้างเพิ่มเติม จึงใช้ "draft model" ขนาด 1B ของตนเอง ซึ่งช่วยให้โมเดลหลักสร้าง token หลายตัวในการส่งผ่านครั้งเดียว[15]
  • ประสิทธิภาพสูง: ในการประเมิน Search Arena จาก LM Arena โมเดล Sonar-Reasoning-Pro ครองอันดับหนึ่ง โดยมีสถิติเทียบเท่ากับ Gemini-2.5-Pro-Grounding[16]

API และโซลูชันสำหรับองค์กร

Perplexity ให้การเข้าถึงโมเดลของตนผ่าน Sonar API และ Sonar Pro API สำหรับนักพัฒนาและลูกค้าองค์กร API ได้รับการปรับแต่งเพื่อความเร็วและความง่ายในการใช้งาน รวมถึงรองรับการอ้างอิงและการกำหนดค่าแหล่งค้นหา โซลูชันของ Perplexity ถูกนำไปใช้ในอุตสาหกรรมต่างๆ เพื่อสร้างระบบค้นหาแบบ native และทำให้งานวิจัยเป็นอัตโนมัติ[17]

การวิเคราะห์เชิงเปรียบเทียบและประสบการณ์ผู้ใช้

ประสิทธิภาพของ Perplexity แตกต่างกันไปตามประเภทของงาน

  • ในงานที่ต้องการความแม่นยำเชิงข้อเท็จจริงสูงโดยอิงข้อมูลล่าสุด (เช่น การวิเคราะห์ทางรังสีวิทยา) Perplexity แสดงให้เห็นความแม่นยำสูงสุด (0.83) เหนือกว่า Claude, Bing และ ChatGPT[18]
  • ในงานที่เกี่ยวข้องกับความรู้เฉพาะทางหรือหายาก (เช่น โรคหายาก) Perplexity อาจด้อยกว่าโมเดลที่มีฐานความรู้กว้างกว่า เช่น ChatGPT และ Gemini[19]

การศึกษาความสะดวกในการใช้งาน (SUS) แสดงให้เห็นว่าแม้ทั้งสองแพลตฟอร์ม ได้แก่ Google และ Perplexity จะอยู่ในระดับที่ยอมรับได้ แต่ Google ได้คะแนนสูงกว่า (82.29) เมื่อเทียบกับ Perplexity (73.98) ซึ่งอธิบายได้จากความคุ้นเคยของอินเทอร์เฟซ Google และเส้นโค้งการเรียนรู้ที่สูงกว่าของ Perplexity ที่นำเสนอฟีเจอร์ที่เป็นนวัตกรรมแต่ยังไม่คุ้นเคยนัก[20]

ลิงก์

  • เว็บไซต์ทางการของ Perplexity AI
  • บล็อกทางการของ Perplexity

บรรณานุกรม

  • 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.

หมายเหตุ

  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_(TH)&oldid=5563"