Perplexity AI (VI)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — là một công ty khởi nghiệp của Mỹ và công cụ tìm kiếm cùng tên (conversational search engine), sử dụng trí tuệ nhân tạo để cung cấp câu trả lời trực tiếp cho các truy vấn của người dùng kèm theo trích dẫn nguồn thông tin[1]. Công ty được thành lập vào năm 2022 bởi một nhóm chuyên gia đến từ OpenAI, Meta, Google, DeepMind và Databricks[2].

Nền tảng này kết hợp các mô hình ngôn ngữ lớn (LLM) nội bộ với khả năng truy cập các mô hình hàng đầu từ các công ty khác, cho phép tối ưu hóa tốc độ, độ chính xác và chi phí của câu trả lời. Công nghệ cốt lõi của Perplexity là hệ thống Retrieval-Augmented Generation (RAG) tiên tiến, giúp bổ sung các câu trả lời từ LLM bằng thông tin cập nhật từ cơ sở hạ tầng tìm kiếm nội bộ[3].

Lịch sử và những người sáng lập

Công ty Perplexity AI được thành lập vào năm 2022 bởi bốn chuyên gia:

  • Aravind Srinivas (CEO) — cựu nhà nghiên cứu tại OpenAI, Google Brain và DeepMind[4].
  • Denis Yarats (CTO) — cựu nhà nghiên cứu khoa học tại Meta AI.
  • Johnny Ho (CSO) — cựu kỹ sư tại Quora.
  • Andy Konwinski — đồng sáng lập Databricks[2].

Ban đầu, dự án được hình thành như một dịch vụ B2B phục vụ phân tích dữ liệu, nhưng vào tháng 10 năm 2022, nhóm phát triển đã tạo ra nguyên mẫu công cụ tìm kiếm dựa trên Bing và GPT-3, điều đó đã định hướng cho sự phát triển tiếp theo của công ty[5].

Perplexity AI đã thu hút các khoản đầu tư đáng kể từ những tên tuổi lớn, bao gồm Nvidia, SoftBank và nhà sáng lập Amazon Jeff Bezos. Đến đầu năm 2025, định giá công ty đạt 14 tỷ USD[6], còn lượng người dùng hoạt động hàng tháng vượt 15 triệu người[7].

Kiến trúc công nghệ

Retrieval-Augmented Generation (RAG)

Nền tảng của Perplexity là công nghệ RAG, cho phép vượt qua những hạn chế của các LLM truyền thống như kiến thức lỗi thời và hiện tượng "ảo giác". Thuật toán hoạt động theo nhiều giai đoạn[8]:

  1. Phân tích và diễn đạt lại truy vấn của người dùng để tối ưu hóa tìm kiếm.
  2. Tìm kiếm thông tin sử dụng cơ sở hạ tầng tìm kiếm nội bộ (trình thu thập dữ liệu và hệ thống xếp hạng), ưu tiên các nguồn có uy tín và không bị tối ưu hóa SEO[7].
  3. Trích xuất các đoạn văn bản liên quan nhất ("snippet") từ các trang web được tìm thấy.
  4. Tạo ra câu trả lời mạch lạc và chính xác bằng LLM dựa trên các đoạn văn bản đó.
  5. Trình bày câu trả lời kèm theo trích dẫn và liên kết đến các nguồn gốc.

Chiến lược đa mô hình

Perplexity sử dụng phương pháp kết hợp, kết hợp các mô hình nội bộ và bên thứ ba để đạt được sự cân bằng giữa tốc độ, độ chính xác và chi phí[9].

  • Đối với các câu trả lời nhanh trong phiên bản miễn phí, Claude 3 Haiku thường được sử dụng.
  • Đối với các tác vụ phức tạp trong phiên bản Pro trả phí, các mô hình mạnh hơn như Claude 3.5 Sonnet và GPT-4o có sẵn để sử dụng.

Người dùng đăng ký Perplexity Pro có thể tự chọn từ nhiều mô hình đa dạng, bao gồm[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
  • Các mô hình nội bộ của Perplexity.

Các mô hình nội bộ của Perplexity

Công ty phát triển các mô hình nội bộ được tối ưu hóa cho các tác vụ tìm kiếm và làm việc với thông tin cập nhật từ internet.

Dòng PPLX (các mô hình đời đầu)

Các mô hình nội bộ đầu tiên của Perplexity có thể truy cập qua API là pplx-7b-online và pplx-70b-online, được giới thiệu vào tháng 12 năm 2023[11]. Chúng được xây dựng trên các phiên bản fine-tuning của Mistral 7B và Llama 2 70B tương ứng, và chuyên biệt trong việc làm việc với dữ liệu trực tuyến[12].

Dòng Sonar (thế hệ hiện tại)

Sonar — là dòng mô hình hàng đầu, được xây dựng dựa trên Llama 3.3 70B của Meta, nhưng đã trải qua quá trình fine-tuning bổ sung để nâng cao độ chính xác thực tế và khả năng đọc của câu trả lời trong chế độ tìm kiếm[13].

Các đặc điểm nổi bật của Sonar:

  • Tốc độ cao: Nhờ quan hệ đối tác với Cerebras và việc sử dụng cơ sở hạ tầng suy luận chuyên dụng của họ, Sonar đạt tốc độ tạo sinh lên tới 1200 token mỗi giây, nhanh hơn gần 10 lần so với Gemini 2.0 Flash[14].
  • Công nghệ speculative decoding: Để tăng tốc độ tạo sinh hơn nữa, một "mô hình nháp" nội bộ với kích thước 1B được sử dụng, cho phép mô hình chính tạo ra nhiều token trong một lần xử lý[15].
  • Hiệu suất cao: Trong khuôn khổ đánh giá Search Arena từ LM Arena, mô hình Sonar-Reasoning-Pro đã đạt vị trí đầu tiên, về mặt thống kê ngang bằng với Gemini-2.5-Pro-Grounding[16].

API và giải pháp doanh nghiệp

Perplexity cung cấp quyền truy cập vào các mô hình của mình thông qua Sonar API và Sonar Pro API dành cho nhà phát triển và khách hàng doanh nghiệp. Các API được tối ưu hóa về tốc độ và tính dễ sử dụng, bao gồm khả năng trích dẫn và tùy chỉnh nguồn tìm kiếm. Các giải pháp của Perplexity được sử dụng trong nhiều lĩnh vực khác nhau để xây dựng hệ thống tìm kiếm tích hợp và tự động hóa các tác vụ nghiên cứu[17].

Phân tích so sánh và trải nghiệm người dùng

Hiệu suất của Perplexity thay đổi tùy theo loại tác vụ.

  • Trong các tác vụ đòi hỏi độ chính xác thực tế cao dựa trên dữ liệu mới (ví dụ: phân tích X quang), Perplexity cho thấy độ chính xác cao nhất (0,83), vượt trội so với Claude, Bing và ChatGPT[18].
  • Trong các tác vụ liên quan đến kiến thức hiếm hoặc chuyên biệt cao (ví dụ: các bệnh hiếm gặp), Perplexity có thể kém hơn so với các mô hình có cơ sở kiến thức rộng hơn như ChatGPT và Gemini[19].

Nghiên cứu về tính khả dụng (SUS) cho thấy, mặc dù cả hai nền tảng, Google và Perplexity, đều được chấp nhận, Google nhận được điểm đánh giá cao hơn (82,29) so với Perplexity (73,98). Điều này được giải thích bởi giao diện quen thuộc của Google và đường cong học tập dốc hơn của Perplexity, vốn cung cấp các tính năng sáng tạo nhưng ít quen thuộc hơn[20].

Liên kết

  • Trang web chính thức của Perplexity AI
  • Blog chính thức của Perplexity

Tài liệu tham khảo

  • 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.

Chú thích

  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_(VI)&oldid=5567"