--- title: "Perplexity AI (IT)" source: "https://systems-analysis.info/int/Perplexity_AI_(IT)" wiki: "systems-analysis.info/int" article: "Perplexity_AI_(IT)" language: "it" categories: - "Category:Italian" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" revision_id: 5556 wiki_created_at: 2026-09-06T23:50:57Z wiki_modified_at: 2026-09-06T23:50:57Z downloaded_at: 2026-09-07T23:09:08Z --- # Perplexity AI (IT) **Perplexity AI** — è una startup americana e l'omonimo **motore di ricerca** (conversational search engine) che utilizza l'intelligenza artificiale per fornire risposte dirette alle richieste degli utenti con indicazione delle fonti informative^{[\[1\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-wikipedia-ru-pplx-1)}. L'azienda è stata fondata nel 2022 da un team di specialisti provenienti da OpenAI, Meta, Google, DeepMind e Databricks^{[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-rbc-trends-2)}. La piattaforma combina modelli linguistici di grandi dimensioni (LLM) proprietari e l'accesso ai principali modelli di altre aziende, consentendole di ottimizzare velocità, precisione e costo delle risposte. La tecnologia chiave di Perplexity è un sistema avanzato di **Retrieval-Augmented Generation (RAG)**, che arricchisce le risposte degli LLM con informazioni aggiornate provenienti dalla propria infrastruttura di ricerca^{[\[3\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-pplx-rag-intro-3)}. ## Storia e fondatori L'azienda Perplexity AI è stata fondata nel 2022 da quattro specialisti: - **Aravind Srinivas** (CEO) — ex ricercatore presso OpenAI, Google Brain e DeepMind^{[\[4\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-wiki-eng-shrinivas-4)}. - **Denis Yarats** (CTO) — ex ricercatore presso Meta AI. - **Johnny Ho** (CSO) — ex ingegnere presso Quora. - **Andy Konwinski** — co-fondatore di Databricks^{[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-rbc-trends-2)}. In origine il progetto era concepito come un servizio B2B per l'analisi dei dati, ma nell'ottobre 2022 il team sviluppò un prototipo di motore di ricerca basato su Bing e GPT-3, che determinò il successivo sviluppo dell'azienda^{[\[5\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-forbes-ru-story-5)}. Perplexity AI ha attratto investimenti significativi da parte dei principali attori del settore, tra cui Nvidia, SoftBank e il fondatore di Amazon Jeff Bezos. All'inizio del 2025 la valutazione dell'azienda aveva raggiunto **14 miliardi di dollari**^{[\[6\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-vashgolos-14b-6)}, e il pubblico attivo mensile aveva superato i **15 milioni** di utenti^{[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-3dnews-growth-7)}. ## Architettura tecnologica ### Retrieval-Augmented Generation (RAG) La base di Perplexity è la tecnologia **RAG**, che consente di superare i limiti dei tradizionali LLM, come la conoscenza obsoleta e le "allucinazioni". L'algoritmo di funzionamento si articola in diverse fasi^{[\[8\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-timeweb-rag-8)}: 1. Analisi e riformulazione della richiesta dell'utente per una ricerca ottimale. 2. Ricerca di informazioni tramite la **propria infrastruttura di ricerca** (crawler e sistema di ranking), che dà priorità a fonti autorevoli e non orientate alla SEO^{[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-3dnews-growth-7)}. 3. Estrazione dei frammenti più rilevanti ("snippet") dalle pagine web trovate. 4. Generazione di una risposta coerente e precisa tramite LLM sulla base di tali frammenti. 5. Formulazione della risposta con **indicazione delle citazioni** e riferimenti alle fonti originali. ### Strategia multi-modello Perplexity adotta un approccio ibrido, combinando modelli proprietari e di terze parti per raggiungere un equilibrio tra velocità, precisione e costo^{[\[9\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-kedprof-claude-9)}. - Per le risposte rapide nella versione gratuita viene spesso utilizzato **Claude 3 Haiku**. - Per compiti complessi nella versione a pagamento Pro sono disponibili modelli più potenti, come **Claude 3.5 Sonnet** e **GPT-4o**. Gli utenti con abbonamento **Perplexity Pro** possono selezionare manualmente tra un'ampia gamma di modelli, tra cui^{[\[10\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-pplx-pro-models-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 - Modelli proprietari di Perplexity. ## Modelli proprietari di Perplexity L'azienda sviluppa modelli proprietari ottimizzati per attività di ricerca e per lavorare con informazioni aggiornate provenienti da Internet. ### Famiglia PPLX (modelli iniziali) I primi modelli proprietari di Perplexity, disponibili tramite API, sono stati **pplx-7b-online** e **pplx-70b-online**, presentati nel dicembre 2023^{[\[11\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-marktechpost-pplx-11)}. Erano basati su versioni fine-tuned di **Mistral 7B** e **Llama 2 70B** rispettivamente, e si specializzavano nell'elaborazione di dati online^{[\[12\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-pplx-blog-online-llms-12)}. ### Famiglia Sonar (generazione attuale) **Sonar** è la famiglia di modelli di punta, costruita sulla base di **Llama 3.3 70B** di Meta, ma sottoposta a ulteriore fine-tuning per migliorare la precisione fattuale e la leggibilità delle risposte in modalità di ricerca^{[\[13\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-pplx-blog-new-sonar-13)}. Caratteristiche chiave di Sonar: - **Alta velocità**: Grazie alla partnership con **Cerebras** e all'utilizzo della loro infrastruttura di inferenza specializzata, Sonar raggiunge una velocità di generazione fino a **1200 token al secondo**, quasi 10 volte più veloce di Gemini 2.0 Flash^{[\[14\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-cerebras-partnership-14)}. - **Tecnologia di speculative decoding**: Per accelerare ulteriormente la generazione viene utilizzato un "draft model" proprietario da 1B, che consente al modello principale di generare più token in un singolo passaggio^{[\[15\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-pplx-blog-speculation-15)}. - **Elevate prestazioni**: Nell'ambito della valutazione **Search Arena** di LM Arena, il modello **Sonar-Reasoning-Pro** ha ottenuto il primo posto, eguagliando statisticamente Gemini-2.5-Pro-Grounding^{[\[16\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-pplx-blog-search-arena-16)}. ## API e soluzioni aziendali Perplexity fornisce l'accesso ai propri modelli tramite **Sonar API** e **Sonar Pro API** per sviluppatori e clienti aziendali. Le API sono ottimizzate per velocità e semplicità d'uso, includono la possibilità di citazione e la personalizzazione delle fonti di ricerca. Le soluzioni Perplexity vengono utilizzate in vari settori per la creazione di sistemi di ricerca nativi e l'automazione di attività di ricerca^{[\[17\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-pplx-blog-sonar-pro-api-17)}. ## Analisi comparativa ed esperienza utente Le prestazioni di Perplexity variano in base al tipo di attività. - In attività che richiedono un'elevata precisione fattuale basata su dati recenti (ad esempio, analisi radiologica), Perplexity mostra **la precisione più alta (0,83)**, superando Claude, Bing e ChatGPT^{[\[18\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-thieme-radiology-18)}. - In attività legate a conoscenze rare o altamente specializzate (ad esempio, malattie rare), Perplexity può risultare inferiore a modelli con una base di conoscenza più ampia, come ChatGPT e Gemini^{[\[19\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-mdpi-rare-disease-19)}. Uno studio sull'usabilità (SUS) ha mostrato che, sebbene entrambe le piattaforme, Google e Perplexity, siano accettabili, Google ha ottenuto un punteggio più alto (82,29) rispetto a Perplexity (73,98). Ciò è spiegato dall'interfaccia familiare di Google e dalla curva di apprendimento più ripida di Perplexity, che offre funzionalità innovative ma meno conosciute^{[\[20\]](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_note-ieee-usability-20)}. ## Riferimenti - Sito ufficiale di Perplexity AI - Blog ufficiale di Perplexity ## Bibliografia - 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. ## Note 1. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-wikipedia-ru-pplx_1-0) «Perplexity.ai». В *Wikipedia, свободная энциклопедия*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-rbc-trends_2-0)} ^{[2.1](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-rbc-trends_2-1)} «Perplexity AI — убийца Google или временное явление». *РБК Тренды*. [2] 3. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-pplx-rag-intro_3-0) «An Introduction to RAG Models». *Perplexity AI*. [3] 4. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-wiki-eng-shrinivas_4-0) «Aravind Srinivas». In *Wikipedia*. [4] 5. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-forbes-ru-story_5-0) Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». *Forbes.ru*. [5] 6. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-vashgolos-14b_6-0) «Стартап Perplexity AI оценили в \$14 млрд». *Ваш голос*. [6] 7. ↑ ^{[7.0](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-3dnews-growth_7-0)} ^{[7.1](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-3dnews-growth_7-1)} «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». *3DNews*. [7] 8. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-timeweb-rag_8-0) «Perplexity: что это за нейросеть, как работает и зачем нужна». *TimeWeb.Cloud*. [8] 9. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-kedprof-claude_9-0) «Perplexity и Claude AI: движок для точных ответов». *Кедр.pro*. [9] 10. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-pplx-pro-models_10-0) «What advanced AI models are included in a Perplexity Pro subscription?». *Perplexity Help Center*. [10] 11. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-marktechpost-pplx_11-0) «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». *MarkTechPost*. [11] 12. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-pplx-blog-online-llms_12-0) «Introducing PPLX Online LLMs». *Perplexity Blog*. [12] 13. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-pplx-blog-new-sonar_13-0) «Meet a new era of Perplexity Sonar». *Perplexity Blog*. [13] 14. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-cerebras-partnership_14-0) «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». *Cerebras Press Release*. [14] 15. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-pplx-blog-speculation_15-0) «Accelerating Sonar through Speculation». *Perplexity Blog*. [15] 16. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-pplx-blog-search-arena_16-0) «Perplexity Sonar Dominates New Search Arena». *Perplexity Blog*. [16] 17. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-pplx-blog-sonar-pro-api_17-0) «Introducing the Sonar Pro API». *Perplexity Blog*. [17] 18. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-thieme-radiology_18-0) «Comparative Analysis of Large Language Models for Question Answering in Radiology». *Thieme Connect*. [18] 19. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-mdpi-rare-disease_19-0) «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». *MDPI*. [19] 20. [↑](https://systems-analysis.info/int/Perplexity_AI_(IT)#cite_ref-ieee-usability_20-0) «Usability and User Satisfaction of Google Search and Perplexity AI». *IEEE Xplore*. [20]