---
title: "Perplexity AI (TH)"
source: "https://systems-analysis.info/int/Perplexity_AI_(TH)"
wiki: "systems-analysis.info/int"
article: "Perplexity_AI_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Thai"
revision_id: 5563
wiki_created_at: 2026-09-06T23:51:03Z
wiki_modified_at: 2026-09-06T23:51:03Z
downloaded_at: 2026-09-07T23:09:10Z
---

# Perplexity AI (TH)

**Perplexity AI** — คือสตาร์ทอัปสัญชาติอเมริกันและ**เครื่องมือค้นหา**ที่มีชื่อเดียวกัน (conversational search engine) ซึ่งใช้ปัญญาประดิษฐ์ในการให้คำตอบตรงต่อคำค้นหาของผู้ใช้พร้อมระบุแหล่งที่มาของข้อมูล<sup>[\[1\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-wikipedia-ru-pplx-1)</sup> บริษัทก่อตั้งขึ้นในปี 2022 โดยทีมผู้เชี่ยวชาญจาก OpenAI, Meta, Google, DeepMind และ Databricks<sup>[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-rbc-trends-2)</sup>

แพลตฟอร์มนี้ผสมผสานโมเดลภาษาขนาดใหญ่ (LLM) ของตนเองเข้ากับการเข้าถึงโมเดลชั้นนำจากบริษัทอื่น ซึ่งช่วยให้สามารถเพิ่มประสิทธิภาพด้านความเร็ว ความแม่นยำ และต้นทุนในการตอบคำถาม เทคโนโลยีหลักของ Perplexity คือระบบ **Retrieval-Augmented Generation (RAG)** ขั้นสูง ซึ่งเสริมคำตอบของ LLM ด้วยข้อมูลล่าสุดจากโครงสร้างพื้นฐานการค้นหาของตนเอง<sup>[\[3\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-pplx-rag-intro-3)</sup>

## ประวัติและผู้ก่อตั้ง

บริษัท Perplexity AI ก่อตั้งขึ้นในปี 2022 โดยผู้เชี่ยวชาญสี่คน:

- **Aravind Srinivas** (CEO) — อดีตนักวิจัยที่ OpenAI, Google Brain และ DeepMind<sup>[\[4\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-wiki-eng-shrinivas-4)</sup>
- **Denis Yarats** (CTO) — อดีตนักวิจัยที่ Meta AI
- **Johnny Ho** (CSO) — อดีตวิศวกรที่ Quora
- **Andy Konwinski** — ผู้ร่วมก่อตั้ง Databricks<sup>[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-rbc-trends-2)</sup>

ในเบื้องต้นโครงการนี้ถูกออกแบบมาเป็นบริการ B2B สำหรับการวิเคราะห์ข้อมูล แต่ในเดือนตุลาคม 2022 ทีมงานได้พัฒนาต้นแบบเครื่องมือค้นหาโดยอิงจาก Bing และ GPT-3 ซึ่งกำหนดทิศทางการพัฒนาของบริษัทในเวลาต่อมา<sup>[\[5\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-forbes-ru-story-5)</sup>

Perplexity AI ได้รับเงินลงทุนจำนวนมากจากผู้เล่นชั้นนำ รวมถึง Nvidia, SoftBank และผู้ก่อตั้ง Amazon อย่าง Jeff Bezos เมื่อต้นปี 2025 มูลค่าของบริษัทพุ่งสูงถึง **14,000 ล้านดอลลาร์สหรัฐ**<sup>[\[6\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-vashgolos-14b-6)</sup> และฐานผู้ใช้งานที่ใช้งานรายเดือนเกินกว่า **15 ล้าน** ราย<sup>[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-3dnews-growth-7)</sup>

## สถาปัตยกรรมเทคโนโลยี

### Retrieval-Augmented Generation (RAG)

รากฐานของ Perplexity คือเทคโนโลยี **RAG** ซึ่งช่วยให้สามารถเอาชนะข้อจำกัดของ LLM แบบดั้งเดิม เช่น ความรู้ที่ล้าสมัยและ "การหลอน" (hallucination) ขั้นตอนการทำงานของอัลกอริทึมประกอบด้วยหลายขั้นตอน<sup>[\[8\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-timeweb-rag-8)</sup>:

1.  วิเคราะห์และปรับคำถามของผู้ใช้ใหม่เพื่อการค้นหาที่เหมาะสมที่สุด
2.  ค้นหาข้อมูลโดยใช้**โครงสร้างพื้นฐานการค้นหาของตนเอง** (crawler และระบบการจัดอันดับ) ซึ่งให้ความสำคัญกับแหล่งข้อมูลที่น่าเชื่อถือและไม่ใช่แหล่ง SEO<sup>[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-3dnews-growth-7)</sup>
3.  ดึงข้อความที่เกี่ยวข้องที่สุด ("snippets") จากหน้าเว็บที่พบ
4.  สร้างคำตอบที่สอดคล้องและแม่นยำด้วย LLM โดยอิงจากข้อความเหล่านั้น
5.  จัดรูปแบบคำตอบพร้อม**การระบุการอ้างอิง**และลิงก์ไปยังแหล่งข้อมูลต้นฉบับ

### กลยุทธ์หลายโมเดล

Perplexity ใช้แนวทางแบบผสมผสาน โดยรวมโมเดลของตนเองและโมเดลจากบุคคลที่สามเพื่อให้ได้ความสมดุลระหว่างความเร็ว ความแม่นยำ และต้นทุน<sup>[\[9\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-kedprof-claude-9)</sup>

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

ผู้ใช้ที่สมัครสมาชิก **Perplexity Pro** สามารถเลือกจากโมเดลหลากหลายด้วยตนเอง ได้แก่<sup>[\[10\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-pplx-pro-models-10)</sup>:

- **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<sup>[\[11\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-marktechpost-pplx-11)</sup> โมเดลเหล่านี้สร้างขึ้นบน**Mistral 7B** และ **Llama 2 70B** ที่ผ่านการ fine-tuning เพิ่มเติมตามลำดับ และเชี่ยวชาญในการทำงานกับข้อมูลออนไลน์<sup>[\[12\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-pplx-blog-online-llms-12)</sup>

### ตระกูล Sonar (รุ่นปัจจุบัน)

**Sonar** — คือตระกูลโมเดลหลักที่สร้างขึ้นบน **Llama 3.3 70B** จาก Meta แต่ผ่านการ fine-tuning เพิ่มเติมเพื่อเพิ่มความแม่นยำเชิงข้อเท็จจริงและความอ่านง่ายของคำตอบในโหมดการค้นหา<sup>[\[13\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-pplx-blog-new-sonar-13)</sup>

คุณสมบัติหลักของ Sonar:

- **ความเร็วสูง**: ด้วยความร่วมมือกับ **Cerebras** และการใช้โครงสร้างพื้นฐานการอนุมานเฉพาะทางของพวกเขา Sonar สามารถสร้าง token ได้เร็วสูงสุดถึง **1,200 token ต่อวินาที** ซึ่งเร็วกว่า Gemini 2.0 Flash เกือบ 10 เท่า<sup>[\[14\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-cerebras-partnership-14)</sup>
- **เทคโนโลยี speculative decoding**: เพื่อเร่งการสร้างเพิ่มเติม จึงใช้ "draft model" ขนาด 1B ของตนเอง ซึ่งช่วยให้โมเดลหลักสร้าง token หลายตัวในการส่งผ่านครั้งเดียว<sup>[\[15\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-pplx-blog-speculation-15)</sup>
- **ประสิทธิภาพสูง**: ในการประเมิน **Search Arena** จาก LM Arena โมเดล **Sonar-Reasoning-Pro** ครองอันดับหนึ่ง โดยมีสถิติเทียบเท่ากับ Gemini-2.5-Pro-Grounding<sup>[\[16\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-pplx-blog-search-arena-16)</sup>

## API และโซลูชันสำหรับองค์กร

Perplexity ให้การเข้าถึงโมเดลของตนผ่าน **Sonar API** และ **Sonar Pro API** สำหรับนักพัฒนาและลูกค้าองค์กร API ได้รับการปรับแต่งเพื่อความเร็วและความง่ายในการใช้งาน รวมถึงรองรับการอ้างอิงและการกำหนดค่าแหล่งค้นหา โซลูชันของ Perplexity ถูกนำไปใช้ในอุตสาหกรรมต่างๆ เพื่อสร้างระบบค้นหาแบบ native และทำให้งานวิจัยเป็นอัตโนมัติ<sup>[\[17\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-pplx-blog-sonar-pro-api-17)</sup>

## การวิเคราะห์เชิงเปรียบเทียบและประสบการณ์ผู้ใช้

ประสิทธิภาพของ Perplexity แตกต่างกันไปตามประเภทของงาน

- ในงานที่ต้องการความแม่นยำเชิงข้อเท็จจริงสูงโดยอิงข้อมูลล่าสุด (เช่น การวิเคราะห์ทางรังสีวิทยา) Perplexity แสดงให้เห็น**ความแม่นยำสูงสุด (0.83)** เหนือกว่า Claude, Bing และ ChatGPT<sup>[\[18\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-thieme-radiology-18)</sup>
- ในงานที่เกี่ยวข้องกับความรู้เฉพาะทางหรือหายาก (เช่น โรคหายาก) Perplexity อาจด้อยกว่าโมเดลที่มีฐานความรู้กว้างกว่า เช่น ChatGPT และ Gemini<sup>[\[19\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-mdpi-rare-disease-19)</sup>

การศึกษาความสะดวกในการใช้งาน (SUS) แสดงให้เห็นว่าแม้ทั้งสองแพลตฟอร์ม ได้แก่ Google และ Perplexity จะอยู่ในระดับที่ยอมรับได้ แต่ Google ได้คะแนนสูงกว่า (82.29) เมื่อเทียบกับ Perplexity (73.98) ซึ่งอธิบายได้จากความคุ้นเคยของอินเทอร์เฟซ Google และเส้นโค้งการเรียนรู้ที่สูงกว่าของ Perplexity ที่นำเสนอฟีเจอร์ที่เป็นนวัตกรรมแต่ยังไม่คุ้นเคยนัก<sup>[\[20\]](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_note-ieee-usability-20)</sup>

## 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.  <span id="cite_note-wikipedia-ru-pplx-1">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-wikipedia-ru-pplx_1-0) «Perplexity.ai». В *Wikipedia, свободная энциклопедия*. <a href="https://ru.wikipedia.org/wiki/Perplexity.ai" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-rbc-trends-2">↑ <sup>[2.0](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-rbc-trends_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-rbc-trends_2-1)</sup> «Perplexity AI — убийца Google или временное явление». *РБК Тренды*. <a href="https://trends.rbc.ru/trends/industry/668bba599a79472bf71c43cd" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-pplx-rag-intro-3">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-pplx-rag-intro_3-0) «An Introduction to RAG Models». *Perplexity AI*. <a href="https://www.perplexity.ai/page/an-introduction-to-rag-models-jBULt6_mSB2yAV8b17WLDA" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-wiki-eng-shrinivas-4">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-wiki-eng-shrinivas_4-0) «Aravind Srinivas». In *Wikipedia*. <a href="https://en.wikipedia.org/wiki/Aravind_Srinivas" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-forbes-ru-story-5">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-forbes-ru-story_5-0) Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». *Forbes.ru*. <a href="https://www.forbes.ru/svoi-biznes/526489-kak-belorus-s-partnerami-postroili-odin-iz-samyh-dorogih-startapov-v-mire-perplexity" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-vashgolos-14b-6">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-vashgolos-14b_6-0) «Стартап Perplexity AI оценили в \$14 млрд». *Ваш голос*. <a href="https://vashgolos.net/news/87429" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-3dnews-growth-7">↑ <sup>[7.0](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-3dnews-growth_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-3dnews-growth_7-1)</sup> «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». *3DNews*. <a href="https://3dnews.ru/1109254/poiskovaya-sistema-perplexity-na-baze-ii-pokazala-burniy-rost-i-gotova-k-onkurirovat-s-google" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-timeweb-rag-8">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-timeweb-rag_8-0) «Perplexity: что это за нейросеть, как работает и зачем нужна». *TimeWeb.Cloud*. <a href="https://timeweb.cloud/blog/perplexity-chto-eto-za-nejroset" class="external autonumber" rel="nofollow">[8]</a></span>
9.  <span id="cite_note-kedprof-claude-9">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-kedprof-claude_9-0) «Perplexity и Claude AI: движок для точных ответов». *Кедр.pro*. <a href="https://kedprof.ru/tpost/ofug8mo051-perplexity-i-claude-ai-dvizhok-dlya-toch" class="external autonumber" rel="nofollow">[9]</a></span>
10. <span id="cite_note-pplx-pro-models-10">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-pplx-pro-models_10-0) «What advanced AI models are included in a Perplexity Pro subscription?». *Perplexity Help Center*. <a href="https://www.perplexity.ai/help-center/en/articles/10354919-what-advanced-ai-models-are-included-in-a-perplexity-pro-subscription" class="external autonumber" rel="nofollow">[10]</a></span>
11. <span id="cite_note-marktechpost-pplx-11">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-marktechpost-pplx_11-0) «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». *MarkTechPost*. <a href="https://www.marktechpost.com/2023/12/03/perplexity-unveils-two-new-online-llm-models-pplx-7b-online-and-pplx-70b-online/" class="external autonumber" rel="nofollow">[11]</a></span>
12. <span id="cite_note-pplx-blog-online-llms-12">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-pplx-blog-online-llms_12-0) «Introducing PPLX Online LLMs». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/introducing-pplx-online-llms" class="external autonumber" rel="nofollow">[12]</a></span>
13. <span id="cite_note-pplx-blog-new-sonar-13">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-pplx-blog-new-sonar_13-0) «Meet a new era of Perplexity Sonar». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/meet-new-sonar" class="external autonumber" rel="nofollow">[13]</a></span>
14. <span id="cite_note-cerebras-partnership-14">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-cerebras-partnership_14-0) «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». *Cerebras Press Release*. <a href="https://www.cerebras.ai/press-release/cerebras-powers-perplexity-sonar-with-industrys-fastest-ai-inference" class="external autonumber" rel="nofollow">[14]</a></span>
15. <span id="cite_note-pplx-blog-speculation-15">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-pplx-blog-speculation_15-0) «Accelerating Sonar through Speculation». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/accelerating-sonar-through-speculation" class="external autonumber" rel="nofollow">[15]</a></span>
16. <span id="cite_note-pplx-blog-search-arena-16">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-pplx-blog-search-arena_16-0) «Perplexity Sonar Dominates New Search Arena». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/perplexity-sonar-dominates-new-search-arena-evolution" class="external autonumber" rel="nofollow">[16]</a></span>
17. <span id="cite_note-pplx-blog-sonar-pro-api-17">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-pplx-blog-sonar-pro-api_17-0) «Introducing the Sonar Pro API». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/introducing-the-sonar-pro-api" class="external autonumber" rel="nofollow">[17]</a></span>
18. <span id="cite_note-thieme-radiology-18">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-thieme-radiology_18-0) «Comparative Analysis of Large Language Models for Question Answering in Radiology». *Thieme Connect*. <a href="http://www.thieme-connect.de/DOI/DOI?10.1055/s-0044-1787974" class="external autonumber" rel="nofollow">[18]</a></span>
19. <span id="cite_note-mdpi-rare-disease-19">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-mdpi-rare-disease_19-0) «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». *MDPI*. <a href="https://www.mdpi.com/2075-4418/15/6/672" class="external autonumber" rel="nofollow">[19]</a></span>
20. <span id="cite_note-ieee-usability-20">[↑](https://systems-analysis.info/int/Perplexity_AI_(TH)#cite_ref-ieee-usability_20-0) «Usability and User Satisfaction of Google Search and Perplexity AI». *IEEE Xplore*. <a href="https://ieeexplore.ieee.org/document/10957499/" class="external autonumber" rel="nofollow">[20]</a></span>