Perplexity以其獨特的RAG技術和顛覆性創(chuàng)新，打破了傳統(tǒng)搜索引擎的局限。那么，它是如何做到的呢？又是如何看待與其他AI搜索的競爭呢？讓我們一同揭開Perplexity的神秘面紗，探尋它的內(nèi)核與未來。

我有一個小習慣，每次參加完活動，總會加一些新朋友，或被人加，為防止加完后忘記這人長啥樣；我會習慣性翻看一下對方朋友圈，找到一張照片，保存到備注里，下次見面，以防止認不出來的尷尬。

前兩天，活動結束，我加一位技術領域的專家，他在網(wǎng)上還算有名；當時，我從百度百科上保存一張他的照片，想著忙完再備注。

可回到家，怎么也想不起這人是誰，鑒于強迫癥人格，我總想弄清楚。很頭疼，怎么辦？于是，我把照片發(fā)給國內(nèi)的幾個AI搜索軟件，結果都沒找到我想要的答案。

最后，把它發(fā)給了GPT-4，也沒有識別出來，在快要放棄時我尋思給Perplexity試試吧，沒想到，不到5秒時間，它幫我識別出了對方是誰。

我按照線索，在通訊錄里找到他的微信，趕緊把備注加上；真驚訝，沒想到Perplexity進步這么快，雖然Perplexity PRO版用Claude3.5、GPT4-4o和sonar三個模型，但不得不說，某些方面，它已經(jīng)超過了GPT-4。

于是我在想，各家AI搜索都在對Perplexity貼臉開大，到底誰能做出Perplexity內(nèi)核部分？Perplexity僅是問答產(chǎn)品嗎？創(chuàng)始人怎么看的？這些問題，有必要挖一挖。

01

每次要說這個名字，對不太擅長英語的人來說，都有點兒難為情。是的，Perplexity，聽起來挺拗口，用中文念出來要五個字，你可以這么讀：“佩爾-普萊克-斯提”。

什么意思呢？

簡單講，困惑的。創(chuàng)始人也許在想，如果你有什么困惑，就來問問我們的產(chǎn)品，它能為你解答。

產(chǎn)品是國外的，從生態(tài)位上看，介于Google搜索和ChatGPT聊天機器人之間，它不僅有提問窗口還有相關問題，還有發(fā)現(xiàn)功能，目前里面收集大量當日的新聞摘要，你可以瀏覽，還是隨時繼續(xù)追問。

發(fā)現(xiàn)的好處在于，它能讓你知道全球正在發(fā)生什么。

注意，是全球。我覺得比起ChatGPT或Gemini更便捷一些，更像國內(nèi)AI版知乎，這么說，你也不用感到奇怪，因為它的創(chuàng)始團隊中，有不少人以前在Quora工作過，而知乎當年的創(chuàng)業(yè)靈感，就來自于Quora。

比如：

技術總監(jiān)Denis Yarats，以前是Quora的機器學習工程師，創(chuàng)始設計師Henry Modisett在Quora工作超過了8年，做過很多產(chǎn)品設計。

Perplexity的創(chuàng)始人Aravind Srinivas，以前在OpenAI工作，主要研究語言和擴散生成模型，所以，通過幾個人的組合，不難看出，這家公司的基因深受其創(chuàng)始團隊的經(jīng)歷影響。

知道初心就知道使命，那么，這個產(chǎn)品的設計初心是什么呢？Aravind Srinivas說過，決定做AI問答社區(qū)，首先第一點啟發(fā)來自于谷歌。

Aravind從谷歌兩位聯(lián)合創(chuàng)始人拉里·佩奇(Larry Page)和謝爾蓋·布林(Sergey Brin)身上學到一件事，即：

早些年，谷歌沒有通過模仿其他搜索引擎來競爭，而是選擇一種顛覆式創(chuàng)新的模式。

如何顛覆？他們注意到，答案引擎概念比現(xiàn)在用的搜索引擎歷史還要悠久，早在1970年代，信息檢索領域研究人員就開始用自然語言處理（NLP）來幫助人們從文本中獲取信息。

1990年代中期的Ask Jeeves（現(xiàn)在的Ask.com）也提供過類似的問答服務，但是，當時搜索引擎靠文本檢索信息效果不理想，后來沒辦法，谷歌才改變技術結構。

進而，采用了用網(wǎng)頁鏈接結構來提取信息，這種辦法后來被稱為“頁面排名”，非常巧妙的創(chuàng)新。

具體來說，兩位聯(lián)合創(chuàng)始人將搜索過程簡化成了冪次迭代，他們聘請大量工程師，來開發(fā)關于更多基于傳統(tǒng)信息提取技術的排名信息，谷歌與其他搜索引擎的根本區(qū)別在于獨特的排名信號。

Aravind還注意到，Google的創(chuàng)始人拉里·佩奇（Larry Page）和謝爾蓋·布林（Sergey Brin）都有深厚的學術背景，并且他們努力將學術研究與產(chǎn)品開發(fā)相結合。

這里有一個小事件：

Google在創(chuàng)業(yè)階段時，試圖將自己的搜索引擎基礎賣給Excite公司，拉里·佩奇做過一個展示，把Excite的搜索結果和Google的搜索結果進行對比。

這個過程中，Excite的首席執(zhí)行官批評Google的搜索結果，但拉里·佩奇堅持認為，一個優(yōu)秀的搜索引擎應該能夠在用戶輸入任何內(nèi)容時都提供高質(zhì)量的答案。

所以，拉里·佩奇認為，搜索軟件應在任何輸入下，都得給用戶提供高質(zhì)量答案；但是，很不巧，后來谷歌走了一條與初心違背卻很賺錢的事情，即：賣廣告，廣告賺錢效率在當年要比文本生成賺錢。

因此，Aravind在谷歌學到兩點，一，要顛覆式創(chuàng)新，做文本搜索的事情，而非網(wǎng)頁檢索；二，最好文本和學術掛鉤，用戶想要一個實際答案，不是一堆有答案的網(wǎng)頁列表。

02

第二點來自于誰呢？投資人Marc Andresson。

Aravind在困惑要不要做垂直領域的搜索軟件時，Marc Andresson給他過兩個建議：

一，不管如何，都不要做搜索，是把業(yè)務拓展到像Quora社區(qū)這樣的有社交特性的領域。

為什么呢？

很多只做垂直領域搜索的公司最后都失敗了，相反，那些在特定領域提供全面服務的公司卻獲得了成功。

比如，Booking.com不只搜索酒店，還可以直接預訂；Airbnb也不僅僅是預訂住宿，而是提供了全套的旅行服務了；如果Perplexity只做得足夠深，競爭優(yōu)勢不會只停留在技術和積累用戶上。

二，一個結合社交、AI問答的社區(qū)，比單純的搜索引擎更有價值。

傳統(tǒng)的搜索引擎在回答問題時往往反應慢，不能有效地獲取知識。如果Perplexity能提升回答的效率，并連接社區(qū)成員，那么，這件事會格外的性感。

所以，后來Aravind被說服了，他覺得Perplexity應該做這件事，眼前不止于有網(wǎng)頁產(chǎn)品，還有社區(qū)，未來還要與一切可穿戴設備連接。

比如，與Brilliant Labs合作（注：Brilliant Labs，是一家總部位在新加坡的科技公司，主要開發(fā)具有人工智能功能的開源眼鏡），讓人們通過AR眼睛進行搜索和查詢。

現(xiàn)在來看，Brilliant Labs的確在今年2月9日與Perplexity達成了合作，并且推出Frame眼鏡。因此，Perplexity超越了傳統(tǒng)搜索引擎的范疇。

第三個啟發(fā)來自于GitHub Copilot，這當中有個故事。

Aravind說過，像GitHub Copilot這樣的工具，很多人都在用，而且還有人為此付費，我自己也在用。（注：GitHub Copilot是由GitHub和OpenAI共同開發(fā)的AI編碼助手工具，他能輔助開發(fā)者更智能的寫代碼）。

擁有人工智能的公司，收集大量數(shù)據(jù)，但這些數(shù)據(jù)只是更大事物的一部分；我要找到一個問題，努力解決它，就能從人工智能的進步中受益。

也就是說：

通過人工智能技術，讓人使用技術解決具體問題，不僅能改善產(chǎn)品，吸引用戶，還能用用戶生成的數(shù)據(jù)持續(xù)迭代人工智能的能力，形成一個正向循環(huán)。

但是，大多數(shù)公司都沒有這種特性，這就是為什么他們都在努力找在哪里可以使用人工智能，并讓人用起來的原因。

Aravind覺得，有兩款產(chǎn)品做到了這一點。一個是谷歌搜索，任何人工智能、語義理解、自然語言處理的改進都會提升產(chǎn)品的質(zhì)量，更多的數(shù)據(jù)會讓嵌入變得更好。

另一個是自動駕駛汽車，越來越多的人使用它，它為你提供了更多的數(shù)據(jù)。這使得模型更好，視覺系統(tǒng)更好，行為克隆也更好。

所以，我一直希望我做的產(chǎn)品有這種特定，它本身不是為消費者搜索行為所設計的，而是，從搜索的那一刻開始，產(chǎn)品才剛剛開始。

03

第四個啟發(fā)在數(shù)據(jù)庫上。

Aravind說，從技術層面，在如何改變用戶搜索體驗過程中，我意識到傳統(tǒng)的關系數(shù)據(jù)庫面臨很多限制，特別在處理復雜的自然語言查詢時。

比如：

如果你問數(shù)據(jù)庫，“埃隆·馬斯克關注了誰？”或者“萊克斯·弗里德曼關注的是誰？”這種問題，傳統(tǒng)數(shù)據(jù)庫是搞不定的。這樣的限制，讓查詢不夠靈活，用戶和數(shù)據(jù)的互動也就受限了。

怎么辦呢？隨著人工智能技術的進步，我們覺得可以破這個局。因為現(xiàn)在有些很棒的編程模型，能懂你說的話，我們就想用這些模型來幫忙。

我們的方法是這樣的：

先搜集一些數(shù)據(jù)，然后把數(shù)據(jù)放進表里，再根據(jù)需要生成SQL查詢。我們選擇用SQL，是因為它簡單明了，選擇的東西不多，不像Python那樣復雜。

你可以把這個過程想象成在一個大圖書館里找書。

比如：你想找所有關于“太空旅行”的書，但圖書館的索引系統(tǒng)只按作者名、出版年份排序，沒按主題來排。這就麻煩了，因為你知道這些書肯定在，但找起來就沒那么直接了。

所以，我們用了一種類似的外部助手（就是大模型），讓它從內(nèi)部開始整理和處理信息，然后，把信息整理成表格，生成需要的SQL查詢。

雖然這方法聽起來很不錯，但其實在把自然語言轉(zhuǎn)換成SQL的過程中，我們遇到了很多問題，比如錯誤處理和系統(tǒng)穩(wěn)定性問題。

怎么辦呢？

我們決定用一種更靈活、能自我調(diào)整的方式，來應對挑戰(zhàn)。如此一來，一方面，我們提升了自然語言處理系統(tǒng)的能力，讓它能更準確地理解和分析用戶的意圖。

另一方面，引進更高級的機器學習模型和算法，特別是能從大量雜亂無章的數(shù)據(jù)中，學習和提取有用信息的模型，就形成了技術迭代。

問題是，如何改進呢？我們認為關鍵點在RAG部分。

04

什么是RAG？為什么是RAG呢？

RAG，全稱Retrieval-Augmented Generation，中文叫檢索增強生成技術。

概念是帕特里克·劉易斯（Patrick Lewis）在2020年的一篇文章《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中首次提出，現(xiàn)在，他是Cohere RAG團隊的負責人。

Aravind認為，RAG技術能夠連接到任何外部數(shù)據(jù)源，讓用戶幾乎可以和任何數(shù)據(jù)存儲庫進行對話。

例如：在醫(yī)療領域，一個聊天機器人可以通過查詢醫(yī)院的數(shù)據(jù)來幫助醫(yī)生；在金融領域，分析師使用的機器人也可以通過訪問市場數(shù)據(jù)庫來提供更可靠的分析。

以OpenAI為代表的公司采用“微調(diào)”方式服務于特定行業(yè)客戶，即：利用企業(yè)自己的數(shù)據(jù)，來繼續(xù)訓練提供的基礎模型，從而開發(fā)出更懂該企業(yè)的專有模型。

比如：GPT-4在被訓練了更多關于法律和財務的知識后，相較于學得較少的GPT-3.5，更容易通過法律和財務方面的考試。

而使用RAG方法不同。

雖然Perplexity也使用了一些大型模型，但并沒有繼續(xù)讓這些模型深入學習特定領域的知識，而是，將數(shù)據(jù)作為隨時可查詢的資源供模型參考。

什么意思呢？

當OpenAI通過不斷喂養(yǎng)數(shù)據(jù)，讓大模型變得更聰明，使其能直接回答用戶問題時，這種做法像是在進行閉卷考試，需要憑借已有的記憶來回答問題。

而Perplexity利用RAG技術，則相當于開卷考試，你可以隨時查閱資料來找到答案。

也就是說，RAG技術讓Perplexity能夠利用即時的、廣泛的外部數(shù)據(jù)，為人們提供更精確、更相關的答案，這不僅提高了答案的質(zhì)量，也極大地增強了系統(tǒng)的應用靈活性和實用性。

所以，讓Perplexity與Google不同的是其答案引擎，而與ChatGPT的區(qū)別則在于使用了RAG（Retrieval-Augmented Generation）技術。這種技術連接到外部知識庫，使得AI生成的內(nèi)容更加準確和可靠。

雖然，最近Perplexity面臨一些技術倫理、版權爭議的問題，但我認為，這并沒有影響其在提供高質(zhì)量搜索上的核心能力。

除了從谷歌、投資人、GitHub Copilot、數(shù)據(jù)庫以及RAG這六個方面得到啟發(fā)之外，國內(nèi)的創(chuàng)業(yè)者可能更關注如何賺錢。

Perplexity并沒有像其他公司那樣，先做大規(guī)模再開始收費，而是一開始就推出了訂閱制付費模式，每月20美刀，的確不便宜。但它的模型能力確實很強。

我用它來搜索國內(nèi)的信息，然后，和使用國內(nèi)AI軟件搜索的結果，以及信息來源的抓取能力進行綜合比較，結果毋庸置疑，國內(nèi)技術還有很長的路要走。

RAG已經(jīng)成了開卷考試，到底誰更勝一籌呢？

也許用戶體驗是最好的評判標準，試一試就知道了；此外，國內(nèi)AI搜索產(chǎn)品中，很多還不支持圖片搜索功能、視頻搜索功能，并且也面臨著如何商業(yè)化的挑戰(zhàn)。

盡管這個領域，一些企業(yè)不差錢，不急于賺錢，但，維持AI技術的開發(fā)和運營燒錢迅速，也不小。

我認為，用戶訴求會越來越多，先收費再迭代產(chǎn)品，并非是一件壞事。反之，錢都賺不到，額外需求又進一步增加，就會陷入一種怪圈，也許到時候，用戶的衡量標準會變得越來越琢磨不透。

05

總結

AI搜索，到了內(nèi)卷時刻。

當產(chǎn)品、資源都在同質(zhì)化時還能拼什么？答案可能只有兩個字：速度。誰能賺到錢，更快地迭代技術、誰就更有可能領先。

速度的硝煙，等不到明年，也許下半年，就見分曉。祝你，卷出成績。