中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

AI技術的進步給搜索引擎形態帶來了很大沖突，這篇文章里，作者就深入探討了一個正在挑戰搜索引擎霸主地位的新星——Perplexity，某種程度上可以稱之為“答案引擎”。一起來看看本文的分析。

從Yahoo到Google再到Perplexity

Perplexity創始人Aravind喊出了這樣的口號！意味著他們開始公開叫板Google！成立一年的公司叫板市值全球第四的公司？腦子瓦特了？

在人工智能的浪潮中，每一次技術的躍進都預示著行業格局的重塑。今天，我們將深入探討一個正在挑戰搜索引擎霸主地位的新星——Perplexity。在這場技術與商業的雙重博弈中，每一個細節都可能成為顛覆性的起點。

這篇文章，不僅僅是對Perplexity的剖析，更是對未來搜索形態的一次大膽預測：

如何用答案引擎“殺死”搜索引擎？

想象一下，當你的每一次搜索請求都能得到即時、準確、結構化的答案，而不再需要在海量信息中苦苦尋找。Perplexity，這個由AI驅動的答案引擎，正試圖將這一夢想變為現實。它不僅僅是一個搜索工具，更是一場用戶體驗的革命。它的出現，讓我們不得不重新思考信息獲取的方式，以及在這個過程中，我們作為用戶、開發者、甚至是整個社會的角色。

Take Away：

1. Perplexity是答案引擎
2. 在AI和搜索技術間尋找平衡
3. 用戶畫像偏專業用戶
4. pplx是破局點
5. Perplexity能否顛覆Google取決于新變量

感謝共創者：周慧明，做大模型&虛擬人應用

一、Perplexity有多牛？

在聊它是什么之前，先看看它哪里牛：

第一，持續的流量增長。

（單位：萬PV，from 郎瀚威 Will整理）

第二，創始團隊厲害。

資料來源：中金公司研究部

團隊成員經驗豐富，對LLM及搜索引擎有深入見解：

Perplexity創始人為Aravind Srinivas、Denis Yarats、Andy Konwinski以及Johnny Ho四位。Srinivas曾于Google、DeepMind實習且曾就職于OpenAI。Yarats曾在微軟Bing、問答網站Quora、Facebook擔任人工智能研究人員或工程師。Konwinski為DataBricks的聯合創始人。Johnny Ho曾在Quora擔任工程師，研究排名與后端系統，引領系統快速迭代。

第三，強大的投資團隊。

（from 中金點睛，遺漏了Jeff Dean，Google AI部門負責人）

包括后面我們會提及的優秀用戶評價，種種跡象給我們一種感覺，這個產品好牛呀！那它到底是什么呢？接著往下看：

二、Perplexity是什么？

1. Perplexity是一個答案引擎

Where knowledge begins

簡潔的Perplexity首頁，擺著這三個單詞，一切仿佛和Google搜索沒有特別大的區別，在提問框輸入我們的問題并回車后，不一樣的地方開始顯露：

我們來看主線，也就是上圖中間一列內容，包含了：

1. Sources，引用來源
2. Answer，答案
3. Related，相關問題
4. 提問框

對于我們用自然語言提出的問題，Perplexity使用Generative UI（基于用戶的Query生成的結構化答案組織界面）來呈現答案：

• 首先在Sources處會明確告訴我們，答案的來源是基于這些鏈接里的內容整合而來，支持點擊。
• 其次答案會給出結構化的明確結果，文字里會包含引用源
• 接著，Perplexity預留了你可能會追問的幾個問題，點擊后，會在當前頁面繼續向下展開對于問題的答案
• 最后，也可以繼續用文字的方式提交你的問題

我們換一個問題來感受一下：

Perplexity是一個答案引擎。用戶可以使用自然語言描述比較復雜的問題，Perplexity會基于理解問題的情況下，通過搜索并整合內容，明確給出一個答案，并且支持溯源，以及繼續追問。

這對于用戶是非常友好的，我們仔細琢磨一下，之前使用搜索，以及現在使用Perplexity的差異：

可以發現，Perplexity在大多數情況下幫助用戶省去了兩個關鍵步驟：

1. 逐個鏈接查看
2. 對多個網頁內的內容進行整合

過去我寫文章需要查詢大量網頁內容時，是需要打開很多網頁，并且網頁多了后，經常找不到哪個內容具體在哪個網頁內，又得逐個網頁打開，這個過程就非常的繁瑣。

對比下來，Perplexity現在就非常簡潔了?。ó斎粚?，我們也可以感受到Perplexity的一些約束條件，后面會進一步展開說它的缺陷）

2. 更多的功能

上面寫的都是主體功能，Perplexity還做了很多額外的功能，來提高用戶體驗，我們說幾個有意思的。

Copilot：

interactive research assistant feature（交互式研究助手功能）

Copilot的意思是增加一些助手的工作，比如會自動的增加Query的近似詞，來增加獲得的搜索結果，再比如對于Query不明確的地方，自動彈出提問來要求用戶補全，以便獲得更好的搜索結果：

上面的輸入框，就是Perplexity自動根據問題，希望我進一步描述Aravind具體何時提出過這一觀點，這樣能縮小搜索范圍，進而提高搜索的結果準確度。

這一功能在2023年5月推出，并于8月份更新。一開始是用GPT-4來支持，后面優化成了微調過的GPT-3.5，能力差不多，但延遲減少了4-5倍，推理成本大幅下降。

Collections：

收藏夾，可以把搜索結果頁的內容收藏進來，可以和其他人協作，可以公開也可以私密收藏，并且可以持續在這一收藏夾所屬下面持續的搜索答案積淀下來。

它的前置功能是每一個搜索結果頁都會被保存下來，也可以分享，其他用戶只需要點擊鏈接就可以完整的查看到先前Perplexity生成的答案頁。

這一功能有點向個人知識庫的方向做探索了。比如我可以邀請幾個朋友，一起在Perplexity的Collection下面搜索，相互可以借鑒相關的答案。

Profile：

通過一些個性化的設定，讓Perplexity在搜索的信息源、輸出的語言、最后輸出的答案偏好，更好的實現個性化！

Discover：

發現熱門的一些搜索結果，有點簡化版微博熱榜的感覺。

3. Perplexity的工作機制是什么樣的？

搜索+LLM的結合！但不單純是搜索+LLM：

簡單來說，Perplexity比搜索引擎額外多做了幾件事：

第一，用LLM重新理解了用戶提出的問題，然后解析為一個更清晰的搜索語句（Copilot增強了這一步）

第二，調用搜索引擎的API，比如Google、Bing的，當然現在Perplexity也創建了自己的索引庫，來構建特定領域的索引庫，保證搜索質量

第三，用自有的排序算法，對所有的搜索結果做重新排序，篩選出數量不等的質量不錯的網頁，這些網頁就是Sources了

第四，用LLM來逐一閱讀Sources里的內容，并輸出和問題相關的答案（Answer），以及可能的相關問題（Related）

再抽象一點，就是三步：

那看起來，這個產品也挺簡單的呀，無非就是找個大模型，再調搜索接口，分分鐘Copy一個出來，甚至說，我直接問ChatGPT不就完事了么？GPT4也有聯網的功能，為啥非得用Perplexity呢？

話是這么說，但極致的追求，也讓Perplexity在答案引擎上遙遙領先：

4. Perplexity和大模型有什么不一樣？

確實，ChatGPT本身就能直接解答用戶的提問，包括成為付費會員后，附帶聯網查詢功能，以及NewBing 也是默認搜索加整合答案，那Perplexity為何能從中異軍突起呢？

能做，和做得好，有很大的差別，以創始人Aravind的話來說就是要五軸都要做得好：

1. 準確性；
2. 可靠性；
3. 低延遲、速度；
4. 令人愉悅的用戶體驗；
5. 產品越來越個性化，讓你感覺想要不斷回來。

Perplexity做了大量的工作，目前可見的至少有這三個核心要素：

準確性+可靠性：

注：有用性(perceived utility):回復對用戶查詢來說是否是有用且有信息量的；2）引用召回(citation recall):指由其相關引文完全支持的、值得驗證的句子的比例。中金公司研究部

從前文可以看到，Perplexity主要依賴引用的鏈接里的內容做整理，這樣相當于大幅依賴RAG，極大的降低了LLM的幻覺問題。同時，Perplexity在召回和排序環節都對算法側進行了創新，保證內容的有用性及引用的精確程度。

GPT4、Kimi Chat和百川這些都可聯網，但你并不知道具體去哪里引用了內容，無法溯源，對于幻覺仍舊抱有疑慮。

NewBing只能在Edge上使用，盡管可以免費白嫖，但是速度確實很慢，也沒有Copilot等，感覺在答案引擎這件事上，并沒有做得更多的工作，產品形態和速度半年來沒有什么改進。

速度：

今年10月4日，Perplexity推出了pplx-api，這個API是Perplexity自研的推理堆棧，使得Perplexity的生成速度快于GPT類通用模型。

推理堆棧主要用在了最后對搜索結果的整合和推理部分。

也可以看到Perplexity一直在研究更好的架構和技術來提高整個產品的運轉效率：

對于效率的追求，使得Perplexity的體驗真的非常的快，幾乎是答案秒出。

用戶體驗：

Super個人在使用中的體驗是很絲滑的，寫下問題 →?得到答?→?點擊相關問題 →?繼續快速獲得答案?→?輸入個性化的追問 →?進一步獲得答案，并且所有的答案都在同一個頁面內，可以快速的回看，不用來回切換頁面。

這種迅捷體驗遠勝于 ChatGPT 和 NewBing。

再加上Copilot可以更好的實現交互，坦白講和其他競品在產品層面的體驗差異還是有些遙遙領先的。

但羅馬不是一日建成的，回看Perplexity的初始階段，也能幫我們更好的理解它：

三、Perplexity的演變（重要）

Perplexity的ASK產品是在2022年12月7日上線的，但是公司的創立是2022年8月3日，是一開始就在籌備Perplexity Ask么？

我們這一節先來看一下Perplexity創辦后的產品演變，下一節再去理解創始人。

在一次分享上，Perplexity創始人Aravind放出了一張圖，我們可以發現，最早做的產品是Text2SQL。

這個技術是針對企業市場的，美國有個很有意思的想象是，toB市場非常的好做，不光是容易獲得ARR，而且創業公司做到一定程度后，也比較容易賣掉公司，或許因為這個，基于text2sql，Perplexity獲得了Elad Gil, Nat Friedman, Jeff Dean的種子輪投資，這幾位是誰呢？

在9月27日，為了方便內部，搭建了一個Slack機器人，作用是希望幫助團隊get如何去撰寫SQL模版，因為這個需求Google解決不了，問同事又非常的費時間。

2022年10月16日，出現了一個特殊情況，要招人了?。?！

應聘者問：我要醫療保險！Aravind懵了，心想我沒弄過啊，趕緊打開Slack去問，對比Google給出的結果，他也意識到了，自己的SlackBot聯網后，或許能得到更好的答案。

在10月29日，SlackBot可以聯網去search了，增加了摘要功能，現在可以向Slackbot提問真實的問題了！比如上圖就是馬斯克接管推特時發生了什么，已經開始有現在答案引擎的雛形了。

然后，投資人Nat Friedman，也就是前Github CEO，說，你們咋不像Midjourney那樣整一個Discord呢？這可比Slack牛逼多了，于是在11月6日，Perplexity做了一個Discord Search Bot：

Discord就是一個公開域，這時就開始有用戶嘗試接入Perplexity的Discord Search Bot，反饋還都挺不錯，甚至開始有人說，這比Google好??！

11月12日，增加了搜索聚焦Search Focus功能~

隨后增加了維基百科的搜索支持，以及到了11月29日，Perplexity在Discord Bot上增加了支持搜索StackOverflow（全球最大的技術問答網站）。

注意此時，Perplexity的主營業務還是在處理企業的SQL方向呢，Discord的嘗試更像是一個副業，不過Discord上的嘗試反饋太好了，多巴胺開始分泌！

好巧不巧，次日，也就是11月30日，ChatGPT發布！現在幾乎所有人都知道這是一個歷史性的時刻，我們看看Perplexity在此之后做了哪些動作！

Aravind問了一個問題：或許，ChatGPT會取代掉所有的對話機器人？

那Perplexity還能做什么呢？對了，把實時知識和Chatbot整合到一起會怎樣呢？（彼時 ChatGPT 還不支聯網搜索） 盡管那會公司還沒有會寫前端的工程師，但在ChatGPT幫助下，居然真的做到了，于是：

動作很快，12月1日，Perplexity的網頁版本就上線了：

他們把網頁版本發給了一個投資人，得到了非常好的反饋，這進一步的增強了Perplexity團隊的信心！

于是，12月7日，網頁端正式上線！獲得了幾百個用戶，反饋普遍還是挺好的~

OK，說回來，Perplexity主要的產品和融資，都是來源于在SQL上做的開發，只不過之前更多是服務于企業，等等，我們再想想，似乎早期Perplexity做的工作很多是在大型關系型數據庫上的哦，那有沒有什么是公共數據庫的SQL版本可以做的呢？

創始人們都是推特的重度用戶，于是就想：

“How would it look like if we thought of Twitter itself as a relational database? ”

如果我們把推特本身看成是一個關系數據庫呢？

它會是什么樣的？社交圖譜、推文、粉絲等等。

那就可以找出，我的推文有多少是某個粉絲喜歡的，或者誰是某個粉絲的粉絲但還不是我的粉絲的。。。

于是推出了一個基于Twitter的搜索庫，還得到了推特創始人Jack Dorsey的轉發點贊：

（上圖可能是文字錯誤，應該是12月15日）

注意看文字：

It uses OpenAI Codex to translate natural language into SQL.

在這個產品形態里，Perplexity發現比起SQL搜索，常規的搜索用戶量更大~

這里要解釋下，常規搜索和SQL搜索的差異，對于理解Perplexity的產品演變很重要：

SQL搜索（對應BIRD-SQL）的核心功能是允許用戶通過SQL查詢語言在Twitter的大量推文數據中搜索特定的信息。用戶可以定義復雜的查詢條件，比如搜索特定關鍵詞、用戶、話題標簽（hashtags）或者特定時間段內的推文。這使得研究人員和分析師能夠從Twitter的海量數據中提取有價值的信息，比如分析公眾對特定事件的反應、趨勢分析、情感分析等，但它需要搜索提供方（此處為Twitter）支持才可以：

簡單理解就是幫助用戶用自然語言就能實現更加復雜的搜索技巧，能提高搜索信息的準確性，也因為推特在23年2月份下架了API，Bird SQL 也下線了。

沒有Bird SQL 類似的產品支持，所以我們現在再去搜索同樣的Quory“top tweets about scala and databricks”，結果就是??，這就是在推特中進行的常規搜索，在推特是很難獲得精準的搜索結果的。

OK，說回來，在當時Bird-SQL火了后，Perplexity還在猶豫要不要結束SQL搜索的研究，馬斯克出手了，把API接口價格調整的非常的高，并且此時Perplexity也發現用戶非常喜歡用Bird SQL來做普通的搜索，這讓Perplexity最終專注于去做答案引擎了：

再往后，就是經典的瘋狂迭代邏輯：

這張圖要感謝SenseAI的文章~

四、創始人Aravind對產品的思考

OK，繼續來深挖一下Aravind，來幫助我們更好的理解Perplexity.ai。

在之前的文章《AI+佛經：深度用戶的勝利》里，Super描述了對于某一方向長期投入帶來的產品突破受益點，這一點在Aravind身上也有反應~

這一章我們來進一步理解~先看一下別人整理好的概要：

CEO Aravind Srinivas 來自印度，博士期間才移民來到美國。Aravind 是 UCB 的 CS Phd，主攻方向是在計算機視覺和強化學習中融入 Transformer 模型。Phd 期間，他先后分別在 OpenAI、DeepMind 和 Google 做 Research Intern。畢業后，他加入 OpenAI 工作了一年，研究語言模型和擴散模型。22 年 8 月，離開 OpenAI 創立 Perplexity。

具體來說，Aravind是一個印度人，考上了印度理工學院，2015-2016年對深度學習做了很多研究，2017年考到了UC伯克利大學讀博士，和OpenAI的聯合創始人，ChatGPT的研究主管John Schulman在同一個實驗室！

隨后，在2019年去了Deepmind實習，白天工作，晚上就去那的圖書館看書，有幾本書寫的是谷歌如何工作的，其中拉里佩奇給Aravind的啟發很大：

我被PageRank的演變過程所吸引，以及它是如何引領到一個能夠創造像Transformers這樣驚人進步的公司的。

這個印度小哥很積極，用Cold Email的方式聯系上了Transformer的一作：Ashish Vaswani，獲得了實習機會！

后面，在Perplexity的投資人名單上，也出現了這位大神：

但是實習期Aravind還是沒有明確的創業想法，一直到2022年夏天，Jasper、Github Copilot這樣的AI初創公司開始實現真正的收入，包括用戶的熱情與日俱增，Aravind意識到機會來了！

創立Perplexity后的嘗試，我們在上一章節講過了，一直到2022年12月7日網頁版本的Perplexity上線，12月15日，上線了Bird-SQL，即推特SQL搜索功能，獲得了很多用戶的認可，然后在這次浪潮中Aravind觀察到用戶更加喜歡常規的搜索方式，疊加上馬斯克提高了API的價格，逼得Aravind全面轉向端到端的答案引擎。

這次嘗試非常成功，有兩點：

第一，獲得了用戶真實的使用行為，最終幫助Perplexity找到了正確的方向；

第二，拿到了一些著名大神的投資，比如Yann LeCun，Meta首席AI科學家，Andrej Karpathy，原特斯拉AI高級總監，現OpenAI副總裁，他們單純就是看到了Perplexity的推特就投了。

在這之后，Perplexity開始走上正軌！

下面我整理了一些Aravind對于Perplexity產品的思考：

1）Paul Graham的YC創業產品方法論

1. 從身邊的朋友小范圍開始傳播→
2. 做一些沒有規模效應的事，比如和用戶親自交流→
3. 構建MVP產品（比如Discord Search Bot，Bird-SQL）→
4. 用真正的用戶測試MVP（比如Bird-SQL最終幫其獲得了洞察）→
5. 向用戶學習并迭代；

以上幾個步驟，可以看到Perplexity完美的遵循了。

2）永遠不應該做別人做過的同樣的事

谷歌1998年上線，到現在已經20+年，定義了搜索，并構筑了護城河（在后面聊Perplexity護城河的時候我們會具體說）。

如果和谷歌做一樣的事情，Perplexity沒有任何機會，所以圍繞著AI產生的變量，Perplexity尋找著新的方式。

• ChatGPT 沒有實時搜索功能→
• 但又有強大的整合推理能力→
• 結合 LLM 和搜索→
• Perplexity 誕生。

這個方式就是答案引擎，《創新者的窘境》提到顛覆式創新的可怕之處在于，原有的大公司很難下定決心“殺死”自己，谷歌的商業價值太龐大了，建立在用戶搜索時點擊的廣告上，答案引擎意味著這些廣告不再有高曝光量。

所以這就是Perplexity的機會，Perplexity之所以瘋狂的迭代，包括也在建立自己的索引庫，就是害怕哪一天Google關閉了搜索API之后，對Perplexity業務的沖擊，但一旦構建完畢，Perplexity很可能就不再懼怕谷歌了。

3）圍繞構建優勢持續不斷的努力

谷歌的UI幾乎沒什么變化，但是背后的技術仍然在不斷的提高。

Perplexity也在不斷地提高幾個要素，典型如：

它們非常關注新鮮度、實時性、有效性幾個用戶感知上最關心的要點，并且不斷的提高，上圖就是Perplexity自研的pplx-70b-online的測試對比數據，發布于2023年11月29日。

再疊加上前面有個圖顯示了高頻度的功能更新情況，我們可以看出Perplexity一直在高速的圍繞用戶需求做功能迭代。

4）站在用戶角度思考問題

這似乎是老生常談，但具體到每一個優化細節，你能否真的站在用戶的習慣上思考呢？

Perplexity在生成答案時，會先顯示搜索來源的鏈接，再生成答案：

為什么呢？回到用戶使用習慣上來講，在使用傳統搜索引擎時，我們會很快的得到返回的搜索結果，Perplexity為了將搜索引擎和答案引擎結合起來，于是把Sources放在頂部，方便一些用戶不想等待的時候可以先點擊鏈接去看。

前面我們提到的Bird SQL，也是從用戶出發，將用戶習慣的自然語言，轉化為結構化的SQL語句，然后對接到推特API里，拿到普通用戶很難獲得的數據！

我總是試圖從用戶的角度看問題，并盡可能多地與他們交談。拉里·佩奇（Larry Page）在創辦谷歌時有一個理念，即“用戶永遠不會錯”。它簡單而深刻。當人們抱怨某些事情對他們不起作用時，我會盡可能多地回復他們的私信。我盡最大努力將這種心態灌輸到我們公司的每個人身上。不要責怪用戶沒有正確表達他們的問題，或者不知道有一個按鈕可以分享一些東西。我們的工作是解決這些問題，使產品更直觀。

5）一次只做一件事情

Perplexity快速基于用戶迭代產品，聚焦解決關鍵問題，很值得學習。

我們做了很多決策，比如，如果我們支持自由交談而不是只是一個生產力助手或研究助手，我們可能會得到更多的流量。但我們沒有這樣做，因為那樣會導致產品分叉，讓用戶感到困惑，對于某種功能，他們可能會有很多用戶，而對于另一種功能，他們可能會因為缺乏可靠性而感到沮喪。所以這對我們有很大幫助，讓我們保持清晰、簡單，一次只做一件事情。

接著我們來看看，Perplexity的用戶都是誰呢？

五、Perplexity的用戶都是誰，為何用它？

Perplexity的Discord服務器有4.4萬名成員，其中有一個頻道叫做

Post something about you and share how you found Perplexity

從這里，我查看了一些比較典型的介紹，從中我們可以了解它的用戶群：

Hi, my name is Oscar, and I am a Software Engineer. I found Perplexity by looking into alternatives to the one that was the most popular (ChatGPT). And I was really surprised with how fast it is, and the accuracy of the results. I literally use it all day for everyday tasks

嗨，我叫奧斯卡，我是一名軟件工程師。我是在尋找最受歡迎的那個（ChatGPT）的替代品時發現了Perplexity。我真的很驚訝于它的快速響應速度和結果的準確性。我幾乎整天都在用它來處理日常任務。

M&A investment banker covering AI native companies. Been using Perplexity since late last year and loving it -Pro user ftw

嗨，我是一名覆蓋人工智能原生公司的并購投資銀行家。自從去年年底開始使用Perplexity以來，我就非常喜歡它——專業用戶表示支持。

Hello everyone, I’m KP. I’m a software engineer. Been playing around with Chat-GPT from so long and recently got hooked with xAI because of the realtime capabilities. Found perplexity on hackernews and damn surprised by the realtime capabilities. First thing – cancelled my ChatGPT plus. Excited about the future of Perplexity

大家好，我是KP。我是一名軟件工程師。我一直在玩Chat-GPT，最近因為實時能力而迷上了xAI。在Hacker News上發現了Perplexity，真的很驚訝于它的實時能力。第一件事——我取消了我的ChatGPT Plus。對困惑度的未來充滿期待。

hey! I’m a second year university student who uses Perplexity for reaseach. As someone with ADHD and slow processing speed, perplexity is great for helping me find sources for obscure and complex information, amongst helping me exand creative pursuits

嘿！我是一名大二的大學生，我使用Perplexity來進行研究。作為一個有注意力缺陷多動障礙（ADHD）和處理速度較慢的人，Perplexity在幫助我找到關于晦澀和復雜信息的來源方面非常出色，同時也幫助我擴展了我的創造性追求。

hey folks, I’m sam and i’m a product manager. been playing around with different genAI tools and hoping to build some small apps on more niche verticals. super impressed by perplexity and how fast it’s become part of my day-to-day workflows. the ux is also kickass and so user-centric, awesome stuff

嘿，大家好，我是Sam，我是一名產品經理。我一直在嘗試不同的生成人工智能工具，并希望在更小眾的垂直領域構建一些小應用。我對Perplexity印象深刻，它如此迅速地成為我日常工作流程的一部分。用戶體驗（UX）也非常棒，非常以用戶為中心，真是棒極了。

接著，我們來到另一個頻道：

Post a link to what you’ve learned with Perplexity recently

這里會有很多用戶分享自己在Perplexity搜索后的答案鏈接。

有產品經理來了解如何學習編程的~

有上傳圖片來識別截圖來自哪個電影的！

有用來協助進行科學研究的！

有用來快速總結TGA2023亮點的~

英國移民新政策的摘要

科幻作家用來搜索一些事實性內容

用來學習Python

看下來不少是用來做研究的，也有很多是希望用Perplexity來快速獲得答案。

從少量樣本的用戶反饋來看，發現有明確需求的用戶群體居多，不少用戶有技術背景，比較追求效率（快速獲得答案），對于專業性有一定要求，以及會認為Perplexity可以替代其他如ChatGPT或者Google等產品。

我們從Perplexity可選的Focus功能的分類也能看出一些端倪：Perplexity有部分用戶確實是專業人士，希望更高效率的獲得答案！

我們看了Perplexity，也可以看看一些競品，典型如國內的：

六、國內競品：天工AI搜索

天工AI搜索在主產品上基本像素級致敬了Perplexity。

有人設（對應Perplexity的Profile）：

有Copilot（類似Perplexity的Copilot）：

也有推薦（對標Perplexity的Discover）

答案詳情頁也基本Copy：

在產品上還疊加了一些其他入口，比如AI對話、AI創作，以及AI閱讀。

我們重點說一下AI閱讀這一個功能，因為這一功能可以幫我引導大家到我想聊的一些點上去，這個功能在移動App端展現的更加充分一些：

在App內需要復制鏈接地址，點擊立即閱讀后會生成文章摘要，可以基于文章向AI提問。

當然，目前的路徑脫離了微信生態，天工也嘗試引導用戶掃碼添加，但實際嘗試后發現添加的是客服消息，在微信生態內仍然無法實現轉發，只能復制鏈接：

這個功能，既然天工想要免費的策略來獲得用戶，那在AI閱讀以及微信端的布局就太淺了。

這里我建議有遠見的大模型公司，應該盡快抓住微信生態的知識信息管理機會，快速通過裂變獲得大量的用戶，以及構建他們在自身產品層面的資產~

目前知了閱讀就在朝這個目標努力：

他們還做了內容廣場，有些像一個優質內容分發：

類Perplexity產品完全可以作為摘要bot形態，作為企微賬號存在，允許被拉入各微信群，獲得大量的用戶互動行為，進而導流到自有H5頁面。

并且更進一步可以做內容訂閱，設定固定時間推送摘要內容，幫助用戶快速完成內容獲取。

除此之外，也可以增加分類熱點新聞榜，每個新聞點擊后快速提供摘要信息，滿足一部分用戶的信息獲取需求。

我們可以思考，Perplexity作為答案引擎，站在用戶的角度，他們在什么場景下對什么答案有需求，我們可以去上游截取，用好的解決方式滿足他們的需求，就可以獲得大量的用戶和數據，并爭取讓他們在產品上面留下資產，包括訂閱、筆記、收藏等等。

所以，做Perplexity競品單純從技術和產品層面上是簡單的，如何挖掘出發揮技術優勢同時也是用戶需求的好場景，才是我們在看競品時應該多去琢磨的：）

下面我們接著回來看Perplexity：

七、兩個方面理解它的下一步

Perplexity 目標是搜索引擎的下一代，答案引擎。從現有的路線來說，大體有兩條路線會走。

第一個是技術持續進化。

第二個是尋找用戶場景，將產品滲透到用戶的日常生活中，從 weekly app，進一步變成 daily App。

我們對這兩個點逐一展開：

1. 技術持續進化

從前面技術結構來看，目前Perplexity有兩塊是重點依賴于外部資源的，一個是LLM，一個是搜索引擎，這兩塊都會帶來較大的成本以及競爭風險。

LLM層面，Perplexity最近已經推出了自己的兩個全新Online LLM，包括之前已經發過的7b，和最新的70b

通過pplx-api，就可以訪問這兩個模型，價格嘛，自己看：

單純看token消耗的費用，70b-online的費用要低于GPT3.5 Turbo的價格，但還有個API請求每千次5美刀的費用。

70b-online的模型，基于開源模型Mistral-7b和Llama2-70b而來，是一個完全自有的模型。

以及這個API是一個陽謀，調用它的客戶多了，就能為Perplexity帶來海量的數據：

We collect the following types of information:

API Usage Data: We collect information about your use of our API, such as the number of requests, the content of the requests, and the timestamps of the requests.

User Account Information: When you create an account with us, we collect your name, email address, and other relevant contact information.

我們會搜集使用API的所有信息，包括請求的內容！

請求的內容里，有一點很有趣，Perplexity就可以通過客戶付費使用API，來獲得更多的索引信息，從而構建自己更強大的索引庫！

一旦有了強大的，經常更新的索引庫，Google、Bing的護城河就被破壞了，Perplexity也就不用再為索引庫的調用而付費了，整體的產品運轉成本就會大幅下降。

所以，在技術層面，Perplexity，自建online-LLM一舉兩得，不光可以大幅減少對OpenAI、Claude的模型調用，還可以減少對Google、Bing的API調用，變成借雞生蛋，靠著客戶的API調用，自建龐大的索引庫，以及填補成本。

包括，Online-LLM，對于答案的生成也可以不斷優化質量，

Our search index is large, updated on a regular cadence, and uses sophisticated ranking algorithms to ensure high quality, non-SEOed sites are prioritized.

Our models are regularly fine-tuned to continually improve performance.

不光自建了龐大的索引庫，并且根據自己的算法優化索引排序，還會定期對LLM進行微調來保證性能。

此時，Bing在今年5月份提高了搜索API的價格，甚至未來有可能對Perplexity關閉API調用，這些外部因素都不會再影響Perplexity，在此之前，Perplexity知道自己的七寸在對方手里，拼了命的迭代！

2. 尋找用戶場景

其次是用戶側，有三點：

1）沿著Discover，幫助用戶更好的發現信息

如何更好的發現信息，上一章節我們已經提到了一些可能性，包括了訂閱、熱門榜單等有助于更快將信息傳遞給用戶的合理手段。

2）沿著Library，構建AI版本的維基百科

這一塊未來有社區的可能性，前提是需要一定的運營能力，將PGC引入，甚至是學習維基百科的策略，用開放包容、知識共享、協作機制和社區文化等慢慢培育內容生態。

早期還是要建立一些高質量的內容聚合，并不斷更新和對外傳播，開始滾雪球。

3）沿著Copilot，更好的理解和直接處理信息

驗證答案引擎這一要點，可以進一步思考，用戶獲得了答案之后，是否有一條支線會導向后續的動作，比如機票查詢、電商物品搜索等等，Copilot當前只解決了從Query到答案之間的優化，下一步，可以往Agent發展，直接幫助用戶快捷完成行為動作，減少用戶的行為成本。

聊了很多產品層面的點，接著來聊聊它的商業模式：

八、商業模式

當前Perplexity主要依賴toC的訂閱+toB的API調用兩個。

10月份根據網絡報道，Perplexit的ARR是300萬美元，這對于一個初創公司來說并沒有參考意義，個人認為對于用戶新增和活躍來說，Perplexity更愿意放棄掉這筆ARR的部分來換?。?/p>

12月23日，Perplexity宣布提供Pro的2個月免費代碼，據我觀察，在此前Perplexity也搞過類似的促銷，其實還是希望更多人能夠更多去深度的使用，從而形成粘性，以及獲得口碑。

toB的API，我們也說了是一舉兩得的明智之舉。

更多的商業變現路徑，包括了基于用戶Profile更精準的廣告投放，以及Agent完成的付費行為可能帶來的傭金收入等。

但對于搜索這一馬太效應極其明顯的市場來說，獲得更大的市場份額才是Perplexity當下的重點，通過LLM構建的答案引擎，天然的背離了Google養成的極大的三方共贏生態，也需要時間來構建自己AI時代的商業閉環。

總之，AI-Native更加講究用戶數據的價值，基于數據飛輪、更深度的用戶使用情況、更個性化的深度服務，新的商業模式是完全有可能建立的，是階段問題，我理解目前節點，Perplexity也并不急于構建，更多會去探索合理的模式，尋找到持續的高粘性場景，突破外部限制條件（依賴搜索巨頭API）會更為重要！

那到底Perplexity有沒有機會取代Google呢？

九、Perplexity能否取代Google？

在起初，創始人Aravind也懷疑自己，在一個Google時代做搜索，似乎不是好時候，現在一個冉冉升起的新星似乎讓人們越來越清晰的看到了下一代Google的影子？

別著急，在文章一開頭，我們也提到它的流量持續在上漲，但根據similarweb的數據，Perplexity的流量分布占比最大的是印度尼西亞，并且美國的流量在往下掉：

是的，清醒一點！Perplexity離取代Google還非常遙遠，在新聞總結、內容摘要、知識相關的快速整合方面，Perplexity某些時候能做到十倍級的提高，但依然有很大的用戶群體是無法覆蓋的，這里有幾點因素：

1. 用戶使用習慣，品牌信任，和老牌Google來比，Perplexity還需要長期的市場營銷努力；
2. 大部分人只能輸入關鍵詞無法輸入長句子；
3. 流量入口把持，如Google每年花上百億美元購買蘋果Safari瀏覽器的默認搜索引擎，還有安卓生態等；
4. 技術成熟度，Perplexity還在持續進化，包括幻覺、答案生成質量還有待提高；
5. 商業化，Perplexity還是需要建立可持續的商業模式才能長期發展。

我們會看到一些更垂直的搜索場景，比如Devv.ai，在科研領域是完全可以替代掉Google的，甚至可以整合進LDE內，加速放大研發效率，這樣的細分市場反倒是無人質疑！

不過，也可能會有一些重大變量帶給Perplexity新機會，典型如新的交互形式，特別是硬件（新設備形態），大家都看過AI Pin，在這類硬件產品里，不宜做過多的交互，Perplexity直給答案的邏輯就更加適合，因為可以大量減少交互量。

另外就是將Copilot升級為Agent帶來的可能性，直接幫助用戶解決最終的需求，比如從搜索機票，到直接幫助購買機票，這也是Perplexity的機會。

以及，我們也不能忘了下面這張圖帶給我們的啟示：

更遠的未來，是大模型本身能力進一步提高，在語義理解和答案返回層面，能再一步提高，甚至說對于關鍵詞輸入也能給出10倍級的體驗優化，到時就是Perplexity的機會，基于搜索像燃油車，LLM像新能源車，這種顛覆機會仍然存在。

說句真心話，挑戰巨頭太難了，說Perplexity失敗是一個非常簡單的行為，也是用當下的視角理解產品技術演進的結果。但正如那句古老的智慧所言：“悲觀者永遠正確，樂觀者永遠前行。” Perplexity或許在某些方面尚未成熟，但它正以樂觀者的姿態不斷探索和進步，尋求在搜索領域的新突破。在這個快速變化的時代，只有那些敢于夢想并勇于實踐的創新者，才能抓住未來的機遇，引領行業的發展。

總結

Perplexity，在它身上我看到TPF和PMF結合的點：

TPF（技術產品匹配）在于：

RAG的引入解決了幻覺和實時性弱的bug 這樣就能發揮LLM的語言理解及推理能力了。

PMF（產品市場匹配）在于：

人們搜索背后是希望更快獲得想要的答案。

抽象一下Perplexity產品流程，我們可以找到更多的應用領域：

重要的是，從Perplexity身上找到更好的產品方法論，以及找到TPF和PMF的結合點，最后我們來個總結性的思考：

1. Perplexity的“成功”在于它對用戶需求的深刻理解和對技術趨勢的敏銳把握。
2. 它的商業模式和產品策略為我們提供了一個關于如何在AI時代創新的寶貴案例。
3. Perplexity的挑戰在于如何持續優化用戶體驗，同時建立起強大的品牌信任和市場地位。
4. 對于其他AI產品開發者來說，Perplexity的發展歷程是一個值得學習的藍本，它展示了如何在競爭激烈的市場中找到自己的定位，并不斷進化。
5. 中國市場也迫切需要這樣以答案為導向的新型搜索引擎，創業者可以抓住時機布局，同時結合中國國情和互聯網生態設計產品和商業模式。

仔細分析完后，我們不僅對Perplexity有了更深入的了解，也為AI產品的未來發展方向提供了新的視角。我相信，這篇文章的價值遠不止于此，它激發了我們對于AI技術如何更好地服務于人類社會的思考。

參考

AI+搜索｜關于搜索的想象，和目前估值最高的生成式搜索引擎 Perplexity

Perplexity AI，比Google Bard和Bing Chat更靠譜的問答引擎

中金：從Perplexity看AI+搜索的破局之道

AI 時代錯誤的商業模式 – “好10倍” 且 “更便宜” 嗎？

Introducing pplx-api

https://blog.perplexity.ai/blog/introducing-pplx-api

Creating the future of search and competing vs Google with Perplexity AI’s Aravind Srinivas | E1770

https://www.youtube.com/watch?v=7iU6K7NccXk

Gunning for Google with Perplexity CEO Aravind Srinivas https://www.youtube.com/watch?v=ix4_rdogcVI

Introducing PPLX Online LLMs https://blog.perplexity.ai/blog/introducing-pplx-online-llms

How Perplexity.ai Is Pioneering The Future Of Search https://www.forbes.com/sites/joannechen/2023/09/06/how-perplexityai-is-pioneering-the-future-of-search/?sh=7abebb01ad91