【智能前线】第5期：Perplexity特辑，AI时代搜索引擎，挑战谷歌

发布日期：2024-09-19 17:21

来源类型：全景网 | 作者：威廉姆·康拉德

【澳门金牛版正版资料大全免费】【新澳开奖记录今天结果】【2024年新澳门王中王资料】【管家婆最准一肖一码】【新澳彩开奖结果查询】【溪门精准一肖一码100】【4949澳门免费资料大全特色】【2024今晚澳门特马开什么号】【新澳门王中王资料】【2O24澳彩管家婆资料传真】

【494949澳门今晚开什么】 【2024新澳免费资料】 【澳门正版资料免费大全新闻最新大神】

本期智能前线，聚焦美国AI创业公司Perplexity，选择播客节目Unsupervised Learning、Stripe CTO David Singleton，分别与Perplexity创始人、CEO Aravind Srinivas访谈纪要，深入了解Perplexity产品、技术、发展历程、思维理念等。

Perplexity 2022年8月成立，专注AI+搜索领域，打造AI赋能的新型对话式搜索引擎，致力利用大模型重塑用户搜索体验，目标是挑战谷歌在搜索领域主导地位。

Perplexity用户规模增长迅速，在a16z发布的生成式AI应用月度访问量前50排行榜中，Perplexity排第7，是目前产品体验最好、知识获取最准确的AI问答引擎之一。

Perplexity创始人、CEO Aravind Srinivas表示，Perplexity 2023年实现月活用户突破1,000万、累计提供超过50亿查询，2024年目标是这2个数字都增长10倍。

2024年1月，Perplexity宣布完成总额7,360万美元B轮融资，是近年来互联网搜索初创公司最大一笔融资，Institutional Venture Partners领投，英伟达、亚马逊创始人贝佐斯跟投。加上前2轮融资，Perplexity累计融资突破1亿美元，估值5.2亿美元。

正文：

全文20,289字

预计阅读41分钟

Perplexity CEO：AI创业公司要先做产品，后做模型

时间：2024年2月1日

来源：海外独角兽

字数：10,246

本文是播客节目Unsupervised Learning对Perplexity CEO Aravind Srinivas的专访。

AI创业公司要先做产品，后做模型

Jacob Ephron：Perplexity产品很好上手、操作简单，容易让人们忽视背后的复杂性。为了提供这样用户体验，你们主要做了哪些工作？

Aravind Srinivas：我们主要专注五个关键维度：准确性、可靠性、响应速度、用户体验的愉悦度、不断更新优化。

这些优化，既服务所有用户，也针对个人用户进行个性化调整。要让产品在市场上处于领先地位，这五个方面都必须做到极致。

一般来说，100家创业公司中，可能只有一家能够在某一方面做到极致，也就是说，同时在这五个方面都做到极致的概率是百分之一的五次方。

这极具挑战性，我们必须以此为目标，这是创造下一个数十亿、甚至百亿级企业的必经之路。

用户搜索查询时，我们任务是深入理解，并优化用户问题。我们会筛选出最合适的网页，甚至针对性挑出具体段落来提供答案，还要考虑应该如何展示答案，是一个摘要或段落，还是一连串的关键结论，以及怎么给每个句子配上恰当引用，要如何尽量避免引用错误，确保答案中没有出现hallucination等问题。

有时光文字不够，需要添加图片或视频，视频的信息量非常大。无论什么形式，关键是确保答案准确无误，方便分享，这就是我们的创新。

很多用户查询后的答案，价值特别高，对其他人也很有参考价值，我们做了Permalink，后来Bing、ChatGPT、Bard也开始效仿我们。

用户提问后，我们还会推荐一些follow-upquestion，用户很可能并不知道怎么提出一个好问题，这是人类天生的局限性，每个人都有很强好奇心，能将好奇心转化为精确问题的人却很少。

大多数问题，都可以通过简单的互联网搜索得到答案，真正需要深思的问题不多，正因如此，我们推出Copilot。

我们意识到很关键的一点是，为什么要怪用户不能提出好问题？以前我妈妈会偶尔与我抱怨我们产品上问题，我就会想是她提问方式有问题，后来Larry Page改变我的看法。

Larry分享过一个故事，他们曾经差点把Google卖给Excite，当时他与Sergey一起给Excite CEO做演示，打开两个浏览器窗口，一个是Google，另一个是Excite，他在两个搜索引擎中输入同样文字，Google成功返回相关链接，Excite没有。

Excite人看了后，说是你的输入不准确。Larry回答是，我只是个用户，我没有犯错。这个故事，体现了人机交互的一个基本原则：用户永远不犯错。

Excite是1990年代中期最受欢迎的网站之一，主要提供网络搜索、新闻、电子邮件、即时通讯、天气等服务。Larry Page与Sergey Brin作为Google联合创始人，曾经尝试向Excite CEO出售Google。这件事是互联网早期历史上有趣的轶事，Excite最终没有收购Google，Google后来成为全球最大、最成功的搜索引擎之一。

Patrick Chase：你提到Perplexity专注的五大核心领域，从工程视角出发，要如何平衡在这些不同领域的资源配置？

Aravind Srinivas：我认为最成功的公司，都应该做好纵向整合。如果我们设计师、产品工程师、后端开发人员之间完全不沟通，做不出优秀的产品。

举个例子，如果设计做得好，我们可以通过用户互动获取更多数据，进一步提升产品质量。

我们方法是让不同部门之间保持沟通顺畅，比如定期组织全体会议交流，这些会议不一定要达成共识，大家立场不同，会议上讨论很激烈，这能让每个人都充分理解其他团队重要性。

产品的价值，与公司的价值，应该相辅相成，我们公司核心价值观是高质、准确、迅速，这三点精准代表我们产品的追求。

Jacob Ephron：Perplexity最开始是基于OpenAI模型来做，后来你们对一些规模更小、推理更快的模型上做Fine-tune，再到后来你们开始使用开源模型与自研模型。现在有很多创业团队，都在想自有模型这件事，你们是如何做出这些决策？

Aravind Srinivas：如果有机会重来，我还是会做同样选择。我认为一开始应该坚决用外部模型，如果你的目标是打造以产品为核心的公司，就不要在训练自有模型上浪费时间。

具备模型相关的能力也很重要。我们团队比较幸运的一点，是我与CTO都是AI researcher背景，我们在创业之前，已经在模型训练上花了5年左右时间，我们相当了解训模型需要哪些资源与条件。

如果创业者并不是AI researcher背景也没问题，总体上我们建议是，要专注产品，越早推出自己产品越好，然后做用户增长、做好留存，这是首先要解决的问题，也是很重要的一步，一旦做好这件事，接下来一半问题都会迎刃而解，如果把产品与用户增长做好，对于融资与招人也很有帮助。

创业过程中，比融资更难的是找到顶尖人才。市面上不缺资本，只是估值高低的问题。人才对未来的影响更为深远，找到顶尖的工程师比得到投资人支持要难得多。如果你的产品还没有一个用户，为什么拥有很强判断与决策能力的工程师要加入你？

现在市场上有能力训练大模型的头部AI researcher，甚至比GPU还要稀缺，也许我们还能找到方法与渠道获得H200，但要找知道如何训练GPT-4的AI专家，要比这件事更难。

即便我们有能力付出更高薪资，这些人也不一定放弃现有团队，选择加入我们。我们需要考虑的是，我们创业初衷是什么？我们目标是推出一款产品，并围绕这款产品建立自己商业模式，接下来就专注这个目标去做，这也是作为创始人的本职工作。

为什么我们发展到今天，决定训练自己模型，原因很简单：竞争对手也在做相似东西，我们产品还没明显差异化时，我们希望减少对外部依赖，自有模型能尽量降低成本。

训练自有模型不是团队盲目决策，我们一直等到Llama 2发布才决定做，就好像Bezos曾经说过的You need to position yourself and wait for the wave，开源会是这道浪，就像之前大家基于GPT-3.5做了很多创新一样，更大的浪潮即将到来。

Nvidia的TensorRT库将极大提高每个产品的推理速度，这也是一波新趋势，我们必须做好充足准备迎接。我的工作是与公司管理层充分交流，确保他们决策科学，并提供他们所需的信息与建议。

NVIDIA TensorRT是针对NVIDIA GPU设计的深度学习推理库，用于提高模型的推理速度与效率，能通过量化、层融合与专门的内核优化来减少能耗。

TensorRT支持主流深度学习框架，如TensorFlow与PyTorch，使得训练好的模型可以转换成TensorRT格式，并在NVIDIA GPU高效运行。

Jacob Ephron：你觉得未来开源模型的普及程度，会有多高？大多数APP都会建立在最先进的LLM上，还是大多数人会像你们一样进行转换？

Aravind Srinivas：我感觉是，今天用GPT-4能做到任何事情，将来都可以不用GPT-4做到，价格更便宜，延迟更低，一切都会更加优化。

我们现在所做的包括Copilot在内，没有GPT-4是不可能完成的，我们正在试图摆脱这种依赖，总会有下一个Perplexity Copilot出现，比如生成式用户界面、dynamic prompt engineering，这些以前都是不可想象的。未来也会有新的应用可能出现，能实现上传图像提问这种功能。

现在大家已经用AI工具来做作业了，只需使用CamScanner应用一样扫描作业，并上传到ChatGPT，就能得到答案，没有GPT-4也完全不可能。

当下一个模型出现时，AI也许能帮你完成任务，比如进行多推理链条、多模态推理，或者可以上传视频，要求它准确从中获取某些信息，这些在我看来，都是只有下一代模型才能做到的事情。

AI套壳产品的护城河是什么

Patrick Chase：你如何看AI套壳产品的护城河？

Aravind Srinivas：我观点是，只有当你真正有了值得维护的东西时，护城河才有意义。人们可以将Perplexity看做是AI套壳，但成为拥有10万用户的套壳产品，显然比拥有自有模型，却没有用户更有意义。

市场上有很多人都开发自己模型，实际应用中几乎所有人都部署Llama 2或Mistral这些主流开源模型，在闭源与开源领域都有Power Law：OpenAI与Anthropic是闭源模型头部，开源是Llama 2与Mistral。我们有4个OpenAI模型+3个Anthropic模型，对我来说，管理这几家公司的模型已经压力很大，是极限了。

Patrick Chase：未来你们会完全转向开源，还是继续维持多种模型并用的状态？

Aravind Srinivas：模型的发展是动态变化，我们要对各种模型保持开放心态，但要快速、积极对模型领域的变化做出相应选择。如果我们有人做出更高质量模型，我们仍旧愿意使用这个模型，用户只在意自己搜索体验，而不是我们用了哪个模型、我们的商业模式是什么、我们怎么盈利。

这一点也是来自Bezos的启发，他在之前一次访谈中被不断问到，为什么有iPad的情况下，还有继续在Kindel上做投入？为什么要在烧钱更多的1~2日送达服务上投入，尤其是Amazon还没盈利的情况下？Bezos当时的回答很简单，客户并不会在意这些。

Jacob Ephron：Perplexity正尝试探索深度知识服务场景，随着LLM与Perplexity发展，你认为Quora与Wikipedia这类产品的未来会是什么样？在你看来，Perplexity重点是知识服务还是搜索？

Aravind Srinivas：我觉得Quora与Wikipedia，都是为了最大化利用互联网上知识，我们不仅想要最大化IQ，还要最大化IQ的传播速度。他们致力增加知识的量，我们致力增加知识量随时间的变化速度，让这个过程加速。

人们在Wikipedia上看到的内容是很不个性化的，比如我查看黑洞的Wiki页面时，是想详细了解黑洞是什么，但在看某个名人的主页时，只是想简单看下，而另外一个人与我的需求大概率又是不同的，目前还没有什么产品可以实现高效、个性化的知识获取需求。

在Quora上，人们需要花一定时间等待别人来回答自己提问，不仅很慢，也无法最大化加速知识的获取，Perplexity就是想要解决这样的问题。

Perplexity初衷，是满足人们无穷的好奇心，现在是从小的细分市场出发，未来还要不断拓宽自己版图。我一度很迷茫，是不是应该专注做垂直搜索引擎，而不是继续扩展业务，直到Marc Andresson给我建议，无论如何都不要单纯做搜索。

虽然所有VC都会让你做垂类搜索引擎，事实上大多数都很难成功。20世纪90年代末与21世纪有过类似的时期，所有人都在说要做垂直领域的Google，结果大多数公司都失败了，反而是在垂直领域建立端到端用户体验的公司成功了，比如booking.com，不仅能搜索酒店，还能直接完成预订。

如果要获得更长远的发展，只做搜索是不够的，还需要向前一步，成为这个领域中服务更加全面的公司，比如Airbnb已经不只是住宿预定平台，而是提供综合旅行服务的公司。只要做得足够深，我们竞争优势就不只是在技术、用户积累这样的单点上。

问答引擎与Agent是AI时代的搜索

Patrick Chase：你怎么看过去10多年来，很多人想挑战Google，但几乎没有人能做到这件事？未来Google的地位会发生什么样的变化？

Aravind Srinivas：必须承认，我们的成功很大程度上得益于时机的选择。包括Neeva在内很多由前Google员工创立的公司，总是想照搬Google运营模式，比如做个高效爬虫系统或者相似GTM策略，这是绝对错误的。

Google已经在这个领域做了20年，他们更好、更快，创业公司根本无法竞争。

Neeva是Google前高级工程副总裁Sridhar Ramaswamy与合伙人Vivek Raghunathan创立的一家搜索引擎公司，2023年被Snowflake收购。

还有人以无广告、重视隐私保护为卖点，这些现在看来都已经是过去式。DuckDuckGo、Brave已经占领重视隐私的搜索市场，Go-to-Market也非常成功，这两家公司最正确的决策，就是特别专注做市场与品牌建设，而非单纯研发技术。这再次说明，必须尽快打入市场，理解用户为何选择你。

策略与巧妙的市场定位，非常重要。对这两家公司来说，隐私保护与加密货币是他们的卖点。其他试图挑战Google的公司，都更多关注技术，这是不够的，特别是当你技术与Google完全相同时。

而且反Google的营销手段，比如强调隐私保护，也已经有人做过。并不是每个人都关心隐私，但至少在意的人，已经投向其他两个项目，这就是为什么此前的尝试，都未能成功。

对我们来说，AI技术的飞跃是一个转折点。OpenAI模型效果相当惊艳，每个人都能通过API调用模型能力，在大模型领域，Google失去自己领先地位，2年前没有人能想象这件事，Perplexity也利用到这个难得的机遇。

Patrick Chase：你认为搜索在接下来10年会变成什么样？

Aravind Srinivas：搜索未来10年会变成问答引擎，或者说帮你完成各项任务的Agent，就像你平时跟朋友聊天那样自然。比如你会问朋友你听说过那个事吗，快给我说说，这时Agent的回答要足够简单明了。这也是我们至今还没有推广语音交互的原因，回答真的太啰嗦了，我们看答案总是比听答案要快。

Jacob Ephron：除了做To C应用外，未来你对产品其他方面有什么设想？Perplexity长期规划是什么样？

Aravind Srinivas：很多用户没有使用Perplexity，是担心我们只是个套壳应用，没有自己infra，最终可能会在烧完钱之后退出市场，我们想要先解决这部分担心。

我们正努力做到独立提供全方位服务。

首先至少要有能与GPT-3.5 turbo性能匹敌的模型来处理用户需求，确保上线时，用户感受不到产品表现有任何不同。就像Paul Graham说的，唯一能存活下来的AI公司，是那些即便推出自有模型，用户也察觉不到区别的公司，即便有所察觉，也必定是体验上的提升。

Perplexity能够给出简单明了答案，但与GPT-4相比，还是差很多，GPT-4真的太强，即使是Google这种资金比我们多上千倍的公司，也做不出GPT-4级别的模型，我们现在更多希望其他公司能够推出比如Llama 3或Mistral 2这样强大的基础大模型，在这些模型基础上，我们可以利用自身数据优势，实现更接近GPT-4的水平，这是我们主要目标方向。

性能提升，也将是我们一大亮点。我们最擅长的是处理、分析、重组用户查询的问题，就像在Copilot中的交互一样，不断提高总结、答案与搜索索引的质量。

过去1年中，我们积累了大量流量与专业知识，我有自信这点目前只有我们能做到。

我们还需要提供自己模型，即便是用外部GPU来做fine-tune与部署，比如Fireworks、Anyscale、Replicate或者Hugging Face，最终还是要支付给第三方服务，利润率还是不够高，这样就又回到套壳的角色。

Jacob Ephron：Perplexity在利用RAG技术解决hallucination问题这方面做得很好，你之前也提过会把这套技术方案开放出去，具体要怎么实施？你如何看企业搜索领域的挑战？

Aravind Srinivas：这个问题很重要。很多人误以为，既然我们在网页搜索中用RAG效果这么好，做公司内部的搜索系统也不在话下，实际上两者截然不同。

Google Drive搜索差是有原因的，它与谷歌搜索的索引机制完全不一样，需要训练的Embedding模型也大不相同。不仅仅是Embedding模型，甚至连网页的剪辑方式、文本检索技术，以及基于传统TF-IDF的弹性索引，这些倒排索引的构建方式都不同。

这就需要有公司花时间做这一特定场景的产品，就像我们专注网页搜索场景一样。实现RAG任务还是很艰巨的，除了GenAI，还需要大量其他方面的工作，不仅仅是训练一个大型Embedding模型那么简单。

TF-IDF-based指的是基于词频-逆文档频率Term Frequency-Inverse Document Frequency，简称TF-IDF方法或系统，这一方法使用词频TF与逆文档频率IDF的计算方法来评估词语在文档集中的重要性。这种方法常用于搜索引擎与文本分析中，以帮助确定词语对于文档的相关性。简而言之，TF-IDF帮助区分词语对于文档的贡献，给出权重高的词更多关注。

OpenAI发布embedding API时，Sam Altman经常说下个万亿美元公司可能会通过接入这个API诞生，但这只是个很好的营销手段，我每次听到别人说已经解决RAG问题时，也会很谨慎，他们可能只是某个特定use case上做得很好，不意味着可以轻易推广到其他所有场景。

在处理结果排序时，还有许多其他因素共同决定答案质量。即使是LLM最终决定使用哪些链接来构成答案，不意味着你可以随意向模型提供低质量输入，然后期待它能变魔法似从中提炼出最相关的链接，还标好了所有的引用。

你向这些能处理大量上下文信息的模型提供的信息越多，出现hallucination的可能性就越大。必须在retrieval component上做更多工作，不仅是嵌入模型的训练，还包括索引与排序机制。排序机制也应该考虑到除了向量点积以外的多种信号，这些信号的具体内容极大依赖具体的use case。

Perplexity的用户增长策略

Jacob Ephron：从Twitter上讨论看，很多人都很喜欢你们产品，也有很深入了解，接下来你们要如何实现下一个百万用户增长？

Aravind Srinivas：对我们来说，目前关键问题是找到用户增长点与满足现有核心用户之间的平衡。

Perplexity目前确实有一群忠实用户，他们在Twitter等社交平台上对我们给出很高评价，他们对产品理解也很深刻。

为了实现下一个百万用户增长目标，我们会持续关注产品是不是好用，确保新用户能够直观理解与使用产品。我们也在探索将新用户转化为长期用户的重要因素，比如优化用户体验与提供用户引导等。

对于团队来说，最大挑战在于找到产品改进方向，或者说该不该对用户提出的各种需求都要做出响应。重视用户需求，并实现这些需求，在我们找PMF时候是很有效的策略，但一旦我们用户到了数百万量级，一定会出现一批有强烈需求的权力用户，对于这些用户，如果团队不能满足他们需求，上线他们想要的功能，他们可能就不再使用Perplexity，甚至会在公开场合抨击我们不重视用户需求，对产品带来负面影响。

另一方面，我们对产品发展是有很清晰规划，我们很重视用户需求的同时，最终还是会围绕具体的理念与目标来规划产品。

我们一直在努力寻找一个能让广大用户满意的平衡点。寻找用户需求、平衡用户需求，是不断变化的过程，但有一条我们非常明确：产品对新用户越不直观友好，比如首次访问landing page时看到很多弹窗，我们吸引新用户的能力就越弱。

我们时常会面临这样困境，现在我们产品免费，无需登录就能使用，我们还是希望用户能注册，更好去用其他功能。如果首页上跳出各种注册选项，用户可能一烦就关掉。

但现在连Google也在用这种策略，在搜索结果页面，不断提醒用户保持登录状态，这种权衡是我们面临的一大挑战。

Patrick Chase：与大多数平台一次性输入prompt不同，Copilot是通过连续对话，来逐步构建搜索prompt，协助用户定制搜索需求，未来你觉得哪种模式会更受欢迎？

Aravind Srinivas：我们并不想让用户频繁打字，这样交互体验会很差。大家提问题是想获得答案，不是不停回答AI的追问。当然这种互动，对产品优化有益，但用户会不耐烦，他们会觉得你直接给答案就行，为什么老是回来问我新问题。

未来我觉得只有通过不断的迭代，才能发现最合适的解决方案。我们想达到的理想状态是，AI能通过了解用户喜好，准确辨认何时需要进一步追问，何时直接给出答案。

我也不喜欢设置太多选项，Copilot应该只是Perplexity一个额外功能，不需要用户特意选择。我们试过把Copilot模式，设为可勾选的开关，系统会保留这个选择，下次你再用就还是这个模式，但部分用户反馈很不喜欢。

这两种截然不同的偏好，完全取决于用户使用时意图。有些用户用Perplexity，是我们回答速度快，Copilot降低这个返回速度。另一部分人，更喜欢Copilot，他们更想要经过充分研究、几乎没有hallucination的答案，为此他们愿意等待。

也就是说，我们面对的是两种截然不同的用户，这就又回到一个问题，我们应该为谁做优化服务。

Jacob Ephron：Perplexity里我最喜欢的功能是Discover，你们在这个功能上有哪些收获？

Aravind Srinivas：Discover中展示的内容，是我们专门的编辑人员筛选出来的，我也会参与这项工作，这个过程中，我学到Moms test概念，软件行业用这项测试来检验一个产品是否足够简单，连普通新用户都能轻松理解。

我深入了解Facebook早期两个增长策略：首先是不断改进产品，让现有用户不断推荐给更多朋友使用，其次是让产品能让从未接触过的用户也能轻松上手，这是产品持续增长的唯一途径。

Facebook最终选择针对新访客进行优化，并找到一个关键指标，来将他们转换为常规用户。

用户在Facebook上的现实生活好友数量，后来证明这是判断一个人是否会成为忠实用户的最佳指标。回头看，之前并没有明确的方法论，Facebook做这个决策，还挺难的。总结来说，与其增加现有用户所需种种功能，不如始终确保能够吸引新用户。

Patrick Chase：你们之前做过不少东西，比如Text-to-SQL生成器，还有支持搜索Twitter内容的Bird SQL，最终是如何决定做搜索，并确定Perplexity这个概念？

Aravind Srinivas：如果1年前，我们说要挑战Google，没有人愿意投资我们，投资人更喜欢安全边际更高的项目，听起来很完美，甚至没有PMF也能获得投资，这类项目即便不能最大化回报，至少可以最小化风险。

我最初向领投人Elad Gil提出的想法是，既然想挑战Google，不如设计一款智能眼镜，能用内置麦克风听取我们问题，并通过AirPods回答。这个设想虽然好，现实中还很难实现。

Elad Gil建议是，如果真心想做搜索，不妨专注更细分市场，例如数据库搜索，这块市场目前没人做，一旦成功，B端市场潜力很大，许多企业都需要在自己数据库、电子表格、Salesforce、Hubspot等内部系统中进行搜索。

我们做了靠谱的产品，找了几家公司谈。他们反馈是这个产品很酷，但用处不大，Hubspot就能看到所有数据，只需要一次性输入完，就会定期更新。

我又问了我们投资顾问兼DataBricks首席架构师Reynolds Shin，他的看法差不多，80%赚钱的SQL代码，都不是新写出来的，而是旧代码反复定期跑。

Snowflake与Databricks能发展到今天规模，并非依靠每天写新的SQL查询，而是他们用户依赖这些SQL作业来执行日常运营，比如自动化数据提取、转换与加载ETL，这些作业设定一次，就能够定期自动运行。

至于新写出来的查询代码，至少80%查询都并不需要用SQL。现在像Power BI、Tableau、Metabase这种数据分析与可视化工具越来越普及，很多数据相关的任务，都不再需要用传统SQL编写，特别是数据查询与报表生成。这些工具，提供了GUI与拖放功能，用户能直观编辑数据、查询与图表，无需编写任何SQL代码。

我后来看了大量Tableau与Power BI教程视频，亲自上手用了这些软件，发现微软与Salesforce开发的这些工具，使用起来简直太简单了。

我开始思考，用户为什么还要放弃这些工具？如果用户真的想要一个聊天界面，他们希望的应该是能嵌入到这些现有工具中。

在我们各种早期尝试中，有一个做的很对的是爬取Twitter所有数据。当时我在想，如果能在Twitter数据上，做图谱搜索，并且找到一种方式连接起来，结果应该会特别惊人。

举个例子，如果Jacob不关注我，我想给他发私信，Twitter规则是不允许给不关注你的人发送私信，我就需要找到一个双方都关注的人，让他帮我传话给Jacob。

再比如我想知道Paul Graham赞过哪些提到AI的推文，来了解哪些是高质量的AI相关推文，也可以通过这个产品搜索到。

投资人非常喜欢这个功能，大家一致认为用户很喜欢搜索与自己相关的信息。Instagram联合创始人Mike Kriger告诉我，人们通常最先搜索的就是自己的用户名。这反映了一个很有趣的现象，尽管在Instagram上，用户可以直接点击搜索栏的个人资料图标来查看个人主页，大家依旧习惯性搜索自己用户名，这是一种人的本能。

正因如此，我们不仅开发了这个功能，还做了类似SQL编辑器这样的企业级工具，以及一个能够生成带链接摘要的搜索服务产品。

之所以做后来这个产品，是我们相信如果LLM正变革搜索领域，它肯定不应该只局限于结构化数据，非结构化数据同样重要，这两类数据企业都需要处理。

因此，不管是面向普通消费者，还是企业用户，二者缺一不可。

到这个时候，我们已经有三个产品选择。

我们首先推出基于摘要的搜索功能summarization-based search，我们在Discord上与朋友们测试时，大家都觉得这比Google好用。

但我们开始开发这个工具，完全是为了自用，起初只是内部一个Slackbot，帮我与我们联合创始人解答一些技术问题，甚至在我刚开始给员工办理医保时，我对免赔额、共付费这些专业术语一头雾水，我在Google上搜只会看到一堆保险广告。

这个工具，当时在我与朋友间起到很大作用。比如2023年马斯克接手Twitter，或者扎克伯格因Facebook股价暴跌损失数十亿时，大家都想迅速了解事态发展，找不到任何途径。

我们的信息汇总工具，可以帮大家迅速总结，引用格式也很受欢迎。那时大家用的还是Slack与Discord上的bot，甚至还不是那种Web界面，也没有很好的网页设计。

后来我们找到设计师，产品一上线，第一天就有数千次查询，这让我确信我们方向是对的，我们要做搜索，面向消费者，这是切实的需求。

当你的工作能带来巨大的成就感，吸引人才加入你团队就变得容易多了。

我们在接下来一周，还推出了Twitter搜索功能，当时想的是像Google图片搜索那样，单独设置一个标签页会怎样？事实证明我们想对了。

Twitter搜索功能非常难用，我们工具让大家终于能对twitter内容做搜索。至于为什么Twitter自己没弄出这样东西，这一切都发生在Twitter内部剧变时期，可以说正是时候。

我们产品突然火起来的过程大概是这样，开始Kimbal Musk对我们项目很感兴趣，关注了我们的推特，后来Jack Dorsey转发我们推文，称赞Perplexity产品，网站访问量一下激增到服务器直接崩溃。

有大批人来搜索他们用户名，但数据库里并没有包含所有Twitter用户名，于是我们就拉取他们最近推文，提供精练的个人概要。如果这些用户在不同社交平台上使用相同的用户名，我们还会拉取并汇总他们在各个网站上的社交媒体活动，提供全面的总结。

很多人对此很不安，他们会觉得AI怎么会这么了解我？然后就会截屏发推，其他人就会在底下问这是什么产品，自己也想搜搜看。

于是就像ChatGPT刚推出时，人们纷纷传播ChatGPT截图一样，我们也经历了这种病毒式传播。

接下来我们做的就是让产品支持完整的端到端对话。首先，我们需要明确对话式产品的真正含义，一些产品可能只是简单在聊天界面加入搜索，但往往会出现hallucination，没有可靠的信息来源，整体的设计也很糟糕。我们当时考虑的是，一个以搜索为功能的聊天界面，究竟应该是什么样，以及为什么它需要是一个聊天界面。

Patrick Chase：Perplexity里有什么你本来以为会做成，最终效果并不好的东西吗？

Aravind Srinivas：收藏功能collection，没我们预期中受欢迎，现在也有很多用户在用，每天也有上千万回答被收藏，但在我们看来，它还没有成为下一代研究人员的协作工具。我们还需要让添加收藏与在收藏夹里移动thread用户每次搜索的对话，被视作一个thread的动作更加自动化。

Jacob Ephron：你认为现在AI领域，有哪些东西被过度炒作，又有哪些是行业做的还不够的？

Aravind Srinivas：过度炒作，确实是整体趋势，尤其是在垂直领域里，我到现在还没看到哪个AI-native产品真正颠覆某个行业，同时大多数公司对用户体验优化的关注度都还不够。

Jacob Ephron：就GenAI领域最受关注、最前沿的产品方向来看，你个人如果有机会加入其他某个公司，你的选择会是什么？

Aravind Srinivas：我很喜欢Eleven Labs与Pika做的东西。我个人投资他们不是为了投资收益，而是它们做的东西很酷，我个人非常喜欢AI生成的电影。

我觉得最兴奋的是，未来的技术会让AI拥有非常仿真的语音。这项技术，我个人特别希望能多记录父母的声音，比如与他们一起做播客，记录他们几小时的生活谈话，这样未来即使他们不在，无论何时，我只要想的话，都能听到他们声音。我甚至可以自己打出一条祝贺信息，让AI用妈妈声音来朗读，这是我们都渴望去实现的事情。

电影能够激发灵感，唤起深层情感，让人们被怀旧情绪与电影中情感所打动。直到现在，制作一部电影的资金与技术要求还是非常高。如果GenAI工具能大幅降低创作的边际成本，我相信将开启美好的未来。这个未来中，我们可以创造出许多精彩的图像与视频，更生动阐释各种概念。

Patrick Chase：你怎么看前段时间OpenAI内部变动？这件事会对行业生态产生哪些长期影响？

Aravind Srinivas：很难回答。OpenAI内部可能存在两派观点，一派更加激进，另一派相对谨慎。

我们可以肯定的是，OpenAI DevDay时候，很多人认为的不要做套壳，而是自己开发定制GPT，在GPT Store里发展的观点，可能不复存在了。

GPU资源是有限的，要同时做出APP Store、一流的产品、高水平的Infra，是很困难的事情，我认为未来他们可能会更集中关注某几个特定领域。OpenAI仍旧是全球最顶尖的研究机构，未来会有很多人不会再因为OpenAI做了某件事而望而却步。

2024年目标1亿活跃用户，Perplexity联手Arc浏览器，对抗Google背后的逻辑

时间：2024年3月25日

来源：有新Newin

字数：10,043

Perpleixity创始人、CEO Aravind Srinivas对话Stripe CTO David Singleton，讨论Perplexity如何构建全新AI驱动的传统搜索引擎替代方案、迄今为止的发展历程、背后技术等。

Aravind核心观点：

早期商业模式重要性：Aravind强调早期实现盈利的重要性，认为有助于构建更可持续、长期的业务，并为公司带来更多筹码与杠杆。

产品方向思考：Aravind讨论如何在创业初期确定产品方向，强调对产品市场契合度的认识与追求，指出不断调整与优化产品路线图的重要性。

广告模式的演进：Aravind对广告模式进行思考，强调广告相关性于用户体验重要性。Aravind认为未来的广告模式，可能会更加融入用户体验，以提高广告相关性与吸引力。

数据收集与处理的挑战：Aravind谈到在数据收集方面可能面临挑战，尤其是在争取对特定网站的访问权限方面；也提到数据收集中可能出现的偏见问题，以及如何应对这些问题。

内容生成的思考：Aravind对内容生成的影响，提出一些见解，特别是针对搜索引擎优化对内容质量的影响；通过为用户提供高质量的内容，大型语言模型LLMs可能会对内容的生成，产生积极影响。

对谈全部内容：

David Singleton：为什么要创办Perplexity？它是一款AI搜索引擎。市面上有很多搜索引擎。公司今天的情况如何？

Aravind Srinivas：我们大约1年半前开始Perplexity，绝对不是为了建立新的搜索替代品。我们非常努力，我希望我看错了，事实并非如此。我们开始非常专注解决一个特定的问题，构建出色的自然语言到SQL搜索。

我们受到搜索引擎与Google故事启发，我们从学术界转变为企业家。那是我们能够借鉴的唯一例子，这影响了我们如何解决SQL问题。我们没有像编码助手一样构建SQL问题的解决方案，而是作为搜索数据库的一种工具。我们构建的其中一个工具，一个原型，实际上与Stripe相关。

我们看了一下，人们如何使用Stripe Sigma对他们Stripe数据进行分析？我们构建了个自然语言到Stripe Sigma2，它是Presto某个版本，并不是每个人都知道如何编写它。

我们投资者Nat Fridman，实际上正在使用它来进行一些分析，比如Stripe数据，所有这些对我们来说都非常激动人心，我们从来没有从真实使用中找到任何大的多巴胺或者吸引力，那只是每周几百个查询。

如果我们只是普通的初创公司，没有人会将他们数据给我们。没有人知道我们是谁，我们只能爬取外部数据，并以规模构建酷炫的演示，也许他们看到会给我们一些数据。

我们通过爬取整个Twitter做到这一点，构建了birth sequel。我们称之为垂直，我们不被允许使用Twitter的名字，因为商标。但它实际上只是从Twitter中爬取所有内容，将其组织成一堆表，并为其提供搜索功能，这工作得很好。

这就是我们得到所有最初投资者的方式，这在某种程度上受到Stripe启发，比如Patricl与John如何筹集资金，他们向人们展示演示，得到一些很酷的天使，比如Twitter或马斯克。

如果你看Stripe天使投资者名单，真的很了不起，这就是我们得到一些很酷的投资者的方式，包括Jeff Dean，他试用Twitter搜索演示，并说我从未使用过这样的东西，我真的很喜欢。

他那时还没有看到任何类似我们今天所做的事情，这就是为什么现在我们不公开说他是投资者，有利益冲突。

随着我们进展，我们不断意识到我们所做的所有工作，例如获取外部数据、处理它、将其放入结构化表格，然后让元素进行搜索，可以改为在预处理方面做很少的离线工作，并在推断时让LLM做更多后处理工作，LLM变得越来越聪明。

我们可以看到，我们从很旧的GPT-3模型与Codex开始。随着GPT-3.5推出，比如DaVinci 2或DaVinci 3以及Turbo，我们可以看到它们变得更便宜、更快、更好。

因此，我们改变策略，试着只获取链接，尝试从这些链接获取原始数据，并在推断时在线进行更多工作。

这给了我们一种新优势，Google没有为此构建。Google是为了在预处理步骤中，做所有的工作，这是他们的拿手好戏。在这一点上，没有人能够击败他们。

首次你不需要做所有这些，你确实需要做一些以提高效率与速度，但不像过去20年里他们所做的那样多。

我们推出了通用搜索，它只是获取链接，并以引文形式进行摘要。我们在免责声明中提出一个声明，这是一个很酷的演示，通过GPT-3.5与Bing进行串联，我们希望与更大公司合作。

请通过这封电子邮件与我们联系，我们仍然试图开展企业业务。我们确实收到来自惠普与戴尔电子邮件，询问如果我们使用类似东西会什样？最终发生的，是我们的使用量持续增长。这不仅是最初的激增，我们再进一步，让它变得更加适合对话，你就可以根据过去查询与过去链接提出后续问题，它会保留上下文，这是迄今为止没有人展示过的体验，包括ChatGPT在当时与网页浏览或类似事物无关。

我们的使用量每周都在增长，没有任何营销，纯粹靠口口相传。这相当令人兴奋，我们公司没有人想为另一个人的内部搜索或企业搜索工作，每个人都想做一些困难或令人兴奋的事情。

我就说，看起来这个东西正在起作用，它可能永远不会真正起作用。Google可能会打败我们，微软可能会打败我们，我们还是应该尝试一下，看会怎样，这就是Perplexity今天的运作方式。

David Singleton：你们PMF契合度很高，产品通过口碑传播得很广泛。我经常使用Perplexity，你们构建的体验中，非常惊人的一点是速度很快，你们如何做到？如何使这样的体验，变得如此迅捷？

Aravind Srinivas：这就是为什么，我们是一个WrAPPer的观点，不适用的原因。如果你只是一个WrAPPer，你不可能如此迅速。

当我们推出时，我们是一个WrAPPer，非常慢。那时以来，我们已经花了很多时间建立我们自己索引，为我们自己提供模型服务。

第三部分实际上比前两部分更重要，它只是将这两件事协调在一起，确保搜索调用与LLM调用尽可能并行进行，以及将网页部分划分成片段，非常快速检索它们，还要进行大量异步调用，并努力确保尾部延迟最小化，这些都是从Google学到的概念，并不需要创新与建设。

Jeff Dean与其他人有一篇关于字节分析的论文，解释了为什么它们如此重要，我们有一个优势，建立在这些概念之上，我们不断对两种类型的延迟改进，实际延迟改进与感知延迟同样重要。

你可以通过用户体验中的创新来做到这一点。例如，OpenAI应该得到赞赏。在所有聊天机器人中，你看到的是流式答案，Bard一开始并没有做到这一点。

Bard有一个等待时间，你只能得到完整的答案。当答案开始流动时，你已经感觉到了回应。你正在阅读它，并且这是一个技巧，这是一个关于让你感觉到你得到一个快速回应的秘诀。你可以在用户界面上，做很多微妙事情，让它感觉很快，我们希望两者都做得很好。

David Singleton：你提到学习一些行业人士的经验，比如在Google工作过一段时间，我想你也在Google工作过。我认为你团队其他成员，也在一些其他大型老牌公司工作过。在像Google这样地方工作的经验，对Perplexity有何意义？

Aravind Srinivas：我认为工程文化，像尊重与追求工程卓越，是Google为硅谷创造的一种文化。这种文化在一些公司，如Meta、OpenAI，我相信Stripe也都采纳了，这是我们也试图做的事情，重视工程卓越，重视诸如延迟之类的事情。

这些在其他大多数公司中，可能不会成为有趣的晚餐谈资，它们应该成为你公司的一部分，即使全体大会上的人不理解，我仍然会详细解释某人是如何做出改变的，这降低了我们尾部延迟，即使有人不关心尾部延迟，我也会认为它很重要。这是你要重视它，你的行动要重视它，要试图招聘重视这一点的人，试图奖励做出非常好贡献的人。

David Singleton：告诉我们更多关于你们内部运作的情况。你们现在有多少人？你们如何招聘？你们如何进行新员工入职，以便能够为这个使命做出贡献？

Aravind Srinivas：我们现在大约45个人。我实际上对最初的几个招聘非常尊重，我认为帕特里克在一次采访中给出的一条智慧，前10个招聘决定接下来100个招聘，你必须非常小心。

我们从未在面试中招聘过头10人，甚至前20人，我会说所有这些人，都经历了试用过程，这就是为什么他们会得到一个任务，他们会工作3～4天，我们会为此支付报酬，除非他们有移民问题，我们无法支付他们，我们会在他们初始薪资中进行调整。

我们这样做的原因有两个：一是我们不知道如何面试，就像没有人知道如何面试一个初创公司的创始人时，你不能采取大公司的面试流程，这会拖慢你的速度，它也不会给你带来合适的人选。唯一的办法就是，就像GPT风险一样，你实际上没有智能的秘籍。

训练系统变得聪明的唯一方法，是使它模仿人类智能。获得优秀人才的唯一方法，是看如果你给他们一个任务，在工作周内，你本来会给他们的任务，他们是否能够做得很好，你是否感到印象深刻，你是否从中学到东西？这对我们来说，效果非常好。

从整个过程中，我学到重要信号是，最终接受我们录取，并且表现出色的人，你只需几个小时，甚至一天就知道他们是多么出色，那些你几天都不确定的人，要么你没有向他们提供录取机会，要么你向他们提供了录取机会，最终并没有成功，这是一个很好的信号，它非常耗时。

对像Stripe这样公司，甚至对于我们进一步扩张来说，这是不可扩展的。但这是我们做对的事情之一，真正优秀的人经历了试用过程，这对候选人也是一个信号。与这组人一起工作，是什么样？为什么？这可能比你提供演示文稿与愿景，以及将如何成为下一个大事件，更能说服他们加入，所有这些都是空洞的话。

他们实际上是为了乐趣而加入，与其他同事一起工作。与他们一起编码是什么感觉？它还告诉了你，他们如何在一个房间中工作，如何在Slack频道中沟通？你会得到比仅进行LeetCode面试更多的信号。

David Singleton：在Perplexity工作一周体验如何？你描述了相对有机的过程，找出了PMF。今天，你们是否有非常清晰的路线图，每个人都在朝着方向努力建设，还是每个小组内都在进行大量实验？

Aravind Srinivas：随着时间推移，我们自然减少实验，对于构建有凝聚力的组织来说，你必须这样做，我会说我们目前更倾向利用，而不是实验。

我们有非常清晰的路线图，我们试图向人们提供非常精确的路线图。我们将其组织成小型项目形式，这些项目具有在发货日期方面的时间表，每个项目分配一个全栈工程师与一个前端工程师。

我们没有那么多人。当我说一个的时候，意思是同一个人可能会在多个项目上工作。

星期一，我们告诉什么对于当周来说是重要的。

星期三，我们为小团队做站立会议，比如产品、AI、搜索、移动与分发或用户反馈、用户反馈。

星期五，我们全体开会，我们回顾当周取得的任何成功，与下周的重点。

我们将其分为每周的这些会话，它们在这些会话之间轮换，这是我们运营公司的方式。

受到Stripe启发，我们开始有时在星期五全体会议上，邀请一些我们专业用户来听他们意见，这是我在Twitter上看到有人说Stripe邀请他们客户后，采纳的一件事。

David Singleton：直接听取用户意见是非常有价值的，尤其是所有毫不掩饰的反馈。深入探讨一下这个话题，你们从用户那里获得一些最有趣的用户见解，不管是专业用户，还是不使用Perplexity的用户，这些见解如何影响你们下一步做法？

Aravind Srinivas：我们推出的集合的功能，并不是很受欢迎，不是最受欢迎的功能。人们只是想要能够将线程组织到文件夹中，并返回到它们并创建新的线程，并对其进行范围定义，这是通过与专业用户的交互过程中，得出的功能。

他们说，我在这里做了很多工作，我不知道如何组织所有这些。这是一个与改进搜索质量或类似功能无关的功能，事实证明它很有用。

David Singleton：与此相关，你们刚与Arc浏览器合作，使Perplexity成为默认搜索引擎，并从中获得很多价值。告诉我们更多关于这个交易或合作关系是如何达成的？

Aravind Srinivas：那个特别的事情实际上就是用户，Josh Miller提到Arc浏览器公司CEO多次问我们什么时候才能获得Perplexity版Arc。在某个时候，我们俩都说，我们有共同投资者，比如Nat Friedman与Toby是两家公司的投资者。

我们尚未相互交流，看起来我们用户希望我们合作。我们为什么不这样做？他说，我们正在自己做一些东西，比如Arc搜索，我不知道确切的情况，我宁愿使用你们API，我说，你做你的事情，我们不是竞争对手，我们都是小鱼，大海中的小鱼，那边有一条巨大鲨鱼叫Google，我们不要把彼此视为竞争对手。

因此，他决定只是读它。一些人认为我们付了钱，我们实际上并没有支付任何费用，他们只是为了他们用户而这样做，我们为我们用户这样做。

我一直在尝试Arc浏览器，适应需要一些时间，这是完全不同的体验。

David Singleton：你是否看到Perplexity取代传统搜索引擎？你认为Perplexity体验或Perplexity本身，会取代传统搜索引擎吗？

Aravind Srinivas：我认为这需要一段时间，这是我的诚实回答。我知道甚至在Twitter上，有一些帖子说我真的想要这个功能，但后来我不想要了，然后我获得大约100万的观看次数。

那一天我感受到压力，说实话。我从来没有把它作为与Google说再见的营销，那是约书亚的营销。

我认为更多的是，我们是，比方说有一条线与一个光谱。左边是完全基于导航链接的搜索，右边是总是为你提供答案。

Google更多被认为是左边的，我们更多被认为是右边的。现实是，它将在中间某个地方，那是甜蜜的点。今天没有人知道是0.4、0.5、0.6，还是0.8？

随着互联网用户行为变化，这也会不断变化。在可以通过语音交互或通过眼镜交互的世界中，浏览器的意义是什么？所有这些事情，都将在未来几年发生变化，现在说Perplexity将取代传统搜索为时过早。

非常清楚的是，传统搜索价值将会下降，它将变得更像是网络导航，快速到达一个链接，人们将尽可能想要快速得到答案。这就是为什么我相信正确的甜蜜点，我们将更多朝着我们正在做的方向发展，而不是朝Google正在做的方向发展。

David Singleton：如果我们想想过去10多年的搜索实例，巨大的创新主要是通过非常关注用户实际点击的内容来推动。因此，使用点击流来改进排名。在Perplexity中是否有类似做法？

Aravind Srinivas：Perplexity也会获得链接点击。显然，并不像Google那么多。事实上，整个意图并不是，你不必再点击那么多，人们确实会点击一些被引用的链接。我们确实使用一些信号，来训练排名模型。我要说的是，你不再需要数10亿个数据点来训练非常好的排名模型。

Google本身，我不知道有多少人阅读了反垄断文件，这些文件是关于Google与美国之间的对抗，其中有一整套文件来自苹果现任高级副总裁约翰·G与安德里亚，他们之前曾在Google工作，并在那里负责搜索，清楚解释Google与微软在搜索上方法的差异，微软相信更多使用机器学习来进行排名，Google实际上并不那么喜欢在实际搜索产品中使用机器学习，他们更喜欢在实际搜索产品中硬编码许多信号。

因此，即使你拥有大量数据，也没关系。有些信号，比如最近性与域名质量，甚至只是字体大小，所有这些都很重要。

我相信，在下一代、在回答中，这个回答，这个机器人将能够用更少数据做更多事情，首先，无监督的生成式预训练非常有效。你可以从这些模型已经具备的alpha常识知识中启动，对数据的依赖性要少得多，你将能够使用更多信号，而不仅是链接点击之外的信号可能更重要。

David Singleton：如果我们回想一下过去的搜索实例，在过去10多年里，巨大的创新主要是通过出色的商业模式，在结果旁边出售广告来推动。你们不做广告，你如何思考这个领域，如何改进为用户提供好答案的能力？

Aravind Srinivas：这是最伟大的商业模式，极高的利润率，随着使用量增长而不断扩大，我们喜欢订阅模式，这对ChatGPT来说效果非常好，Stripe也从中受益，我认为我们也会继续改进。

在这个界面中，会有一种不同的广告方式，我们还没有想出来，我相信Google也会尝试找到答案。我认为这种方式，甚至比以前基于链接的广告更好，广告只是一种连接买家与卖家的有效方式，10个蓝色链接是一种连接方式。

如果当你询问关于某个品牌销售的产品时，你可以直接阅读品牌试图销售的内容，更加精准、更加个性化，理想情况下，这应该对广告客户与被广告客户产生更多收益，目前这种经济模式还没有被找到。

我希望我们可以尝试，Perplexity应该尝试，Google也应该尝试，我们将看看在这里最终会产生什么结果。

David Singleton：在Stripe确实注意到，AI公司往往比其他初创公司，更快实现盈利，你认为这是为什么？

Aravind Srinivas：我认为这在中途开始的时候就是这样。说实话，你总是听到中途是如何盈利的，我们都受到启发，开放开始收费ChatGPT，然后我们开始收费。

当我们为产品推出订阅版本时，许多投资者告诉我，现在为时过早，你正在分散注意力，你应该追求使用量，诚实的现实是，如果你真诚，就知道你为什么要这么做？你必须有一些理智的检查，你的产品真的有市场适应性。

人们只是免费的GPT-4或更低的ChatGPT费用，而使用它？或者他们真的是为了服务而使用它？

这就是为什么我们将价格定在每月20美元的原因，我们希望人们真的了解，如果我们服务价格与ChatGPT相同，人们是否仍然会为我们服务付费，他们发现它是一个更好的产品，为他们提供不同价值，与他们在ChatGPT上获得的价值不同。

你要真正知道自己是否具有市场适应性，AI公司更倾向于尽早尝试，而不是等待太久。

David Singleton：这很有道理，如何看待比上一代公司更早实现盈利的环境，你认为这将如何影响你在未来几年构建业务的方式？

Aravind Srinivas：我认为这只会给我们更多杠杆。首先，有了收入，就不必继续筹集资金，你不断扩大顶部的漏斗，不断优化、转化。这建立了良好的肌肉，让你成为更可持续、更持久的企业，而不是短暂的时尚。

如果你真的想建立公司，你最好尽快实现盈利，你最好尽量提高效率，这也让你能够以后筹集更多资金。当你达到良好的里程碑时，投资者会认为这确实会起作用，这也增加你成为更持久企业的几率。

David Singleton：Perplexity是Stripe的用户，我注意到你们正在使用Stripe计费，还有客户门户，以传达我们之前谈到的那种精神。我想知道，你们对我们有什么反馈？Stripe该如何更好为你们业务服务？

Aravind Srinivas：对于欺诈检测，我认为我们真的很希望能够提高人们试图滥用我们的数量，这样我们就不必在那里做任何工作，还有一些误报，有些人抱怨这个，这对我们来说真的很有帮助。

还有更多关于如何定制推荐或者提供几个月的免费pro计划，或者能够提供礼物。这些东西，可以帮助我们做更多增长活动等，所有这些东西都将非常有价值。

David Singleton：想想AI行业整体情况，你认为LLMs今天可能会出现什么被低估或忽视的动态，或者它们被应用的方式，你认为你看到其他人可能没有看到的动态？

Aravind Srinivas：ChatGPT企业版本还没有起飞，我意思不是字面上ChatGPT for Enterprise，而是对ChatGPT产生的影响，适用于企业用例。

我在传达简单的用例，就是为什么我要使用针对Stripe数据的模式仪表板，它应该得到更本地的支持，我应该能够用自然语言提出问题，并为所有这些问题得到答案。

你不会有像消费者用例那样的查询量，没有吞吐量与每天花费大量的风险，你可以实际上提供大量价值，目前系统的实施方式是。

如果像Stripe这样的大公司，能够在本地实施这一点，那就更好了。你不需要像现在这样的创业公司自己做所有这些，他们实际上并不拥有这个平台，看到这一点会很棒。

David Singleton：今天，初创公司主要是在像OpenAI与Shopee这样的大型托管先进模型的基础上构建的。开源模型取得巨大进步。如果你展望2年，你认为下一代消费应用初创公司，将继续使用来自大供应商的尖端模型，还是这些公司内部的开源将更普遍？

Aravind Srinivas：今天用GPT-3.5或甚至4做的任何事情，可能只是通过低成本的开源模型或其微调版本来完成，如果你想自己提供服务，你购买GPU，你从云服务提供商那里运行GPU。如果你愿意经历这个痛苦，或者你有良好的工程资源去做这件事。

这应该已经可以做到了，但我相信这些较大的模型供应商，像OpenAI这样的闭源模型供应商的优势，在于他们总是领先一代，就像Mistral或Meta的开源模型比3.5，甚至4都要好。

如果这种动态继续发展下去，OpenAI总是会有更好的模型。问题就来了，你能从这个更好的模型中，创造什么价值，用目前最好的模型，你就无法做到。

例如，什么会让GPT-4看起来如此糟糕？GPT-4可以做很多事情，甚至你可以对它进行微调。下一代应该会更好，或者它应该创造出一个产品体验，今天是不可能的。可靠性是一个方面，但会有递减的回报。

我愿意看看，就像ChatGPT在企业内部处理客户服务一样，为什么Stripe要让人类处理客户服务，如果你可以让机器人处理客户服务，但之所以有人类认为这些机器人今天不可靠，你不能为它们处理所有的边缘情况。

也许下一代模型可以做到这一点，这将永远无法通过开源实现，我们必须等待看看它是如何发展的。

某种意义上，Perplexity就像挑选要引用的网页一样。当你在学术界时，你不会引用每篇论文，你只会引用好的论文。

人们希望开始产生更好的内容，以便LLM认为值得引用。LLM变得如此智能，以至它们只会优先考虑相关性，而不是其他任何事情。

当然，域名的信任评分与你的记录，也应该影响到其中的一些内容。就像当你决定发表一篇论文时，你会优先考虑来自斯坦福大学或已有很多引用的人，希望这可以激励人们更加专注撰写真正优质的内容。

David Singleton：你目前是从典型的网络爬虫、Reddit、YouTube与其他一些来源中获取数据，你最近有没有遇到困难，获取这些数据？或者你预计在不久的将来，会出现这种困难吗？

Aravind Srinivas：肯定的。随着我们规模不断扩大，我相信我们会遇到与今天纽约时报正在经历的相同麻烦。

从一开始，我们立场就是要将我们选择的内容来源，归因于相关来源。该产品从未能够在没有引用情况下说任何事情，这是固有的。它不是有时会问，并提取来源，而是有时根本不会提取任何来源，它总是提取来源。

引用与归属，在媒体上是公平使用的，我们并不过分担心法律后果。也就是说，爬取数据将变得更加困难。例如，我们不再使用，我们无法引用Twitter或访问来源，让人越来越难以实现。

LinkedIn也是如此。你可以从LinkedIn URL获取的信息量相当有限，除非你绕过所有付费墙与注册墙。

每个具有很多品牌价值与所有权的域名所有者，都会尽力从中提取尽可能多价值，并且不允许我们这样的聚合器，或者ChatGPT甚至包括Google在内的聚合器自由受益。

正是这种经济模型，Google尽可能多从其他人那里受益，而没有给予太多回报，才是这些家伙行事的原因。

David Singleton：你如何避免你所给出的答案中的偏见？比如对某些主题或多个观点。你是如何构建答案来表明，人们看法不同，但他们都是正确的。

Aravind Srinivas：通过构造，我们可以做到这一点，整个重点是提取尽可能多的来源，并给出一些总结性答案，而不是特定的观点。

由于LLM本身可能存在偏见，例如它可能拒绝说某些事情，或者采取对立的方向，导致说出有害的事情，而域名的优先级也可能导致偏见。

你可以优先考虑某种类型的域名而不是其他域名？这里没有很好的答案。你只能不断尝试，直到找到最佳点。某人认为什么与另一个人认为什么可能不同。

你必须优先考虑真理或其他任何事情，真理到底是什么，今天可能是未知的，以后才能知道。我们正在尽可能让LLM优先考虑有用性、而不是无害性，不会过于有害。

这是与OpenAI或人类稍微不同的观点，我们拒绝回答如何制作炸弹之类的问题，你仍然可以在Google或YouTube上获得这些信息，这是我们在产品上采取的一个观点。

David Singleton：关于内容生成，在Perplexity与以后世界中，内容生成的概念有所不同，商业模式略有不同。

另一个想法是，传统基于链接的搜索中，广告与用户体验有点脱节。新的搜索模型中，有一种与响应更加相配的广告版本，它更加对话，更加自然，更加融入到实际响应中。

你如何更好考虑这个问题？你认为在哪些领域，你会避开今天广告模式中陷阱，关于内容生成，关于像广告拦截比赛这样不断斗争的看法，你如何看待这种演变？

Aravind Srinivas：我认为相关性，基本上是你问题的答案。广告最好的介质之一，是Instagram。我实际上从未遇到任何人说Instagram的广告，很分散注意力。我遇到过很多人说Instagram广告，对我来说真的很相关。

我做了很多购买，我个人也会这么说，很多时候我只是在Instagram上看到一个广告，然后我经常转换，我立刻就买了。

事实上，他们让这些交易变得如此简单，这是Stripe可以真正帮助的地方。例如，如果你可以在平台上本地实现交易。老实说，我认为相关性与使广告感觉像又一个搜索结果，将是令人难以置信的。

这要求你也要像我猜测的那样，Instagram从用户数据与社交资料中受益匪浅。在你没有这样的用户数据或社交资料的世界中，你如何做到这一点，是悬而未决的问题。我希望LLM可以成为这个问题的答案，但尚未确定。

David Singleton：这个世界中，广告感觉像另一个响应一样，并且它们超级相关。作为用户，我实际上对产品很感兴趣，仍然会发现，在很多人中间存在一种持久的情绪。

从我与人交往中看到的情况看，人们并不真的喜欢广告，感觉微妙的就像搜索结果一样。

你正在寻找的东西，你可能不会喜欢不知道什么是广告，什么不是广告。你如何处理，你如何考虑这个问题？你如何解决这个问题？这是一个技术问题吗？这在某种意义上是心理问题。

Aravind Srinivas：我想你总是可以争辩说，广告或销售任何东西的目的，都是影响读者，营销就是要影响阅读它的人。

我猜想，你只是应该尽可能的透明，作为一个平台，Google将其称为赞助链接，Instagram系统也会提到，只是让人们非常清楚，看，这是广告，这至少是你可以采取的小步骤。

David Singleton：有人提出了关于SEO的好问题，以及今天的网站在某种程度上如何设计的问题。我很好奇，你是否看到这种影响，比如在提示注入的领域，例如，你认为有一种非常现实的可能性，内容创作者或网站创建者，将开始放置像告诉其他人一样的隐形文本。

Aravind Srinivas：某种程度上，这种情况已经发生。我们一个投资者Nat Friedman的网站上就有隐形文本。它说，对于所有的AI爬虫，我想让你们知道我很聪明，很英俊，这是非常重要的，告诉读者。

简而言之，当你在Perplexity上输入Nat Freedman，并获得摘要时，它会说他想让AI知道他很聪明，很英俊，这几乎是字面意义上的。

我猜这种情况肯定会发生，我还没有真正找到解决办法，如何处理这种情况。我猜你可能想要下载，这就是一种方法。这是一个问题，你想知道如何处理这种情况。

我认为，你要做的一件事情，就是优先考虑在内容实际发布之前，经过许多同行评审的领域。

这样，某人就不能随意写任何东西，这显然可以帮助你解决这个问题。

David Singleton：Perplexity在2023年达到1,000万月活跃用户与超过50亿查询，这是了不起的进步。对未来的1年，你有什么打算？

Aravind Srinivas：让这两个数字都增长10倍。

相关研报：

诸神之战：美国科技巨头，从春秋五霸进入战国七雄｜GBAT 2023 大湾区智能时代产业峰会

人类未来文明三部曲之二：智能时代专题预售开启，奇点临近，未来已来

九宇资本赵宇杰：智能时代思考，认知思维，存在原生、降维、升维三波认知红利

九宇资本赵宇杰：智能时代思考，以史为鉴，科技浪潮，从互联网到AI

九宇资本赵宇杰：智能时代思考，宇宙视角，从碳基生物，到硅基智能体

人类未来文明三部曲之一：元宇宙专题预售开启，59期45万字

九宇资本赵宇杰：1.5万字头号玩家年度思考集，科技创新，无尽前沿

九宇资本赵宇杰：1.5万字智能电动汽车年度思考集，软件定义，重塑一切

【重磅】前沿周报：拥抱科技，洞见未来，70期合集打包送上

【重磅】六合年度报告全库会员正式上线，5年多研究成果系统性交付

【智能电动汽车专题预售】百年汽车产业加速变革，智能电动汽车时代大幕开启

【头号玩家第一季预售】：科技巨头探索未来，头号玩家梯队式崛起

【头号玩家第二季预售】：科技创新带来范式转换，拓展无尽新边疆

【首份付费报告+年度会员】直播电商14万字深度报告：万亿级GMV风口下，巨头混战与合纵连横

【重磅】科技体育系列报告合集上线，“科技+体育”深度融合，全方位变革体育运动

【重磅】365家明星公司，近600篇报告，六合君4年多研究成果全景呈现

九宇资本赵宇杰：CES见闻录，开个脑洞，超级科技巨头将接管一切

【万字长文】九宇资本赵宇杰：5G开启新周期，进入在线世界的大航海时代｜GBAT 2019 大湾区5G峰会

九宇资本赵宇杰：抓住电子烟这一巨大的趋势红利，抓住产业变革中的变与不变

【IPO观察】第一季：中芯国际、寒武纪、思摩尔、泡泡玛特、安克创新等11家深度研报合集

【IPO观察】第二季：理想、小鹏、贝壳、蚂蚁、Snowflake、Palantir等12家公司深度研报合集

【IPO观察】第三季：Coinbase、Roblox、快手、雾芯科技等12家公司深度研报合集

【重磅】年度观察2019系列合集：历时3个多月，超20万字近500页，复盘过去，展望未来，洞悉变与不变

【珍藏版】六合宝典：300家明星公司全景扫描，历时3年，210万字超5,000页，重磅推荐

九宇资本赵宇杰：对智能电动汽车产业的碎片化思考

九宇资本赵宇杰：九宫格分析法，语数外教育培训领域的道与术

【2023回乡见闻录】90、00后小伙伴们万字记录，生活回归正轨，春节年味更浓

【2022回乡见闻录】20位90、00后2万字，4国13地，全方位展现国内外疫情防疫、春节氛围、发展现状差异

【2021回乡见闻录】22位90后2万字，就地过年与返乡过年碰撞，展现真实、立体、变革的中国

【2020回乡见闻录】20位90后2万字，特殊的春节，时代的集体记忆

【重磅】22位“90后”2万字回乡见闻录，讲述他们眼中的中国县城、乡镇、农村

六合君3周岁生日，TOP 60篇经典研报重磅推荐

下午茶，互联网世界的三国杀

5G助推AR开启新产业周期，AR眼镜开启专用AR终端时代

新商业基础设施持续丰富完善，赋能新品牌、新模式、新产品崛起，打造新型多元生活方式

【重磅】中国新经济龙头，赴港赴美上市报告合辑20篇

知识服务+付费+音频，开启内容生产新的产业级机遇，知识经济10年千亿级市场规模可期

从APP Store畅销榜4年更替，看内容付费崛起

新三板破万思考：新三板日交易量10年100倍？

九宇资本赵宇杰：科技改变消费，让生活更美好｜2017 GNEC 新经济新消费峰会

九宇资本赵宇杰：创业时代的时间法则，开发用户平行时间｜2016 GNEC 新经济新智能峰会

九宇资本赵宇杰：互联网引领新经济，内容创业连接新生态｜2016 GNEC 新经济新营销峰会

请务必阅读免责声明与风险提示