Perplexity创始人:从知识发现引擎到AI未来

Perplexity创始人Aravind Srinivas在访谈中阐述了其产品定位为知识发现引擎而非传统搜索引擎,探讨了广告模式、产品哲学、AI模型训练(如后训练、思维链)、开源重要性以及AI未来发展的可能性,强调产品需服务于人类好奇心,并借鉴了多位科技领袖的思维框架。

Aravind Srinivas

导语

在本次深度访谈中,Perplexity创始人兼CEO Aravind Srinivas详细阐述了其公司的核心理念、产品哲学与技术愿景。他明确将Perplexity定位为一个“知识发现引擎”,而非传统搜索引擎或简单的答案引擎,强调获取答案后的好奇心探索之旅才刚刚开始。访谈深入探讨了Perplexity与Google在商业模式、产品设计上的根本差异,分析了广告在答案驱动型产品中的挑战与机遇。此外,Srinivas分享了从贝佐斯、马斯克、黄仁勋等企业家身上汲取的智慧,并深入剖析了AI模型训练的关键阶段(预训练与后训练)、思维链推理的重要性,以及开源对于AI生态和安全的关键作用。最后,他对AI未来可能实现的自主推理与好奇心驱动进行了展望。

大纲与深读 10 章

展开「深读」看每一段讨论的问题与论据。

01

Perplexity的定位与体验

16:00
  • Perplexity定位为知识发现引擎和答案引擎,而非传统搜索引擎。
  • 旅程在获得答案后才开始,系统会提供相关问题引导用户深入探索。
  • 对比Google,Perplexity直接提供综合答案,而非链接列表。
  • 用户体验依赖于AI整合信息并以类似维基百科的清晰格式呈现。
深读这一段

讨论的问题:Perplexity与传统搜索引擎的核心区别是什么,其用户旅程如何设计?

论据 / 案例:直接对比了Perplexity(提供综合答案、来源引用、相关问题)与Google(提供链接列表)在用户体验和技术路径上的差异。

02

信息呈现与个性化挑战

26:00
  • 产品层面的核心挑战在于如何为每类查询设计最佳信息呈现方式(如天气需自动定位并建议穿着)。
  • 个性化可实现80/20效果,利用用户地理位置和主题兴趣等基础数据即可。
  • 无需记录用户所有活动,过度个性化可能适得其反。
深读这一段

讨论的问题:如何通过产品设计超越简单问答,预测并满足用户的深层需求?

论据 / 案例:以“奥斯汀天气”查询为例,说明产品需超越直接答案,主动提供穿搭建议等关联信息。

03

商业模式与广告难题

32:00
  • 传统链接点击广告模式可能是利润率最高的商业模式,但可能不适用于答案引擎。
  • Google可能因高利润链接广告的路径依赖,难以转向利润率较低的新型广告形式。
  • Perplexity可探索不影响用户体验和答案真实性的新型广告,如高度相关、融入上下文的广告。
深读这一段

讨论的问题:答案引擎如何构建可持续的商业模式,尤其是如何融入广告而不损害核心体验?

论据 / 案例:类比AWS(低利润)与Google广告(高利润)的竞争,以及亚马逊在零售低利润领域反而积极扩张的案例。

04

产品设计哲学

48:00
  • 产品应让用户更懒散,即使输入模糊或拼写错误也能获得正确答案。
  • 最大挑战之一是将用户的好奇心转化为清晰的问题,因此需提供相关问题引导。
  • 界面设计需在极简(如早期Google)与功能丰富之间平衡,避免新用户困惑和沉默流失。
深读这一段

讨论的问题:如何设计一个能自然引导用户、降低使用门槛的产品?

论据 / 案例:提及Google早期只保留Logo和搜索框的极简设计,以及通过“相关问题”引导用户探索的实验。

05

创业者启示:贝索斯与马斯克

56:00
  • 从贝索斯学到:强迫自己清晰思考(通过写策略文档)、追求运营卓越、极致关注客户。
  • 从马斯克学到:以纯粹意志力突破困难、坚持第一性原理思考、亲力亲为理解细节以打破瓶颈。
  • 硬件的挑战在于没有撤销按钮,容错率极低,这使创业公司难以与巨头竞争。
深读这一段

讨论的问题:哪些创业精神对构建AI产品尤为重要?

论据 / 案例:提及贝索斯对“relentless.com”域名的执着,马斯克亲自进行数据标注,以及英伟达黄仁勋的长期规划与偏执。

06

开源AI与Yann LeCun

64:00
  • Meta和扎克伯格在开源强大AI模型(如Llama 3)方面贡献巨大,为行业带来更多可能性。
  • 尊重Yann LeCun,他早在2016年就预言监督学习(蛋糕)比强化学习(樱桃)更重要。
  • LeCun当前认为自回归模型可能不是终极方向,主张在潜在空间进行推理。
深读这一段

讨论的问题:开源模型如何影响AI生态,Yann LeCun的核心观点是什么?

论据 / 案例:指出Llama 3 70B模型已接近GPT-4水平,并引用LeCun关于RL、监督学习与自监督学习关系的“蛋糕理论”。

07

后训练与推理能力

80:00
  • 后训练(包括RLHF、指令微调)对将通用模型转化为可用产品至关重要。
  • 推理能力可能通过链式思考(Chain of Thought)等技术,用小模型通过自举方式实现。
  • 未来的突破可能在于将事实记忆与推理能力解耦,训练专注于推理的小模型。
深读这一段

讨论的问题:如何构建具备强推理能力且高效的AI模型?

论据 / 案例:讨论了微软的SLM研究、链式思考技术,以及通过让模型生成解释并自我训练的STAR方法。

08

AI自我改进与智能爆发

88:00
  • 若AI能通过自我对弈或自我生成解释来迭代提升推理能力,可能实现智能爆发。
  • 这需要可验证的信号(如数学题对错)和偶尔的人类反馈作为引导。
  • 真正的突破在于AI能产生全新的、经得起时间考验的洞察或科学发现。
深读这一段

讨论的问题:递归自我改进的智能爆发是否可能,其前提是什么?

论据 / 案例:探讨了在数学/编程等可验证领域,以及通过沙盒代理任务进行自我改进的可能性。

09

人类好奇心与AI局限

104:00
  • 当前AI尚无法像人类科学家(如费曼)那样展现天生的好奇心并提出根本性问题。
  • AI的价值可能体现在作为优秀科学家的思考助手,进行深度对话并激发新思路。
  • 构建真正好奇的AI是巨大挑战,可能需要通过引导用户探索的过程来体现。
深读这一段

讨论的问题:AI能否拥有真正的、驱动科学发现的好奇心?

论据 / 案例:举例费曼式的好奇心,以及当前AI作为助手与人类科学家(如Ilya Sutskever)对话的理想场景。

10

Perplexity的起源故事

112:00
  • 创立灵感部分源于GitHub Copilot,它证明了AI本身可以是直接面向用户的核心产品。
  • 公司需具备“AI完整性”,即AI进步能直接提升产品,形成数据与产品的飞轮。
  • 最初设想是颠覆视觉搜索(通过智能眼镜),后转向构建通用答案引擎。
深读这一段

讨论的问题:Perplexity最初的创业想法和关键产品原则是什么?

论据 / 案例:提及GitHub Copilot的成功,以及与投资人Hemant Taneja讨论颠覆Google搜索的初步构想。

金句

  • "I think of Perplexity as a knowledge discovery engine neither a search engine, we of course we call it an answer engine." ——我认为Perplexity是一个知识发现引擎,既不是搜索引擎,我们当然称之为答案引擎。
  • "The journey doesn't end once you get an answer in my opinion, the journey begins after you get an answer." ——在我看来,旅程在得到答案后并未结束,而是刚刚开始。
  • "Products need to be having some magic to them. And the magic comes from letting you be more lazy." ——产品需要有一些魔力。而这魔力来自于让你变得更懒。
  • "What matters is the answer works, the answer is fast, accurate, readable, nice." ——重要的是答案有效、快速、准确、易读、美观。
  • "If you have a model that's pretty good at math and reasoning, it's likely that it can handle all the corner cases when you're trying to prototype agents on top of them." ——如果你有一个擅长数学和推理的模型,那么在它之上构建智能体原型时,它很可能能处理所有边缘情况。

原文链接

查看完整访谈

完整内容见原文:Lex Fridman Podcast · Perplexity创始人:从知识发现引擎到AI未来