今年目标 1 亿活跃用户！Perplexity 联手 Arc 浏览器对抗 Google 背后产品逻辑
输入“/”快速插入内容
今年目标 1 亿活跃用户！Perplexity 联手 Arc 浏览器对抗 Google 背后产品逻辑
今年目标 1 亿活跃用户！Perplexity 联手 Arc 浏览器对抗 Google 背后产品逻辑
🐵
有新 Newin 2024-03-25 10:02 浙江
近日，Perpleixity 创始人&CEO Aravind Srinivas 对话了现任 Stripe CTO David Singleton，讨论了 Perplexity 如何构建一种新的 AI 驱动的传统搜索引擎替代方案、迄今为止的历程，以及其背后的技术。Aravind 的核心观点包括：
早期商业模式的重要性：Aravind 强调了早期实现盈利的重要性，认为这有助于构建更可持续、长期的业务，并为公司带来更多的筹码和杠杆。
关于产品方向的思考：Aravind 讨论了如何在创业初期确定产品方向，强调了对产品市场契合度的认识和追求，并指出了不断调整和优化产品路线图的重要性。
广告模式的演进：Aravind 对广告模式进行了思考，强调了广告的相关性对于用户体验的重要性。他认为，未来的广告模式可能会更加融入用户体验，以提高广告的相关性和吸引力。
数据收集和处理的挑战：他谈到了在数据收集方面可能面临的挑战，尤其是在争取对特定网站的访问权限方面。同时，他也提到了数据收集中可能出现的偏见问题，以及如何应对这些问题。
关于内容生成的思考：Aravind 对于内容生成的影响提出了一些见解，特别是针对搜索引擎优化对内容质量的影响。他认为，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。
以下为这次对谈的全部内容：
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？
我们大约一年半前开始了 Perplexity，绝对不是为了建立一个新的搜索替代品。我们非常努力，我希望我看错了，但事实并非如此。我们开始非常专注地解决一个特定的问题，即构建一个出色的自然语言到 SQL 的搜索。
我们受到搜索引擎和 Google 故事的启发，因为我们也是从学术界转变为企业家的人。那是我们能够借鉴的唯一例子，所以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 对他们的 Stripe 数据进行分析？我们构建了这个自然语言到 Stripe Sigma 2，因为它是 Presto 的某个版本，并不是每个人都知道如何编写它。
我们的一个投资者，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，但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。
如果我们只是一个普通的初创公司，没有人会给我们他们的数据。没有人知道我们是谁，所以我们只能爬取外部数据并以规模构建一个酷炫的演示。也许他们看到了会给我们一些数据。
我们通过爬取整个 Twitter 做到了这一点，构建了这个称为“ birth sequel”的东西。我们称之为垂直，因为我们不被允许使用 Twitter 的名字，因为商标。但它实际上只是从 Twitter 中爬取了所有内容，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了 Stripe 的启发，比如 Patricl 和 John 是如何筹集资金的，他们向人们展示演示，然后得到了一些很酷的天使，比如 Twitter 尾声或 Elon Musk。
如果你看看 Stripe 的天使投资者名单，那真的很了不起，这就是我们得到一些很酷的投资者的方式，包括 Jeff Dean，他试用了 Twitter 搜索演示，并说：“我从未使用过这样的东西，但我真的很喜欢。”
那时，他还没有看到任何类似于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，因为有利益冲突。随着我们的进展，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 做更多的后处理工作，因为 LLM 变得越来越聪明了。
我们可以看到，我们从很旧的 GPT-3 模型和 Codex 开始。随着 GPT-3.5 的推出，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，我们改变了我们的策略，试着只获取链接，然后尝试从这些链接获取原始数据，并在推断时在线进行更多的工作。
这给了我们一种新的优势， 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。
但是，首次你不需要做所有这些。你确实需要做一些以提高效率和速度，但不像过去二十年里他们所做的那样多。
因此，我们推出了这个通用搜索，它只是获取链接并以引文的形式进行摘要。我们并且在免责声明中提出了一个声明，这是一个很酷的演示，是通过 GPT-3.5 和必应进行串联的，我们希望与更大的公司合作。
因此，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。我们确实收到了来自惠普和戴尔的电子邮件，询问如果我们使用类似的东西会是什么样子？但最终发生的是我们的使用量持续增长。这不仅仅是最初的激增，我们再进一步，让它变得更加对话，这样你就可以根据过去的查询和过去的链接提出后续问题，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。
然后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。
所以我就说，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，但我们还是应该尝试一下，看看会怎样？这就是 Perplexity 今天的运作方式。
你们的 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它速度很快，你们是如何做到的？如何使这样的体验变得如此迅捷的？
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。自那时以来，我们已经花了很多时间建立我们自己的索引，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，确保搜索调用和 LLM 调用尽可能并行进行，以及将网页的部分划分成片段，非常快速地检索它们，还要进行大量的异步调用，并努力确保尾部延迟最小化，这些都是你们从 Google 那里学到的概念，并不需要创新和建设。
Jeff Dean 和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，所以我们有一个优势，建立在这些概念之上，我们不断地对两种类型的延迟改进，实际延迟改进和感知延迟同样重要。
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。在所有的聊天机器人中，你看到的是流式答案。巴特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了一个快速回应的秘诀。因此，你可以在用户界面上做很多微妙的事情，让它感觉很快。我们希望两者都做得很好。
你提到了学习一些行业人士的经验，比如在 Google 工作过一段时间。我想你自己也在 Google 工作过。我认为你团队的其他成员也在一些其他大型老牌公司工作过。在像 Google 这样的地方工作的经验对 Perplexity 有何意义？
我认为工程文化，像尊重和追求工程卓越，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，但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，这降低了我们的尾部延迟，即使有人不关心尾部延迟，我也会认为它很重要。这是因为你要重视它，你的行动要重视它，要试图招聘那些重视这一点的人，并试图奖励那些做出非常好贡献的人。
告诉我们更多关于你们内部运作的情况。比如，你们现在有多少人？你们是如何招聘的？你们是如何进行新员工入职以便能够为这个使命做出贡献的？
我们现在大约有 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，即前 10 个招聘决定了接下来的 100 个招聘，所以你必须非常小心。
因此，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，并且他们会工作 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，但我们会在他们的初始薪资中进行调整。
我们这样做的原因有两个：一个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，因为这会拖慢你的速度，而且它也不会给你带来合适的人选。所以唯一的办法就是，就像 GPT 风险一样，你实际上没有智能的秘籍。
因此，训练系统变得聪明的唯一方法就是使它模仿人类智能。所以获得优秀人才的唯一方法就是看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，你是否从中学到了东西？这对我们来说效果非常好。