•
搜尋引擎最佳化的核心只有一個：更準確。
早期，Google之所以能取代Yahoo，就是Google發現了通過PageRank對引用網站排序的演算法，能讓搜尋結果趨向更準確，詳細可見我以前的文章《Jacob：傳統搜尋引擎的弊端，為什麼只讓Google發現》。
但Google確實只是呈現了搜尋的結果，並以相關性做了一定的排列，目前的搜尋引擎更多是依賴關鍵詞匹配和類似PageRank的排名演算法，這種方式處理簡單問題時效果顯著，但在面對複雜查詢的時候，如多層次的問題、上下文依賴性強的問題的時候，往往難以提供精準且全面的答案。
使用者一般需要瀏覽多個網頁，自己不斷綜合資訊來得到最終的答案。坦白來說，對於複雜問題的查詢，這種方式實在太低效了。Perplexity就是看到了這個問題，於是在這個切入點切了進去，填補了這段空白。
我願意為這段空白再詳細解釋一下，首先故事發生在2022年8月，四個創始人都是在Google AI工作的時候互相認識的，他們在開發大語言模型的時候發現，現代搜尋引擎在處理複雜查詢的時候，並沒有很好地利用他們正在做的生成式大語言模型，而是還依賴關鍵詞匹配和網頁排名演算法。
四位創始人希望使用者使用Perplexity的時候，能獲得一個全面的答案，這個答案能完整直接地回覆使用者的問題，而不是搜尋出一堆經過演算法排名後的網頁連結。
毫無疑問，這個場景對於搜尋引擎來說，是劃時代的。就好像我們第一次使用ChatGPT一樣感到驚豔，要知道大約3個月後OpenAI的ChatGPT才正式發佈，Perplexity也確實向著搜尋引擎最核心的最佳化方向前進，讓搜尋變得更準確。
在ChatGPT正式發佈之後，大家終於發現，原來提出問題之後機器人的回答可以變得這麼完整且詳細，比傳統的搜尋引擎好多了，但無奈剛發佈的ChatGPT只是基於早期訓練的資料給出的答案，沒法確保資訊始終是最新的，而且在早期，ChatGPT的答案也並未標識來源。
這個時候，Perplexity除了跳過網頁連結，直接顯示搜尋結果這個優勢之外，還有其餘兩個優勢：即時資訊和可靠來源。
當你使用Perplexity提出問題的時候，資料將會自動從網際網路上提取，資訊始終是最新的，對於時效性要求高的搜尋，這一點確實是一個很強硬的需求。
另外當你使用Perplexity提問題的時候，每個答案都引用了可靠的新聞媒體、學術論文和知名部落格的內容，這一個優勢頗有當年Google做PageRank的感覺，對於資訊來源真實性要求很高的搜尋，這一點確實也是一個很強的需求。
截止到目前為止，Perplexity上面所說的三種優勢：跳過連結、即時資訊和可靠來源，均已經成為了各大基礎模型的標配功能，我不禁好奇：
為什麼我不直接向例如GPT-4o這種大語言模型提問？而還要通過Perplexity去提問呢？Perplexity在這個過程提供了什麼？要回答這個問題，恐怕我們要詳細拆解一下Perplexity的工作流程。
第一步：輸入階段，接收使用者的問題；
第二步：理解階段，使用NLP技術解析使用者的問題，識別關鍵詞、真實意圖和核心含義；
第三步：檢索階段，訪問搜尋引擎，即時獲取相關資訊，確保最相關和最可靠的資訊排在前面；
第四步：生成階段，呼叫像GPT-4o這種高級語言模型，獲取原始資料轉換為自然語言的回答，你可以理解為通過這一步，把第三步獲得的資訊，呼叫語言模型生成連貫和容易理解的文字；
第五步：輸出階段，Perplexity提供答案的同時，會顯示引用具體的資訊來源；
第六步：互動階段，如果使用者會進一步提出問題，Perplexity會理解上下文進行多輪對話，動態調整回答；
其實這是一種“搜尋增強生成”技術，俗稱RAG，Retrieval-Augmented Generation，本質上就是通過先檢索相關資訊，再利用生成模型進行答案的生成和整合。
乍一看，上面的第一、第二、第五和第六步都是常規步驟，只有第三和第四步起著關鍵的作用，很顯然第四步是類似GPT-4o這種高級語言模型的強項，畢竟他們就是幹這個的，那麼Perplexity有可能在第三步突圍成功嗎？
請注意，Perplexity在檢索階段，並非依賴Google搜尋引擎，而是使用自己的搜尋和索引技術，通過每日索引網際網路內容來確保資訊的即時性和精準性。
你可以理解為，之前我們輸入搜尋內容後，得到一堆相關聯的網頁連結，基於這些連結我們查看完所有內容之後，再自己整合出最終的答案，這個整合最終答案之前的步驟，都是檢索階段要做的事情，只是機器幫你去完成罷了。
我不是專業的技術人員，無法對裡面的細節做更進一步的詳細評估，但我知道，如果檢索階段的事情完全依賴於Google，那RAG裡面的6個步驟裡，已經沒有Perplexity什麼事情了，所以最有可能的是，Perplexity會自己來做這一步，併力求做得比Google更好，這是一個“閱讀檢索內容”的步驟，比拚的是即時資料索引和檢索的速度，如果對結果精準度還有追求的話，還需要自行對檢索結果進行重排，也就是Reranking。
這正是Google一直以來正在研究且引以為傲的事情，Perplexity能否做到，我不知道。但在這之前，Perplexity（或者說AI搜尋領域）對於搜尋場景的剛需程度並沒有很強，畢竟它的可替代性太多了，況且現在的基礎語言模型就能直接滿足使用者需求。
Perplexity不僅和Google在掰手腕，而且還和各大基礎語言模型在掰手腕，畢竟基礎語言模型現在呈現出來的態勢很明顯，就是想方設法把檢索階段的事情，整合進自己的生態裡。
Perplexity如果不死磕檢索，還有什麼可以做？我嘗試大膽列舉：
使用者或許會想多模型對話，支援切換各大基礎語言模型；
使用者或許會想多模態搜尋，支援文字、圖片和視訊等方式搜尋；
使用者或許會想多維度輸出，支援對話、大綱、資料標註和論文等形式輸出；
使用者或許會想多信源搜尋，支援僅在維基百科、僅在Discord和僅在GitHub裡搜尋；
這些都是比較細分的搜尋場景了，但上面這些功能更像是搜尋中介的定位，而非搜尋引擎。況且隨著時間的推移，既然基礎模型能把檢索階段的事情整合進自己的生態裡面，那麼把上面這些niche場景下的功能整合進去，也不是完全沒有可能。
在《Jacob：從ElevenLabs解決的行業問題來看，AI創業的思路與網際網路時代並不相同》文章裡有所提及，AI帶來的最大變數是生產力的提升，這是和移動網際網路時代最大的不同。
這個生產力提升的根源在於平行計算的普及，讓模型可以在更短的時間內建立資訊與資訊之間的聯絡，以至於模型在執行下次相同類似任務的時候，可以快速響應，基礎的語言模型正是如此，無論是更貼近人類談話的語言，還是更貼近問題的答案，在模型的視角裡這些都已經“訓練”了成千上萬次了。
搜尋場景從提出問題的那一刻起，就分為兩個關鍵環節：收集搜尋結果、整合搜尋結果。而整合搜尋結果的關鍵在於對大量相關資訊的總結和輸出，這正是語言模型的優勢，也是AI帶來生產力提升的表現，但這與Perplexity關係不大。
在收集搜尋結果這個環節裡，最關鍵的是確保相關性，能否利用大模型提前訓練相關資訊，提前建立有利於提升“相關性”的資訊對應這是關鍵，下次即時資訊索引的時候能否快速響應，就取決於此，否則在這個環節裡，我們仍然是在處於移動網際網路時代的“雕花”最佳化，根本沒有受益於AI所帶來的生產力提升。
Perplexity如果不往這個方面發力，AI對搜尋場景的提升也只會是結果表達層面的提升，而AI搜尋也只會是架在大模型之上的一座空中樓閣。 (雅格布)