Penulisan: Techub News Susun
Pengenalan
Pada tahun 2025 bulan 5, pengasas dan CEO Perplexity AI, unicorn carian AI yang dinilai melebihi 10 bilion dolar, Aravind Srinivas kembali ke alma maternya, Universiti California, Berkeley, untuk menjalankan perbualan mendalam dengan mentor beliau semasa menuntut PhD di Berkeley, Profesor Pieter Abbeel, seorang tokoh terkenal dalam bidang pembelajaran robotik. Perbualan ini bukan sahaja merupakan pertemuan semula antara mentor dan pelajar, tetapi juga merupakan pandangan mendalam mengenai hadapan industri AI.
Aravind Srinivas terkenal dengan penyelidikan yang produktif dan berpengaruh semasa di Berkeley, dan pernah menjalani latihan di institusi terkemuka seperti DeepMind dan OpenAI selepas tamat pengajian. Beliau mengasaskan Perplexity AI pada tahun 2022 dengan tujuan untuk mencipta 'enjin jawapan' berdasarkan sumber maklumat rangkaian masa nyata dengan rujukan, bukannya enjin carian tradisional atau chatbot. Dalam konteks gelombang AI generatif yang dicetuskan oleh ChatGPT, Perplexity telah bangkit dengan cepat dengan penentuan produk yang unik, menjadi salah satu bintang baru yang paling menarik perhatian dalam bidang AI. Dalam perbualan ini, beliau bukan sahaja mengimbas kembali niat asal dan laluan pertumbuhan perniagaan, tetapi juga berkongsi pandangan ke hadapan mengenai aliran nilai AI, impak model sumber terbuka (seperti DeepSeek), dan bentuk interaksi manusia-mesin pada masa depan.
Ringkasan
- Konsep teras Perplexity adalah 'enjin jawapan' dan 'rakan penyelidikan', dengan reka bentuk produk yang sangat dipengaruhi oleh prinsip penyelidikan akademik yang memerlukan rujukan sumber, bertujuan untuk memberikan jawapan berkualiti tinggi dengan sumber masa nyata dan rujukan.
- Nilai AI akan terkumpul terutamanya di lapisan aplikasi (seperti Perplexity) dan lapisan cip (seperti NVIDIA), manakala lapisan model asas di tengah akan mengalami penipisan keuntungan akibat sumber terbuka dan persaingan.
- Model penaakulan sumber terbuka DeepSeek yang dilancarkan oleh pasukan China merupakan titik perubahan penting dalam industri, membuktikan kemungkinan melatih model berprestasi tinggi dengan kos yang lebih rendah, dan memaksa syarikat model sumber tertutup untuk mempercepatkan inovasi dan menurunkan harga.
- Strategi masa depan Perplexity adalah melampaui 'sekadar satu lagi aplikasi AI', dengan membina pelayar asli AI yang dipanggil 'Comet', serta integrasi mendalam sistem pengendalian/perkakasan, menjadikan pembantu AI hadir di mana-mana.
- Dalam era AI, keupayaan komunikasi yang jelas dan tepat (sama ada dengan manusia atau AI) akan menjadi kemahiran teras yang sangat penting.
Dari penyelidikan akademik ke enjin jawapan: Kelahiran Perplexity
Pieter Abbeel secara humor menyebut bahawa pencapaian Aravind Srinivas kini telah jauh melebihi beliau sendiri. Apabila ditanya tentang apa sebenarnya Perplexity, Srinivas memberikan definisi yang berasal dari latar belakang akademiknya:Sebuah enjin jawapan, pembantu penyelidikan, seperti rakan penyelidikan.
Beliau menjelaskan bahawa prinsip reka bentuk teras Perplexity berasal langsung dari pengalaman beliau semasa menuntut PhD di Berkeley. 'Ketika pertama kali menulis kertas penyelidikan, anda akan belajar bahawa anda tidak boleh menulis apa-apa secara sembarangan. Sebenarnya, anda mesti mempunyai beberapa sumber di belakang setiap ayat, lebih baik jika ia adalah sumber yang diperakui oleh rakan sekerja dan boleh dipercayai.' Mereka memperkenalkan prinsip ini ke dalam chatbot AI. Berbeza dengan chatbot yang menghasilkan respons secara rawak, Perplexity akan secara aktif memilih sumber yang relevan dari internet, membuat ringkasan, dan memberikan nota kaki. Pengguna boleh berinteraksi dengan 'enjin' sedemikian.
Seiring berjalannya waktu, Perplexity berkembang menjadi pengalaman yang lebih bersifat bantuan. Ia bukan sahaja boleh memanggil maklumat dari internet, tetapi juga menulis kod, mencipta carta, mengekstrak data dari pelbagai pembekal data (seperti sukan, kewangan), dan membungkus semua fungsi ini ke dalam pengalaman sembang bantuan. Kini, syarikat sedang bersedia untuk mengambil langkah seterusnya:Membina pelayar yang dipanggil 'Comet' yang dijangka akan dilancarkan dalam tempoh tiga hingga empat minggu akan datang. Pengguna akan dapat meminta AI untuk membantu menyelesaikan tugas dalam kerja harian mereka secara langsung dalam pelayar, seperti 'pergi ke LinkedIn dan memohon semua pekerjaan yang layak untuk saya'.
Mengenai senario penggunaan awal produk, Srinivas berkongsi aplikasi 'pembunuh' yang tidak dijangka: perundingan kesihatan dan perubatan. Di Amerika Syarikat, sistem penjagaan kesihatan bukanlah yang terbaik, dan orang ramai sering mempunyai soalan tentang keadaan mereka. Perplexity boleh merujuk laman web profesional seperti PubMed, NIH, WebMD, menapis maklumat yang tidak relevan, bahkan membaca preprints seperti bioRxiv, dan memberikan jawapan berdasarkan sumber. Beliau sendiri sering menggunakannya untuk menyemak kajian terkini tentang makanan tambahan atau ubat yang telah lama menjadi kontroversi.
Dalam bidang pendidikan, fungsi 'Ruang' (Spaces) Perplexity juga sangat popular. Pelajar boleh mencipta ruang untuk setiap kursus, memuat naik semua bahan pembelajaran, kemudian bertanya tentang kandungan khusus tersebut, mencipta panduan belajar, bahkan berkongsi dengan rakan sekelas. Ini seolah-olah setiap pelajar mempunyai seorangpembantu pengajar peribadi yang tersedia sepanjang masa. Srinivas menjangkakan bahawa keadaan ideal pada masa depan adalah 'AI proaktif' yang memahami tahap pemahaman anda tentang sesuatu topik dan memberitahu anda dengan tepat di mana anda harus menghabiskan masa untuk belajar berdasarkan soalan yang telah anda ajukan.
Tahun-tahun di Berkeley dan kebangkitan gen keusahawanan
Perbualan secara semula jadi beralih kepada perjalanan peribadi Srinivas. Apabila ditanya bagaimana beliau beralih dari persekitaran akademik di Berkeley ke keusahawanan, beliau mengakui bahawa pada mulanya, tanggapannya tentang Berkeley adalah 'sekolah yang sangat akademik', manakala Stanford adalah tempat kelahiran keusahawanan. 'Stanford adalah tempat kelahiran Google, Cisco, Yahoo, manakala orang Berkeley mendapat jawatan pengajar.' Tetapi setelah melihat profesor seperti Pieter Abbeel juga terlibat dalam keusahawanan, serta kejayaan syarikat seperti Databricks, beliau secara beransur-ansur merasakan suasana keusahawanan di Berkeley.
Beliau mengkaji secara mendalam kisah penubuhan Google, dan semangat keusahawanan sentiasa ada, tetapi selalu menunggu masa, idea, dan pasukan yang sesuai. 'Menubuhkan syarikat memerlukan banyak nasib,' katanya, 'untuk menjadikan syarikat berjaya, memerlukan nasib yang besar; tetapi walaupun pada masa yang sesuai, tempat yang sesuai, dan dengan pasukan yang sesuai menubuhkan syarikat, lebih banyak faktor perlu wujud serentak.' Beliau dengan rendah hati mengaitkan sebahagian kejayaan Perplexity kepada 'nasib baik', tetapi juga menekankan bahawaBerkeley mempunyai kelebihan unik dalam era AI yang bergerak pantas dari penyelidikan ke praktik. Beliau mengimbas kembali bahawa pada tahun beliau mendaftar, program AI Berkeley menerima kira-kira 2000 pemohon dan mengambil 40 orang, di mana 38 orang menerima tawaran, meninggalkan universiti terkemuka seperti Stanford, MIT, CMU, hanya kerana pada masa itu Berkeley adalah tempat yang paling maju dan menarik dalam penyelidikan AI. Persekitaran persaingan yang sengit ini mendorong setiap orang untuk menulis kertas terbaik, meletakkan asas yang kukuh.
Pieter Abbeel ingin tahu bagaimana Srinivas menonjol dari India dan mendapat peluang untuk bekerjasama dengan Yoshua Bengio. Srinivas berkongsi cerita yang mencerminkan 'kebijaksanaan sumber' beliau: semasa di Institut Teknologi India (IIT), seorang profesor memberikan beliau kertas DeepMind DQN (AI yang bermain permainan Atari) dan meminta beliau untuk mengulanginya dalam Python dan mencuba pembelajaran pindahan. Tanpa sumber pengiraan, beliau 'meminjam' kad grafik dari beberapa pelajar PhD yang ketagih permainan di makmal. Akhirnya, beliau berjaya mengulangi kertas tersebut dan melakukan beberapa penyelidikan asas, menerbitkan kertas. Beliau membungkus hasil ini dalam resume, memohon latihan di Makmal Montreal (MILA), dan mendapat peluang dengan mempelajari rangka kerja Theano secara sendiri.
Abbeel menambah dengan ketawa satu anekdot: nasihat yang paling kerap beliau berikan kepada Srinivas adalah 'anda perlu tidur'. Srinivas kini sangat bersetuju dengan ini, beliau dengan bangga mengatakan bahawa beliau kini tidur 7.5 jam setiap malam, dan berpendapat bahawatidur adalah cara terbaik untuk menangani tekanan, jauh lebih baik daripada makan pizza, ais krim, dan kaedah melegakan tekanan jangka pendek yang lain.
Aliran nilai AI dan impak model sumber terbuka
Topik beralih kepada trend makro industri. Pieter Abbeel menyebut bahawa peristiwa besar dalam bidang AI tahun lalu mungkin adalah kebangkitan pasukan China DeepSeek. Srinivas bersetuju sepenuhnya, dan menyebutnya sebagai 'titik perubahan yang besar'.
Beliau menjelaskan bahawa DeepSeek adalah model 'penaakulan' sumber terbuka pertama. Berbeza dengan model tipikal seperti GPT yang menyelesaikan input-output secara serta-merta, model penaakulan akan menjalankan 'rantai pemikiran', melalui tempoh 'aliran kesedaran' sebelum memberikan jawapan, oleh itu lebih berkuasa dalam menangani pertanyaan atau tugas yang kompleks. Sebelum ini, model o3 OpenAI mempunyai keupayaan penaakulan, tetapi ia adalah sumber tertutup. Makmal DeepSeek China bukan sahaja membuka sumber model, mengeluarkan berat secara percuma, tetapi aplikasi mereka juga percuma, dan telah mengatasi pencapaian OpenAI dalam pelbagai ujian penanda aras. Mereka mendakwa hanya menghabiskan 600 juta dolar untuk melatih model ini (walaupun mungkin ada sedikit berlebihan), tetapi ini berbeza dengan pelaburan yang sering mencapai puluhan bilion dolar.
Peristiwa ini mencetuskan gegaran di seluruh dunia: adakah kita benar-benar memerlukan komputer super gergasi dan dana yang besar? Mengapa Amerika Syarikat tidak melakukannya? Ditambah dengan latar belakang hubungan China-Amerika Syarikat sekarang, kesan peristiwa ini menjadi lebih mendalam. Srinivas menegaskan bahawa ini menguntungkan syarikat lapisan aplikasi seperti Perplexity, kerana setiap kali ada model sumber terbuka yang mengatasi model sumber tertutup, makmal model sumber tertutup akan bertindak balas dengan cepat:menurunkan harga, mengeluarkan model yang lebih baik, mempercepatkan pelancaran ke pasaran, yang baik untuk seluruh ekosistem.
Jadi, dengan keupayaan AI yang semakin meningkat, ke mana nilai akan mengalir? Srinivas memberikan penilaian yang jelas:nilai akan terkumpul di lapisan aplikasi dan lapisan cip.
Beliau menjelaskan bahawa lapisan aplikasi (seperti Perplexity) adalah lapisan di mana pengguna mengalami AI secara langsung, mengandungi konteks peribadi pengguna, oleh itu boleh membina pengalaman yang unik dan berbeza. Lapisan cip (seperti NVIDIA) menyediakan 'substrat asas' yang pintar. Manakala lapisan model asas di tengah, kerana keupayaan teras seperti penaakulan, ringkasan, terjemahan, pengekodan matematik sedang menjadi komoditi, ditambah dengan 'persaingan ke bawah' model sumber terbuka, ruang keuntungannya akan dimampatkan.
Di bawah lapisan aplikasi, terdapat infrastruktur fizikal seperti pusat data dan cip. Hanya pembekal awan berskala besar yang mempunyai modal dan keupayaan untuk membina kelompok pelayan gergasi yang menampung beribu-ribu GPU, dengan kebolehpercayaan tinggi dan sambungan berkelajuan tinggi. Ini adalah bidang yang memerlukan perbelanjaan modal yang besar.
Ambisi berani: Dari membida TikTok ke membina pelayar asli AI
Pieter Abbeel menyebut beberapa langkah berani Srinivas dan Perplexity yang mengejutkan, seperti terlibat dalam pembidaan TikTok. Srinivas mengesahkan bahawa ini bukan gurauan, mereka memang menyerahkan tawaran. Pertimbangan beliau adalah: TikTok kini mempunyai kira-kira satu pertiga pengguna Amerika Syarikat, dan aliran harian bar cariannya telah mencapai satu pertiga daripada carian Google. Jika mereka boleh memiliki TikTok dan membina semula algoritmanya, mengambil alih bar carian, ia akan mempunyai nilai strategik yang besar. Walau bagaimanapun, beliau juga mengakui bahawa perkara ini sangat dipolitikkan, dan dengan isu seperti tarif menjadi tumpuan, perhatian awam telah beralih.
Langkah lain yang menarik perhatian adalah keterangan Perplexity dalam kes antitrust Jabatan Kehakiman Amerika Syarikat terhadap Google. Srinivas menjelaskan bahawa mereka tidak secara aktif mencadangkan untuk membeli pelayar Chrome Google. Sebaliknya, dalam keterangan mereka,menentang paksaan Google untuk menjual Chrome, kerana Chrome berkait rapat dengan projek sumber terbuka Chromium yang didominasi oleh Google, dan Chromium adalah asas kepada pelayar lain seperti Microsoft Edge (bahagian pasaran kedua). Mereka berpendapat bahawa Chromium lebih baik dikendalikan oleh Google daripada (beliau secara tersirat) syarikat seperti OpenAI yang 'tidak sesuai dengan namanya'. Sudah tentu, mereka juga menyatakan bahawa jika Jabatan Kehakiman berkeras untuk menjual, Perplexity berminat untuk mengambil alih.
Peristiwa ini menunjukkan bahawa Perplexity, yang hanya berusia dua setengah tahun, telah terlibat dalam perbualan teratas yang membentuk landskap gergasi teknologi global.
Dalam aspek pelaksanaan yang lebih praktikal, Perplexity sedang memperluas liputannya melalui integrasi mendalam. Contohnya, bekerjasama dengan Deutsche Telekom untuk membina pembantu Perplexity dalam skrin kunci T-Phone; mencapai kerjasama pra-pemasangan dengan Motorola, meliputi kira-kira 4000 juta telefon setiap tahun. Srinivas menekankan bahawa strategi mereka adalah menjadikan AI hadir di mana-mana dan mudah diakses, bukannya meminta pengguna secara aktif mempelajari cara menggunakan aplikasi tertentu.Arah masa depan adalah integrasi mendalam di peringkat sistem pengendalian atau aplikasi, menjadikan pembantu AI sentiasa menemani pengguna.
Penyelidikan, pengajaran dan pemikiran produk: Metodologi di sebalik kejayaan
Pieter Abbeel mengimbas kembali keluaran penyelidikan yang menakjubkan oleh Srinivas semasa di Berkeley, termasuk kerja-kerja perintis atau peningkatan ketara dalam bidang pembelajaran visual tanpa penyeliaan, pecutan pembelajaran pengukuhan, model aliran, gabungan Transformer dengan ConvNet, penjanaan video, Transformer pembelajaran pengukuhan, dan banyak lagi. Beliau bertanya tentang rahsia kejayaan.
Srinivas mengaitkan sebahagian daripada sebab kepada tumpuan dan ketekunan, terutamanya semasa pandemik COVID-19, beliau hampir menghabiskan semua masa untuk bekerja. Tetapi beliau juga berkongsi perubahan metodologi utama:pada awal beliau berfikir bahawa semakin kompleks idea, semakin banyak penghormatan yang diperoleh dalam bidang, tetapi ini sebenarnya adalah salah tanggapan. Kemudian beliau menyedari bahawa tidak sepatutnya hanya memenuhi keperluan minoriti 'orang pintar' dalam bidang, tetapi sepatutnya melakukan kerja yang cukup mudah, perubahan asas, menjadikannya boleh diakses secara meluas, untuk memaksimumkan impak penyelidikan. Idea yang benar-benar penting adalah yang cukup mudah, setiap orang boleh membina di atasnya.
Beliau juga menyebut pengalaman mengajar kursus 'Pembelajaran Tanpa Penyeliaan Mendalam' bersama Pieter Abbeel dan Jonathan Ho di Berkeley (kursus ini kemudiannya berkembang menjadi kursus AI generatif). Pada masa itu, mereka menyedari bahawa model pembelajaran pengukuhan kekurangan akal sehat, dan satu-satunya cara untuk mendapatkan akal sehat adalah dengan menelan data yang banyak, satu-satunya fungsi sasaran yang boleh bertindak sebagai 'span' adalah pembelajaran tanpa penyeliaan. Untuk memaksa diri mereka memahami topik ini dengan mendalam, mereka memutuskan untuk mengadakan kursus. 'Cara terbaik untuk mempelajari sesuatu adalah dengan mengajarnya.' Kursus ini pada mulanya mempunyai 200 pelajar, selepas tugasan pertama hanya tinggal 50 orang, tetapi proses pengajaran sangat mengukuhkan pengetahuan mereka dan meletakkan asas untuk penyelidikan selanjutnya.
Mengenai bagaimana pelajar dalam era AI boleh mengimbangi penggunaan AI dengan mengekalkan pemikiran bebas, Srinivas mengakui bahawa jawapannya berubah setiap enam bulan. Tetapi beliau berpendapat bahawakeupayaan berfikir yang jelas dan teratur adalah sangat penting. Walaupun bekerjasama dengan AI, mereka yang boleh menyatakan keperluan dengan tepat dan jelas, dan berulang dengan AI sehingga menyelesaikan tugas, akan jauh lebih cekap. Ini adalah kemahiran universal, sama ada dengan manusia atau AI, mereka yang pandai berkomunikasi dan menyatakan diri lebih mudah berjaya.
Dalam pemasaran, Srinivas mempunyai pandangan yang unik. Beliau berpendapat bahawa pengasas atau pembina produk sering merupakan orang terbaik untuk menyampaikan nilai produk kepada pengguna, kerana mereka paling memahami mengapa produk itu wujud dan bagaimana menggunakannya dengan terbaik. Beliau mengaitkan idea ini kepada zaman PhD: beliau mungkin antara yang pertama menggunakan thread panjang Twitter secara sistematik untuk menerangkan nilai teras kertas penyelidikan secara terperinci, bukannya sekadar memautkan kertas. Cara ini mempercepatkan penyebaran idea, membuatkan beliau menyedari bahawamenguasai kemahiran memadatkan idea kompleks dan menyampaikannya secara berkesan kepada khalayak luas boleh digunakan dalam semua aspek kehidupan. Sudah tentu, beliau juga bergurau bahawa kini AI sudah boleh secara automatik merumuskan kertas penyelidikan menjadi thread Twitter.
Sesi soal jawab: Persaingan, privasi dan masa depan
Dalam sesi soal jawab penonton berikutnya, Srinivas menjawab beberapa soalan yang mencabar.
Mengenai kelebihan daya saing teras Perplexity, beliau menegaskan bahawa ia terletak pada keupayaannya untukmendapatkan hasil masa nyata dari internet dengan sumber yang boleh dipercayai untuk setiap pertanyaan, serta kelajuan dan keluasan jawapan. Tetapi beliau berpendapat bahawa persaingan yang lebih jauh adalah membina pelayar asli AI, di mana pengguna tidak perlu memikirkan alat AI mana yang perlu digunakan, tetapi pembantu AI secara semula jadi wujud dalam setiap halaman web dan kotak input.
Mengenai privasi data, Perplexity menyediakan 'mod tanpa jejak', serupa dengan fungsi pelayar, pertanyaan tidak akan disimpan secara kekal. Versi perusahaan sama sekali tidak menyimpan sebarang log. Pengguna juga boleh memilih untuk memadam rekod penggunaan AI mereka, mengelakkannya digunakan untuk latihan.
Mengenai bagaimana menangani pesaing yang mempunyai sumber yang jauh lebih besar, jawapan Srinivas adalah:bertindak lebih pantas, mengeluarkan lebih banyak fungsi, dan berani membuat pertaruhan yang lebih sukar dan lebih besar, seperti membangunkan pelayar atau integrasi peringkat sistem pengendalian. Apabila pesaing juga perlu membina produk baru dari awal (seperti pelayar), persaingan bukan lagi sekadar menambah fungsi pada produk teras.
Mengenai pembelajaran yang diperlukan untuk beralih dari latar belakang teknikal menjadi CEO, jawapan Srinivas agak bersifat zaman: beliau tidak secara khusus mempelajari perniagaan atau kepimpinan,produk Perplexity itu sendiri adalah alat pembelajaran dan membuat keputusan beliau. Dari memahami insurans kesihatan hingga menyediakan soalan temu duga pengambilan pekerja, hingga membuat ramalan kewangan dan ucapan pembiayaan berdasarkan data papan pemuka yang dihasilkan oleh AI, beliau bergantung pada Perplexity. Pada pandangan beliau, dalam era AI, membina produk yang baik, mendapatkan pengguna, menukar sebahagian pengguna menjadi pengguna berbayar, dan membiayai berdasarkan rekod pelaksanaan, laluan ini lebih langsung dan berkesan daripada 'mempelajari perniagaan' dalam erti kata tradisional.
Akhirnya, Pieter Abbeel ditanya tentang arah penyelidikan seterusnya yang menarik. Beliau menegaskan dua perkara: pertama, aplikasi AI dalam dunia fizikal (robotik) sedang menjadi mungkin, kerana ini memerlukan kebolehpercayaan dan keupayaan pembetulan yang sangat tinggi, dan model yang lebih kuat menjadikannya realiti; kedua,pembelajaran berterusan (Continual Learning), di mana model boleh menyerap pengetahuan baru dan memperbaiki diri seperti manusia, bukannya bergantung pada 'larian latihan besar' setiap setengah tahun, ini akan menjadi penemuan penyelidikan yang mengubah permainan.
