通信人家园

 找回密码
 注册

只需一步,快速开始

短信验证,便捷登录

搜索

军衔等级:

  四级通信军士

注册:2007-10-293
发表于 2024-10-21 15:03:13 |显示全部楼层

昨天晚上查资料,由于国内AI搜索无法抓取到外部信息,我只能用Perplexity。这时,发现APP中新增一个功能,叫Spaces。

出于好奇,点进去看了一下,和Spaces一起推出的还有一个新功能,叫内部知识搜索。

什么是内部知识搜索?什么是Spaces?这个产品如何使用?它有哪些特点?难道Perplexity找到了广告之外的新商业模式?

带着种种疑惑,熬夜看完官方介绍文档,并体验一番,现在把心得总结分享给你。

01

Spaces 中文名字叫「空间」,它位于 Perplexity 的 APP 的左侧,像往常一样,放在发现功能的下面。

官方介绍说:Spaces 是一个专门为团队协作设计的功能,主要提供一个「人工智能驱动的协作平台」,这个功能允许用户创建定制的空间,来满足团队的特定需求。

在空间里,你可以邀请同事和朋友,一起共享文件,还可以使用包括偏好设置在内的人工智能模型,来定制助手的回应方式。

简单讲,这个空间主要特点有三个:

一,自定义 AI 助理。你可以设定空间内设定AI助理的指令;比如,定义它应该更专注于回答哪些话题,以及回答的深度。

二,通过空间把内部文件与空间连接起来,团队成员就能方便地访问和共享信息。还能与团队协作,让同事们一起处理某个文件、或者问题、甚至生成报告,提高效率。

三,隐私资料的保护。你自己可以控制谁可以看到这些文件,当然,Perplexity 保证不会用你的数据来训练 AI。



注:


看完后,我下意识觉得:

原来在Perplexity中,只有一个“历史记录的对话”框;通过历史对话,能把文本生成网页分享出去,现在,它只不过新增一个地方,可以用来处理深度问题或企业场景下的问题和文件,所有文件和问题都保存在其中,方便二次复用。

理解归理解,很多东西手上体验后才知道到底是什么,于是,赶紧使用了一下,创建空间挺简单,有四步走:

一,输入一个名字,选个头像;二,写个描述,在描述里,写上跟团队协作项目的名字,就像设定一个主题。

三,选择要用的 AI 大模型,如果不是 PRO 会员,模型是默认设置。四,给 AI 设置自定义指令,这一步决定了你想要输出更结构化一点,还是更接近自然语言。

创建完后,我随手从桌面上传一本最近在读的书:《利润:没有公司会因为盈利而破产》(True Profit! No Company Ever Went Broke Turning a Profit)。

这本书由赫尔曼·西蒙(Hermann Simon)撰写,主要讨论利润在企业生存和发展中的重要性,不过,是纯英文,中文刚出版还没有电子版,所以,索性给到它,让他帮我学习下,再生成一个报告。

上传后,我发现它多一个新功能,可以选择答案的来源。也就是说,我可以选择在网上搜索,也能在空间内的文件中查找。

这让我想到了Kimi Chat的对话框,那里也可以上传文件进行总结,还能进行外部搜索。



注:


我先测试了一下空间搜索,问了它第一个问题:你能为我做什么?它回答说它是一个人工助手,可以帮我解答问题,协助完成各种任务,还可以做我的对话伙伴。

接着我又问:

这本书的第一部分,第一章写了什么?它像传统的AI总结工具一样,介绍了书中利润的概念和定义。

还提到不同的利润类型,比如EAT(税后收益)、EBT(税前收益)、EBIT(息税前利润)、EBITDA(息税折旧摊销前利润)等,核心内容都是围绕第一章展开的。

不过,这种回答不够理想,因为我不喜欢结构化表达,个人觉得结构化会把各种过程性内容删减掉。

于是,我又继续问它,我说:不要结构化回答,聊聊第一部分,第二章写了什么?它说:

这部分主要讨论了寻找利润的过程,作者指出人们往往高估企业的利润水平;然后举了一些案例,讨论了资本回报率这个重要指标。

作者通过比较和分析,揭示了影响企业利润的各种因素,引导读者思考如何在实践中提高企业的盈利能力。这次的回答还算满意。

02

体验完总结两点:首先,相比 ChatGPT o1-preview,它可以上传文件,让我与文件对话、进行总结,并把总结后的资料保存下来,生成报告,甚至发布文章,这些 o1-preview 做不到的。

o1-preview 主要是在面板上操作,虽然我也可以上传文件给它读,但整个过程不太流畅;另外,我还没测试它的协作功能,不过据我所知,o1-preview 没有这个功能的。

其次,与国内的产品 Kimi Chat 相比,用Kimi唯一的劣势在于如果上传一本书、一个PDF后,就无法联网了,只能在聊天框内针对一个文件进行搜索,这很不方便。

Perplexity 解决了这个问题,它直接给出两个选项,一,让AI搜索跟文件对话、二,从外部搜索;不论是内部对话的内容,还是外部搜索的资料,我都放在面板上。

换句话说:

Perplexity 把自己能力融合成一个多功能的工具。

工具以搜索为基础,提供了一个存储空间,在空间内,用户既可以联网搜索,也可以上传文件进行对话,还能与同事协同工作。

看来,Perplexity 正在尝试将其产品能力结合起来,逐步进入协作空间,或者开始为小团队提供服务。

我很好奇,为什么要做这个能力,如此缝合怪的组合,背后动机是什么?他们产品负责人如何思考的?

于是,查了一下相关信息发现,Perplexity 的企业产品主管 Frank te Pas 在接受科技媒体 VentureBeat 的采访时提到一个重要需求。

什么需求呢?

简单来说,如何更好地把外部知识和内部知识结合起来,帮助企业提高信息效率。

举个例子:以前写报告时,要找外部信息,做内部调查,还要和很多人一起合作,整个过程非常麻烦。

现在,有了外部搜索、内部搜索和协作功能,你可以很方便地找到外部信息,把内部文件上传到 Perplexity 的团队空间,然后邀请团队成员一起完成报告。

这样不仅省了时间,还提高了工作的准确度和质量。

03

Frank te Pas原意,我理解后认为:

知识分为外部知识和内部知识,外部知识是指网上公开的内容,而内部知识是公司或团队的 PDF、Excel 表格、Word 文档等。

用户不仅希望搜索互联网上的公共内容,也希望查找公司内部的文件和知识库,并把两者结合起来进行高效处理,我们为此打造了一个空间,把这些资源整合在一起。

从内部来看,这样可以专注于处理最重要、有价值的数据,避免浪费时间在不必要或低价值的文件上;从外部来看,搜索的信息可以与内部内容结合,提供更全面的答案。

很多客户表示,他们更想接触对自己真正有用的信息,这让他们的数据变得更加宝贵。

外部知识对用户的实际应用帮助可能有限,用户更希望通过搜索功能,来构建和丰富自己的专属知识库,这个知识库可以是针对某个主题或项目的研究。

通过上传不同的文档,把外部知识和内部知识结合起来,可以提高信息处理的效率。

Perplexity AI 的联合创始人 Srinivas 在一篇博客中也提到了这一点。他说:

以前使用内部和外部信息是两个独立的过程,一个用于搜索互联网,另一个用于访问内部文档和数据;现在,如果能够在一个综合平台上完成所有研究,无论是内部还是外部的数据源,都可以提升企业的生产力。

我觉得,这个想法和 GPT-4.0 with Canvas有相似之处。

04

GPT-4.0 with Canvas 解决了 Copilot 的问题,Copilot 是一个智能助手,可以帮忙完成各种任务,减轻工作负担,Canvas 提供一个空间和面板,用户可以在面板上完成所有工作。

而 Perplexity 的空间在建立时,就提供了 AI 模型和自定义指令,也就是说,这个小助手会按照你的要求来工作。

同样作为空间,GPT-4.0 with Canvas 的空间可能在完成任务后就不再使用,更注重个人体验。

而 Perplexity 的空间不仅注重个人体验,还能与外部协作,不同之处在于,Canvas 可以自由创作,而 Perplexity 的空间没有面板功能,自由度相对较低。

所以,从产品需求角度出发,他们都发现了用户需要一个能够结合外部和内部信息的空间(平台、或是面板),以此更高效的完成工作。

那么,这个产品目前有哪些企业在使用呢?

我查了一下,官方指出,从 2024 年 10 月 17 日开始,Perplexity 开始向 Nvidia、Databricks( 大数据分析公司 )、Dell( 技术解决方案公司 )、Bridgewater( 对冲基金公司公司 )、Latham & Watkins( 国际律师事务所 )、Fortune ( 媒体公司 )和 Lambda( 线上编程数据科学教育的公司 )等客户开放这一功能。

早期测试阶段,客户使用内部搜索功能结合研究笔记和网络新闻来进行尽职调查,还会结合旧的销售材料和最新的见解来准备提案。

Perplexity 还会标注数据来源,让用户知道信息是来自网站还是上传的文件,方便后续的深入研究,简单来说,这些企业主要用它来进行信息整合和协作。

在我看来,虽然 Perplexity 目前流量很大,但在新业务开拓和客户选择方面,还需要进一步评估。说白了,这个产品未必适合大企业,更适合做“调研”的第三方公司。

国外产品、生态竞争卷的程度非常高,而且非常成熟,像Glean 和 Elastic从去年开始,就在做这件事,这意味着,Perplexity要和他们直面竞争。

注: ( Glean是智能搜索和信息发现平台,Elastic 是帮助企业从外部获取信息,然后分析后,再用到实际场景中)。

那么,国内AI搜索产品走企业级 RAG可行吗?

所谓 RAG,是从外部检索相关知识,将其作为提示输入大型语言模型(LLMs),然后用于问答、文本总结和内容生成,并应用于实际工作中。

目前,大多数中小企业依靠钉钉、飞书等协同软件来实现信息化,这些平台方也在积极帮助企业完成信息化升级。

比如:

前段时间钉钉推出了端内搜索功能,让用户可以直接搜索文件和聊天记录,甚至在搜索后自动生成总结,这显然在帮助企业向 RAG(检索增强生成)方向发展。

但也不能说完全没需求,毕竟很多应用场景是具体的。

类似做报告,如果你想在钉钉、飞书上做一份报告,确实需要花费一定的时间成本,而且协作效果未必理想。

相比之下,我也看到一些 AI 搜索产品尝试进入“市场研究”领域,比如秘塔 AI,但感觉方向不太对,似乎没有真正把协作、搜索、再生成的功能开放给用户,是而更多地考虑自己如何实现实现商业化。

我认为,现在已经进入了“完全协同”的时代,不能单兵作战了。

提到商业化,很多人把 AI 搜索和生态绑定在一起,认为搜索是其中一个环节,如果换个角度,从 AI 搜索单一产品来思考,我觉得这是一种新的思维方式。

在其他新闻中,Perplexity AI 如何盈利,一直是大家关注的焦点,同时,它还面临着与媒体公司版权的问题,一些媒体公司甚至明确表示不允许 Perplexity 抓取其内容用于训练。

这些种种问题,使得它不得以「搜索为起点」,没有任何依靠的探索广告意外的商业模式;而“空间 + 协同 + 搜索”的组合,何尝不是一种新的尝试呢?

或许,这也为国内 AI 搜索提供一个新的样本启发。

总结

RAG未必是好生意,但是一种探索。

探索作为起点,总能挖掘到增量部分,现在做产品过了大流量时代,为特定群体提供服务,也许是未来方向。


来源:36kr

举报本楼

您需要登录后才可以回帖 登录 | 注册 |

手机版|C114 ( 沪ICP备12002291号-1 )|联系我们 |网站地图  

GMT+8, 2024-11-14 01:59 , Processed in 0.200170 second(s), 16 queries , Gzip On.

Copyright © 1999-2023 C114 All Rights Reserved

Discuz Licensed

回顶部