Perplexity 今天推出 Deep Research 工具,彻底打破了 AI 市场的现状。这款工具能在几分钟内生成全面的研究报告,以远低于企业级常规成本的价格,向用户开放先进的 AI 功能。
Perplexity CEO Aravind Srinivas 在 X 平台上发文表示:"感谢开源!我们将继续提高速度并降低成本。知识应该是普遍可及且有用的,不应该被隐藏在昂贵的订阅计划背后,那只会让企业受益,而不符合人类的利益!"
Perplexity Deep Research 重新定义 AI 定价 — 企业级 AI 能否生存?
这次发布揭示了 AI 定价的一个残酷事实:昂贵的企业订阅可能并非必要。虽然 Anthropic 和 OpenAI 每月收取数千美元的服务费,但 Perplexity 为所有用户每天提供 5 次免费查询。专业版用户每月支付 20 美元即可获得每天 500 次查询额度和更快的处理速度 — 这一价格标准可能会迫使大型 AI 公司解释为什么他们的服务要贵上 100 倍。
尽管整体 IT 预算增长不到 2%,但预计企业在 AI 方面的支出将在 2025 年增长 5.7%。一些企业计划将 AI 支出增加 10% 或更多,平均增加 340 万美元用于 AI 计划。随着 Perplexity 以消费级价格提供类似功能,这些投资现在看来值得商榷。
在典型查询中,Perplexity 的 Deep Research 工具会执行 8 次搜索并参考 42 个来源,在不到 3 分钟内生成一份 1,300 字的报告。
Perplexity Deep Research 如何超越 Google 和 OpenAI
Deep Research 的技术成就表明,昂贵的 AI 服务可能是定价过高而非性能更优。该系统在 SimpleQA 基准测试中获得 93.9% 的准确率,在"人类最后考试"中达到 20.5%,超过了 Google 的 Gemini Thinking 和其他领先模型。
OpenAI 的 Deep Research 在同样的考试中以 26.6% 的成绩领先,但 OpenAI 对该服务收取 200% 的费用。Perplexity 能够以消费级价格提供接近企业级的性能,这引发了人们对 AI 行业定价结构的重要质疑。
为什么 Perplexity 的平价 AI 正在打破先进技术的准入门槛
影响已经超出定价范畴。企业级 AI 在资金充足的公司和其他群体之间造成了数字鸿沟。无法负担数千美元订阅费用的小企业、研究人员和专业人士实际上被排除在先进 AI 功能之外。
Perplexity 的方案改变了这种局面。该工具可以处理从财务分析、市场研究到技术文档和医疗保健洞察等复杂任务。用户可以将研究结果导出为 PDF 或通过 Perplexity 的平台分享,有望替代昂贵的研究订阅和专业工具。
该公司计划将 Deep Research 扩展到 iOS、Android 和 Mac 平台,这可能会加快那些以前认为 AI 工具遥不可及的用户的采用速度。这种广泛的访问可能比任何技术突破都更有价值 — 最终让最需要的用户能够使用先进的 AI 功能。
对于技术决策者来说,这种转变值得关注。为 AI 服务支付高价的公司应该审视这些投资是否带来了超出 Perplexity 现有低价服务的价值。答案可能会重塑组织在 2025 年及以后如何看待 AI 支出。
当 Perplexity 的竞争对手争相为其高价服务辩护时,已有数千用户正在测试 Deep Research 的功能。他们的判断可能比任何基准测试都更重要:在 AI 的新现实中,最好的技术不是最贵的 — 而是人们真正能用得起的。
好文章,需要你的鼓励
生成式AI在电商领域发展迅速,但真正的客户信任来自可靠的购物体验。数据显示近70%的在线购物者会放弃购物车,主要因为结账缓慢、隐藏费用等问题。AI基础设施工具正在解决这些信任危机,通过实时库存监控、动态结账优化和智能物流配送,帮助商家在售前、售中、售后各环节提升可靠性,最终将一次性买家转化为忠实客户。
泰国SCBX金融集团开发的DoTA-RAG系统通过动态路由和混合检索技术,成功解决了大规模知识库检索中速度与准确性难以兼得的难题。系统将1500万文档的搜索空间缩小92%,响应时间从100秒降至35秒,正确性评分提升96%,为企业级智能问答系统提供了实用的技术方案。
存储供应商Qumulo发布多租户架构Stratus,为每个租户提供独立的虚拟环境,通过加密技术和租户专用密钥管理系统实现隔离。该统一文件和对象存储软件支持本地、边缘、数据中心及AWS、Azure等云环境部署。Stratus采用加密隔离技术确保敏感数据安全,同时提供任务关键操作所需的灵活性和效率,帮助联邦和企业客户满足合规要求。
中科院和字节跳动联合开发了VGR视觉锚定推理系统,突破了传统AI只能粗略"看图"的局限。该系统能在推理过程中主动关注图片关键区域,像人类一样仔细观察细节后再得出结论。实验显示VGR在图表理解等任务上性能大幅提升,同时计算效率更高,代表了多模态AI"可视化推理"的重要进展。