AI初创公司Perplexity为美国总统特朗普的社交媒体平台Truth Social提供了全新的AI驱动搜索引擎。
这一名为"Truth Search AI"的搜索引擎已在Truth Social网页版上线,iOS和Android应用程序的公开Beta测试计划在"不久的将来"推出。
特朗普媒体公司在新闻稿中表示,Perplexity的技术能够提供"直接、准确的上下文答案和透明引用",这将帮助Truth Social"指数级增加"用户可获取的信息量。不过,该社交媒体平台保留对AI搜索引擎信息来源的控制权。
Truth Social使用的是Perplexity Sonar API,该API承诺能够查询网络获取当前和经过验证的信息——即使这些信息是从屏蔽Perplexity爬虫的网站上抓取的——并支持结构化输出,让用户能够自定义搜索引擎响应的格式。
Perplexity发言人Jesse Dwyer告诉TechCrunch,Sonar API的准确性取决于Truth Social限制的信息来源。"我们对此没有可见性或控制权,"Dwyer表示,"这就像你在自己公司内部使用API,或者学术研究人员想用它搜索自己的数据一样。"
TechCrunch已联系特朗普媒体公司,希望了解更多关于Truth Search AI是否能访问整个网络、是否会优先考虑某些信息来源,以及AI是否会被指导对总统和现任政府给出正面回应、对民主党给出负面回应等问题。
为了评估搜索机器人会引用哪些信息来源,Axios向其提出了一系列问题,如"2021年1月6日发生了什么?"和"唐纳德·特朗普为什么被弹劾?"据Axios报道,在所有回应中,FoxNews.com要么是最常见的信息来源,要么是唯一列出的信息来源。其他来源包括FoxBusiness.com、《华盛顿时报》或《大纪元时报》。
相比之下,Perplexity的公共搜索引擎返回了更广泛的信息来源,包括维基百科、Reddit、YouTube、NPR和Politico。
特朗普媒体公司首席执行官、前加州国会议员德文·努内斯在声明中表示,Truth Social计划"根据用户反馈完善和扩展搜索功能,同时对平台实施广泛的额外增强功能"。
Perplexity首席商务官德米特里·舍维连科在声明中也指出,Perplexity的AI通过"透明引用提供答案,让任何人都能深入挖掘"。
7月下旬,特朗普与其AI行动计划一同发布了一项针对"有偏见AI"的行政命令,即那些不"意识形态中立"的模型。该命令特别提到关于种族或性别、无意识偏见、系统性种族主义以及其他被归入多元化、公平和包容性(DEI)范畴的观点是"普遍存在且具有破坏性的"意识形态,可能"扭曲输出的质量和准确性"。
Truth Search AI的推出正值OpenAI、Anthropic和Google等顶级AI公司被加入批准供应商名单的同一周,这些公司可以向联邦民用机构销售其服务。OpenAI周三与美国政府中央采购部门达成协议,以每年仅1美元的价格向各机构销售ChatGPT Enterprise。
Q&A
Q1:Truth Search AI是什么?它有什么特点?
A:Truth Search AI是Truth Social推出的AI搜索引擎,由Perplexity提供技术支持。它能提供直接、准确的上下文答案和透明引用,但Truth Social平台保留对AI搜索引擎信息来源的控制权。
Q2:Truth Search AI和普通Perplexity搜索有什么区别?
A:Truth Search AI的信息来源更加有限和倾向性。测试显示,它主要引用FoxNews.com、FoxBusiness.com、《华盛顿时报》等保守派媒体,而普通Perplexity搜索引擎返回更广泛的信息来源,包括维基百科、Reddit、NPR等。
Q3:Truth Search AI目前可以在哪里使用?
A:Truth Search AI目前已在Truth Social网页版上线,iOS和Android应用程序的公开Beta测试计划在不久的将来推出。平台计划根据用户反馈继续完善和扩展搜索功能。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。