Perplexity Frontier Research: зачем поисковик выделил 10 000 GPU на автономного ИИ-исследователяЗаметка · дайджест за 19 ноября
Кинематографичный кадр серверного кластера с ритмичными рядами стоек и оптическими трассами
Заметка3 раздела≈ 3 мин

Perplexity Frontier Research: зачем поисковик выделил 10 000 GPU на автономного ИИ-исследователя

Когда ты открывал Perplexity в первые годы, сервис работал как прокладка над поиском: прочёсывал веб и отдавал сборку ответа чужой модели. В феврале 2026 года компания запустила Perplexity Computer — изолированную среду, где задачу сразу делит связка из девятнадцати-двадцати с лишним передовых моделей. Логику в ней ведёт Claude Opus 4.6, глубокий поиск закрывает Gemini, а код и текст распределяются между остальными. Но на этом маршруте команда упёрлась в потолок: сторонние модели заморожены после обучения и не растут на новом опыте. Чтобы пробить эту стену, 16 ноября 2026 года Perplexity открыла лабораторию Frontier Research.

От маршрутизатора чужих API к кластеру на 10 000 GPU

Под новую программу выделили кластер свыше 10 000 GPU, а руководить лабораторией позвали профессора NYU Эндрю Гордона Уилсона. Он известен работами по байесовскому глубокому обучению, оценке неопределённости и непрерывному дообучению нейросетей. Цель команды звучит амбициозно — вырастить «автоматизированного учёного-исследователя», который сам ищет пробелы в данных, строит и проверяет гипотезы и меняет курс после промахов.

Запираться в закрытой лаборатории никто не планирует: Perplexity пообещала выкладывать статьи, датасеты, модели и код на GitHub и Hugging Face — сам разворот поискового агрегатора к фундаментальной науке разобрали и на канале Julian Goldie SEO.

Непрерывное обучение и быстрая сеть между видеокартами

Программу разбили на шесть треков вокруг двух главных технических узлов. Четыре направления прокачивают саму логику: команды улучшают базовое предобучение, усиливают обучение с подкреплением методом проб и ошибок, превращают одиночную модель в отряд из поисковика, аналитика, критика и проверяющего, плюс готовят свежие frontier-тесты. Старые экзамены нейросети научились зазубривать, поэтому новые проверки смотрят на умение рассуждать за пределами учебной базы.

Главный научный вызов — непрерывное обучение, или continual learning, профильная тема Уилсона. Обычная языковая модель замирает на дате своего выпуска: попробуй доучить её на свежих данных без полной пересборки с нуля, и прежние навыки начнут сыпаться. В машинном обучении этот сбой называют катастрофическим забыванием.

Пока модели не научатся впитывать новый опыт на ходу, автономный исследователь остаётся лабораторной мечтой.

Второй узел ближе к железу — системная инфраструктура, без которой связка из двадцати моделей встанет в очередях на передачу данных. Тут у Perplexity уже открыт код: библиотека fabric-lib в репозитории perplexityai/pplx-garden вместе с токенизатором pplx-unigram и сервером lily для Apple Silicon, а также статья для MLSys'26 на arXiv. Библиотека перегоняет данные напрямую между памятью видеокарт по RDMA в обход центрального процессора и работает поверх карт NVIDIA ConnectX-7 и AWS EFA.

Цифры здесь уже боевые. Транспорт держит до 400 Гбит/с, обновляет веса триллионных моделей в RL-цикле за 1,3 секунды и перекидывает память KV-кэша между серверами. На той же базе работают и быстрые ядра для архитектур со смесью экспертов, а на кластере AWS SageMaker HyperPod команда зафиксировала 97,1% эффективности сетевого канала.

Что уже доехало до пользователей и где граница хайпа

Незаметная для глаз сетевая работа напрямую меняет выдачу в браузере. Когда режим Deep Research перенесли внутрь мультимодельного Perplexity Computer, сложный запрос начал дробиться на подзадачи между двумя десятками моделей. На экзамене Humanity's Last Exam точность выросла с 36,4% до 50,5% против прежней версии Deep Research, а на тесте глубокого веб-поиска BrowseComp результат прыгнул с 40,7% до 83,8%.

Для твоих повседневных задач это значит переход от короткой справки к многошаговому расследованию, где одна модель собирает факты, а другая ловит нестыковки. При этом граница между сегодняшним сервисом и большой наукой видна чётко: fabric-lib, быстрое обновление весов и маршрутизация моделей уже работают в коде и на живых кластерах, а автономный ИИ-учёный, собственные frontier-модели с нуля и победа над забыванием остаются долгой ставкой на годы вперёд.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 0 голосов.
Источники · 3