Perplexity正式发布其代理平台Computer的混合计算（Hybrid Compute）系统。这套架构允许单个AI代理在云端前沿模型与本地小参数模型之间动态拆分任务，将涉及机密信息的环节全部留在用户设备上。对于正处在数字化转型深水区的企业而言，AI办公的数据安全边界终于有了新的解决方案。
混合计算架构：AI Agent的“云端+本地”双引擎
混合计算的核心逻辑并不复杂：让AI代理像一位精明的主管，把工作拆解成不同性质的子任务，再分派给最合适的执行者。云端负责需要海量知识的网页研究、长程规划、复杂推理；而凡是触及私人文件、本地数据或设备操作的任务，则交给运行在Mac本地的小模型子代理。两者协同完成一个连贯的任务流，无需重启任务，也不丢失上下文。
这是业界首次实现同一AI代理在云端和本地之间动态交接机密片段。Perplexity的桌面应用已向企业用户以及Pro、Max订阅者开放该功能，凡是运行macOS 15或更高版本的Apple silicon Mac均可使用。Perplexity的macOS和iOS工程负责人Jon Staff在媒体沟通会上强调：“混合模式真正有吸引力，是因为需要保密的工作往往最重要，准确性也最关键。结合两者，我们既能获得前沿模型的最大智能，也能获得本地模型带来的安全与隐私。”
这一架构本质上与AI Agent技术的演进方向高度吻合。过去，AI代理往往被部署在纯云环境中，数据出境风险始终存在；现在，混合计算让代理的“手”和“脑”可以分离——大脑在云端，手在本地。对许多企业而言，这意味着他们终于可以放心让AI代理接触核心商业机密，而无需担心数据外泄。
隐私门机制：机密数据的“守门员”
混合计算的枢纽是一个名为“Privacy Gate”（隐私门）的组件。它由Perplexity自研的PII（个人身份信息）分类器构成，直接在设备端运行，在数据发送到云端之前，扫描姓名、地址、账号、密钥等敏感字段。一旦发现敏感内容，系统会弹出提示，由用户决定该部分任务是在本地执行还是选择共享。
Jon Staff详细描述了任务交接的流程：“云端编排层根据提示词拆分任务，决定如何路由到不同子代理。当涉及敏感部分时，它会委派给运行在Mac上的子代理，这部分任务完全在本地执行，任何token（数据单元）都不会进入云端。”也就是说，即便任务起源于云端的全局规划，真正接触隐私数据的环节也被牢牢锁死在设备边界内。
这种设计对成本敏感的企业同样友好。Perplexity按信用点（credits）计量云端用量，而本地生成的token完全免费。Staff表示：“你只需支付电费和硬件成本，我们不会对此收费。信用点仅用于云端编排和任务委派。”从经济账来看，企业可以大幅削减云API调用费用，同时获得同等质量的智能输出。
对于企业数字化转型而言，隐私门机制填补了最后一块短板。过去，数据合规要求往往迫使企业割裂AI应用场景，比如禁止员工将客户资料粘贴到云端聊天工具。现在，混合计算从架构层面实现了“数据不出域”，这让AI办公在金融、法律、医疗等高合规行业中真正具备落地条件。
真实场景：律师、私募与创业者的效率革命
Perplexity的演示围绕专业人士最不愿交给纯云端代理的工作展开。第一个场景中，一位赶截止日期的律师需要根据Mac本地存储的受特权保护案件文件更新诉讼要点，云端代理则同时从公开网络抓取判例法。Perplexity表示，整个过程中发送到云端的只有经过匿名化的法律问题，“特权信息从未离开Mac”。
第二个场景中，私募股权分析师的代理基于机密的经营预测重塑财务模型，同时以公开可比公司数据进行估值基准测试，最终生成了第五版投资委员会演示文稿。整个任务在后台运行约40分钟，全程无需人工干预——如果按传统方式，这需要在本地电子表格和云端研究之间手动切换，耗时数小时。
第三个场景展示了跨设备连续性。陶艺店店主坐在Uber后座，用iPhone启动了市场分析任务。Computer请求访问她位于工作室的Mac，启动本地子代理处理客户访谈和收入数据，再结合云端对竞争对手公开定价的研究，最终给出完整报告。“无论她离电脑多远都没关系。”Staff补充道：“这类任务在纯本地或纯云端环境中都无法完成——你需要本地的安全和隐私，也需要云端的前沿智能。”
这些场景表明，混合计算并非简单的“本地+云”拼盘，而是一种深度耦合的协作范式。在日常办公中，类似的效率提升同样令人期待。如果你也想探索更多AI驱动的工作流，不妨在AI工具导航中寻找适合自己的效率工具。
开源模型与安全疑虑：Qwen模型为何引发讨论？
发布时，本地模型可选列表包含三款：Google的Gemma E4B、阿里的Qwen3.6 35B-A3B，以及Perplexity对Qwen3.6 35B进行后训练的自研版本（官方推荐）。当被问及企业或政府客户是否对“由中国开发的模型访问其设备”表示担忧时，Staff认为本地推理恰好化解了地缘政治风险。
“这些模型的优势在于开放权重，我们可以自行评估。”他解释：“当模型在你的电脑本地运行时，数据不会离开设备本身。你并不会把token发送到位于其他国家的云服务商；事实上，Perplexity所有模型均托管在美国。”他还提到，macOS内置的Seatbelt沙盒框架会约束代理能对机器执行的操作：“如果本地执行尝试做超出权限的事，系统会立刻制止并请求用户授权。”目前Perplexity不允许无限制的“YOLO模式”自动执行，但Staff不排除未来对特定用户开放。
这一回应折射出AI赛道中日益敏感的技术供应链信任问题。是选择完全禁止特定国家的大模型，还是通过架构手段消除数据跨境风险？Perplexity选择了后者。对于大模型训练领域而言，开源权重加本地部署正在成为一种新的安全范式——模型本身可以来自任何国家，只要数据永不越界。这种思路可能会被更多AI独角兽采纳。
企业级管控与未来展望
混合计算对企业管理员同样友好。管理员可以设置全组织统一的敏感度策略，并审计每台设备的外发记录——所有传出云端的数据都留有详细日志，这个功能直接面向合规团队的需求。在金融、医疗等行业，审计日志往往是监管刚需，Perplexity此举显然瞄准了企业级市场的入场券。
从行业趋势看，混合计算为AI办公树立了新标杆。过去，企业面临“智能化”和“数据安全”的二选一；现在，本地小模型负责隐私敏感部分，云端大模型负责公共服务部分，两者协同实现“鱼与熊掌兼得”。这种模式不仅降低了推理成本，还让AI代理可以24小时在后台运行复杂任务，极大释放生产力。
值得关注的是，Perplexity并非唯一探索混合路线的玩家，但它在AI赛道中率先将“动态交接”和“隐私门”产品化，形成了差异化竞争力。作为融资市场上炙手可热的AI独角兽，Perplexity的这一步可能引发连锁反应，促使其他厂商跟进类似设计。
对于普通用户，混合计算也打开了新的想象空间。当AI代理可以安全地触达本地文件时，它不再是“云端问答机器人”，而是真正意义上的数字员工。比如，你可以让它整理本地照片库、分析个人财务报表，甚至辅助生成创意内容——如果你需要为办公文档配图，不妨试试AI画图；如果想优化内部分享材料，AI工具箱中也有许多实用小工具。
AI办公的下一站：混合AI会成为标配吗？
混合AI的兴起并非偶然。随着AI代理承担的任务越来越复杂，数据主权意识也在增强。欧盟GDPR、中国数据安全法等法规对数据跨境传输施加了严格限制，企业级AI应用必须在合规框架内运行。混合计算通过“把处理逻辑搬到数据身边”的方式，绕开了云服务商对数据的直接接触，从架构上满足合规要求。
可以预见，未来AI办公的默认模式将不再是“把所有数据上传到云端”，而是“按需分流”：公开信息放云端，敏感信息留本地。这种模式天然适合法律、金融、医疗等对保密性要求极高的行业，也适合那些对数据主权高度敏感的中大型企业。
当然，混合AI也存在挑战。本地模型的推理能力弱于云端前沿模型，因此任务拆分的智能程度直接决定输出质量；本地硬件算力也会成为瓶颈。但Perplexity的探索证明，这些问题可以通过精心设计的编排层和分类器来缓解。
随着更多AI独角兽进入混合计算领域，整个AI赛道将迎来一波“架构革新”竞赛。谁能更好地平衡智能与隐私，谁就能在企业市场中占据先机。对于每天与数据打交道的办公人群来说，这无疑是一个值得期待的方向——AI不再是“外脑”，而是安分守己地待在你的设备里，帮你完成那些真正重要且私密的工作。