Perplexity 推出混合计算：敏感数据永不离设备，云端智能与本地隐私实时协同

Perplexity 今日为其智能体平台（agentic platform）推出了混合计算（hybrid compute）功能， Computer——该系统允许单个AI智能体将其工作拆分至云端运行的前沿模型（frontier models）与本地Apple芯片Mac上运行的更小规模开源权重模型（open-weight models）之间；敏感数据被路由至本地设备，确保其永不离开该设备。

该公司表示，这是AI智能体首次能够从云端启动一项任务，并动态地将同一任务中涉及机密信息的部分交由用户自有硬件上运行的模型处理，且无需重启任务或丢失上下文。该功能今日起面向选择启用该功能的企业客户，以及Pro和Max订阅用户，在任何搭载Apple芯片、运行macOS 15或更高版本的Mac电脑上提供。 Perplexity桌面应用 。

“混合计算真正具有吸引力之处在于，往往那些需要保密性的工作恰恰是最关键、最需确保准确完成的任务，因此准确性至关重要，”领导Perplexity macOS与iOS工程团队的Jon Staff在VentureBeat出席的一场新闻简报会上表示，“通过将二者结合，我们既能从前沿模型中获得最高水平的智能，又能享有本地运行所带来的安全性与隐私性。”

Perplexity的设备端隐私门控（on-device privacy gate）如何防止敏感数据上传至云端

该架构运作方式类似于一个调度器（dispatcher）。云端的前沿模型将一项任务分解为若干子任务，并将每个子任务路由至最适宜的位置：网络研究、长周期规划及复杂推理在云端执行；而任何涉及私有文件、本地数据或设备端操作的内容，则交由Mac本机上运行的一个子智能体（subagent）处理。

其核心是Perplexity所称的“隐私门控”（Privacy Gate）：一种由Perplexity公司训练、在设备端运行的分类器，可在任何内容传输至云端之前扫描其中是否包含个人身份信息（PII）——例如姓名、地址、账户号码、密钥等。当门控机制标记出敏感内容时，用户可自行决定该任务部分是在本地运行，还是予以共享。

“我们的目标是确保发送给云端编排器（cloud orchestrator）的所有内容都是安全的，”Staff表示，“我们构建并训练了自有PII分类器，该分类器直接集成于Mac应用程序中。”

他详细描述了任务交接过程：“云端编排器将根据提示词（prompt）对任务进行分解，并确定如何将其路由至不同子智能体……它会将该部分任务委派至您Mac上运行的子智能体，随后该任务部分将完全在本地执行。这些token无一上传至云端。”

经济性因素同样重要，尤其对于一家通过积分（credits）计量云资源使用量的公司而言。本地生成的token不产生费用。“您只需支付电费与硬件成本，我们不会就此向您收费，”Staff表示，“积分仅用于云端编排与任务委派。”

律师、私募股权公司及一位身处Uber后座的创始人：混合计算的实际应用场景

Perplexity围绕专业人员绝不会托付给纯云端智能体的典型工作构建了演示案例。首个案例中，一名面临截止期限的律师在Mac上更新一份诉状草稿，所依据的是存储于Mac上的受特权保护（privileged）案件文件；与此同时，一个云端智能体同步从公开网络抓取判例法——Perplexity称，仅向外发送经匿名化处理的法律问题。“在整个过程中，其受特权保护的信息从未上传至云端，”Staff表示，“它始终未离开Mac。”

第二个演示中，一名私募股权助理的智能体基于机密的管理层预测数据重构财务模型，将交易与公开可比公司数据进行对标，并生成投资委员会汇报材料的第五版。该任务在后台自动运行约40分钟，全程无需人工干预——若以传统方式手动整合本地电子表格与云端研究，此项工作将耗时数小时。

第三个演示强调跨设备连续性。一位陶艺工作室创始人乘坐Uber途中，在iPhone上启动了一项营销分析任务。Computer请求访问其工作室内的Mac设备，随即启动本地子智能体处理其客户访谈记录与营收数据，并结合云端对竞争对手公开定价的研究结果进行综合分析。“无论她距离自己的电脑有多远，这都不成问题，”Staff表示。

“此类任务在完全本地化或完全云端化的设置下均无法实现，”他补充道，“您既需要本地化带来的安全性与隐私性，也需要前沿模型所提供的智能。”

为何一款由中国开发的Qwen模型部署于企业级Mac引发关注

此次发布所列的本地模型阵容立即引发了一个尖锐问题。上线之初，用户可在三种本地模型中任选其一： 谷歌的Gemma E4B、 阿里巴巴的Qwen3.6 35B-A3B，以及一款Perplexity针对 Qwen3.6 35B 微调后的版本——这也是该公司推荐的选项。VentureBeat就此询问Staff，企业或政府客户是否曾就授权一款中国开发的模型访问其设备表达过顾虑；Staff辩称，本地推理（local inference）消除了地缘政治风险。

“这些模型的一大优势在于其开源权重（open weight），我们可自行评估它们，”他表示，“当该模型在您的计算机上本地运行时，数据不会离开您自身的计算机……您实际上并未将这些token发送至托管于其他国家的某家云服务提供商。事实上，Perplexity所有模型均在美国境内托管。”

他进一步指出，macOS内置的沙盒框架（sandboxing framework）——即 Seatbelt——限制了智能体在设备上实际可执行的操作：“若本地执行试图进行不当操作，系统将直接阻止该行为，并向用户请求许可。”他表示，Perplexity目前不允许不受限制的“YOLO模式”（YOLO mode）执行，但“我并不意外未来某天我们或许会允许特定用户启用此功能。”

对企业客户而言，管理员可设定统一的全组织敏感度策略，并审计每台设备外发数据的完整记录——该功能明确面向法律、金融与医疗行业的合规团队。然而，消费者端仍存疑问。当被追问使用数据如何反馈至模型训练时，Staff援引了Perplexity的“隐身模式”（incognito mode）及长期存在的退出（opt-out）开关，并指出企业合同可包含零数据留存（zero-data-retention）条款。一名公司发言人表示，Perplexity在全球范围内“未将其用于后续训练（post training）”，并承诺将就非企业账户的具体情况作进一步说明。

混合AI正试图解决的企业隐私难题

此次发布正值整个行业直面一个顽固难题：最具价值的企业级工作恰恰涉及那些公司最不愿发送至他人服务器的数据。 美国国家标准与技术研究院（NIST）发布的生成式AI风险概况（generative AI risk profile） 将数据隐私与信息泄露列为该技术的核心风险之一；麦肯锡（McKinsey）关于AI现状的系列研究 持续发现，各组织难以从实验阶段迈向价值实现阶段，而数据治理正是主要障碍之一。Gartner则将 …… 混合计算 位列其2025年顶级战略技术趋势之一，预期将出现跨环境融合计算的架构。

Perplexity 押注的答案并非在云端智能与本地隐私之间二选一，而是构建一个实时协调二者关系的编排层。对于一家始终将自身定位为中立中介的公司而言，这是一种具有防御力的立场——“Perplexity就像瑞士一样，我们与所有厂商合作，”该公司一名代表在简报会上表示——它位于应用层，居于任何时刻处于领先位置的各类模型之上。

Staff谈及本地模型、前沿模型及苹果芯片之间的相互作用时称：“其中任一环节性能提升，Perplexity的整体表现即随之提升。这正是我们所处应用层位置真正酷炫之处：统筹协调所有不同组件。”

从估值5.2亿美元的初创公司到三年内成长为估值200亿美元的智能体平台

混合计算为一场异常激进的产品发布周期画上句点。Perplexity推出了 Comet AI浏览器 ，时间是2025年7月，最初仅面向每月200美元的Max订阅用户——此举旨在早期即确立智能体（而非聊天）作为计算交互界面的地位。 Computer——其完整的智能体平台——于2026年3月面世，随后推出适用于Mac和Windows的桌面应用程序。就在上周，该公司还在NVIDIA的DGX Spark硬件上发布了Computer的本地优先版本，该版本始于用户设备端，并仅在获得用户许可后才升级调用云端模型。而今日发布的版本则逆转了这一流程：以云端为先，再向下委派任务。 NVIDIA的DGX Spark硬件，该版本始于用户设备端，并仅在获得用户许可后才升级调用云端模型。而今日发布的版本则逆转了这一流程：以云端为先，再向下委派任务。

其商业轨迹同样陡峭。Perplexity在2024年1月的估值为 5.2亿美元；至2025年9月，该公司已敲定一轮融资，估值达 200亿美元。在此期间，该公司曾大胆提出 345亿美元的报价 ，竞购谷歌Chrome浏览器，此举发生于谷歌反垄断救济措施争议期间；彭博社报道称，苹果高管曾就收购该公司举行 内部讨论 ——这一背景令人瞩目，因为其当前产品正专为凸显苹果硅芯片性能而构建。

该战略并非没有阻力。路透社7月报道称，Reddit针对Perplexity提起的 数据抓取诉讼 成功驳回了被告提出的驳回动议，此案属于一波涌向该公司的版权与数据诉讼浪潮的一部分；这一背景使得Perplexity以隐私为先的定位既具商业智慧，亦属声誉所需。实际限制依然存在：Perplexity建议至少配备32GB统一内存以支持更高级别的本地模型；Staff坦率指出，最小规格选项“显著逊色于” 更大的Qwen模型，且对Windows和Linux的支持将在后续推出。

更深层的问题是用户难以直接检验的。隐私门（Privacy Gate）本身即是一个机器学习分类器，而分类器存在漏检可能；一次假阴性意味着敏感数据仍将被发送至云端。Perplexity的回应是透明化——用户可在任何数据发出前展开并审阅隐私门所标记的具体内容，企业客户还可获得设备级审计日志。但归根结底，该方案要求专业人士信任一个AI来决定另一个AI可访问哪些信息。对于一个过去三年间不断告诫律师、银行家和医生将其最敏感工作远离云端的行业而言，Perplexity所下的赌注是：问题的解决之道从来不是筑起更高的墙，而是打造更智能的门。