Perplexity「Computer」登場：19種AI模型協同作戰，徹底改寫工作自動化版圖

一、AI代理時代的破局者：什麼是Perplexity Computer？

在人工智能快速演進的2026年，「AI助手」這個概念已經開始顯得過時。用戶輸入問題、AI回答問題的單輪交互模式，正在被一種全新的典範所取代——AI代理（AI Agent）。而Perplexity新推出的「Computer」，正是這場典範轉移的最新、也最具野心的一個宣言。

Computer並非又一個聊天機器人，也不是傳統意義上的搜索引擎升級版。它是一個多智能體編排平台（Multi-Agent Orchestration Platform）——換言之，它是「管理AI的AI」。在Computer的架構中，由Anthropic Opus 4.6擔任的「主腦」負責理解用戶意圖、制定任務計劃、拆解執行步驟，然後將不同的子任務委派給最適合處理該類工作的專業AI模型。整個流程高度自動化：從接收任務指令到最終產出成果，中間的所有步驟都由AI代理自主推進，用戶無需在每一個環節介入或確認。

從產品定位來看，Computer瞄準的是一個此前從未被真正解決過的核心痛點：複雜的長時工作流程（Long-Running Workflows）。傳統的AI工具——無論是ChatGPT、Claude還是Gemini——都受制於對話窗口的天然局限：每次對話的上下文有限，任務執行在會話結束後便中斷，無法跨越長時間的連續工作。Computer通過為每個任務分配獨立的隔離計算環境，徹底打破了這個瓶頸。任務可以在後台持續運行數小時、數天乃至數月，期間AI代理會自主瀏覽網頁、讀取和修改文件、調用外部API，直至任務完成後再通知用戶。

二、19種模型的交響樂：編排架構深度解析

Computer的技術核心在於其精心設計的模型編排層（Orchestration Layer）。Opus 4.6作為整個系統的指揮中樞，負責接收、理解並分解用戶提交的高層次任務目標。它的工作不是親力親為地執行每一個子任務，而是準確判斷哪些子任務應該交由哪個專業模型處理，並協調各模型的輸出，最終整合成一個完整、連貫的結果。這種「主腦加專才」的架構，遠比讓單一模型全程執行更有效率——就如同一個優秀的項目經理，其價值不在於自己編寫每一行代碼，而在於知道什麼時候該調用哪位專才。

在19個整合模型中，功能分工清晰明確。Gemini承擔深度研究任務——當Computer需要對某個議題進行大規模資料搜集、跨源對比和學術級深度分析時，Gemini的多模態理解能力和超長上下文窗口（高達200萬token）使其成為不二之選。Nano Banana專精圖像生成，能夠根據任務上下文產生符合品牌調性和特定規格的視覺素材。Veo 3.1則負責視頻製作，在需要輸出宣傳片、教程視頻或可視化內容時接手。Grok以其極速響應特性承擔時效性要求高的實時數據查詢和快速摘要任務。ChatGPT 5.2憑藉其在長文本生成和複雜文檔處理上的優勢，處理需要輸出長篇報告、合同草稿或技術文檔的工作流節點。

值得特別關注的是這套架構背後的設計哲學：沒有任何一個AI模型是全能的，但每個頂尖模型在特定領域都擁有其他模型難以匹敵的優勢。與其讓一個「中等全能」的單一模型處理所有事情，不如讓一個智能調度系統在正確的時機調用正確的專才。這種思路，與現代軟件工程中微服務架構（Microservices Architecture）的核心理念如出一轍——每個組件只做一件事、但把那件事做到極致。Computer的突破性在於，它第一次在AI代理領域真正實現了這個理念的工程落地。

三、隔離計算沙盒：為何「真實環境」是關鍵突破

多智能體編排的概念並不新鮮，但Computer真正令業界振奮的技術創新，在於其為每個任務提供的「隔離計算沙盒」（Isolated Compute Sandbox）。過去的AI代理平台，大多在模擬環境或受限的工具調用框架內運行，AI無法真正「觸碰」文件系統、無法在一個持久的瀏覽器會話中跨頁面操作，更無法在任務中斷後保留狀態並在稍後繼續。這些限制導致AI代理只能處理短暫、簡單的任務，一旦涉及需要多步驟、跨時間段的複雜工作流，往往力不從心。

Computer為每一個被委派的任務分配一個獨立的計算實例，配備真實的Linux文件系統和完整功能的瀏覽器環境。這意味着AI代理可以將中間結果保存到文件、在任務的不同階段重新讀取和修改這些文件、通過瀏覽器登錄需要認證的平台、在多個標籤頁之間切換、填寫表單、下載數據，甚至執行代碼和調試腳本。這種真實環境的接入，讓AI代理的工作能力從「對話框內的文字助手」升級為「可以操作計算機的虛擬助理」——兩者之間的能力差距，不是量的差異，而是質的飛躍。

隔離性同樣至關重要。每個任務在獨立的沙盒中運行，意味着不同任務之間的文件和狀態互不干擾，安全邊界清晰。對於企業客戶而言，這種隔離設計極大降低了因AI代理誤操作而導致數據交叉污染或機密外洩的風險。Perplexity表示，沙盒內的所有操作均有完整的審計日誌，用戶可以隨時查看AI在任務過程中的每一個操作步驟——這種透明度，是企業級AI工具部署的基本前提。

四、Aravind Srinivas的「代理人集群」願景

理解Perplexity Computer，不能繞過其創辦人兼CEO Aravind Srinivas的思維框架。這位印度裔AI創業者，在創辦Perplexity之前曾在OpenAI擔任研究員，深度參與過GPT系列的早期研發。他對AI演進路徑的判斷，一直帶有鮮明的「搜索即推理」基因——Perplexity從一開始就定位為「答案引擎」而非傳統搜索引擎，其核心主張是：用戶想要的不是一堆鏈接，而是直接可用的答案和洞察。

Computer是這個核心主張的進一步延伸。Srinivas在產品發佈後接受採訪時說了一句意味深長的話：「終於感覺有一群代理人在為我工作（It finally feels like I have a swarm of agents working for me）。」這句話並不是簡單的行銷話術，而是對一種工作方式根本性轉變的描述。在AI代理出現之前，即便是頂尖的創業者和高管，也受制於個人時間和精力的上限——一個人一天只有24小時，同時處理的任務數量有限。Computer的出現，意味着Srinivas可以同時「僱用」數十個AI代理並行推進不同的工作流，而這些代理的工作不會在他合上筆記本電腦後暫停，而是持續運轉，直到完成任務為止。

這種願景的商業邏輯也相當清晰。Perplexity並不試圖在AI模型訓練層面與OpenAI、Anthropic或Google正面競爭——那是一場燒錢規模動輒數十億美元的軍備競賽，初創公司幾乎沒有勝算。Perplexity的賭注是在應用層（Application Layer）：不是訓練更好的模型，而是構建更好的「模型路由器」和「任務編排器」。如果多智能體編排成為AI應用的主流範式，那麼掌控編排層的平台，就掌控了用戶接觸所有底層模型的入口——這個戰略位置，其商業價值可能遠超訓練一個特定的AI模型。

「終於感覺有一群代理人在為我工作。我們構建Computer，是因為我們相信AI的下一個階段不是更好的聊天機器人，而是真正能夠替你完成工作的自主系統。」——Aravind Srinivas，Perplexity創辦人兼首席執行官

五、封閉生態vs開放生態：Computer與OpenClaw路線之爭

在AI代理平台的市場格局中，Perplexity Computer的出現令一個深層的戰略分歧愈發清晰：封閉的精選生態與開放的擴展生態，究竟哪種模式才是AI代理平台的最優解？Computer代表的是前者——Perplexity對所有整合入平台的19種模型進行嚴格的評估、測試和質量把關，用戶無法自行接入任意第三方模型。這種策略與Apple App Store的邏輯高度相似：以較高的准入門檻換取一致的用戶體驗和可預期的輸出質量。

相比之下，OpenClaw（OpenAI旗下的AI代理平台）採取的是更加開放的生態策略。開發者可以相對自由地接入各種工具、插件和自定義模型，平台扮演的更多是底層基礎設施的角色，而非精選策展人的角色。這種開放性帶來的優勢是生態的豐富性和可定製性——企業可以將自有業務系統、行業特化模型和私有數據庫接入OpenClaw，打造高度定製化的工作流。然而，開放性也意味着質量參差不齊，用戶需要自行甄別哪些工具組合真正有效，學習曲線更陡峭。

兩種路線的優劣，很大程度上取決於目標用戶群體的需求。對於大多數專業工作者和中小企業而言，他們需要的是「開箱即用、質量可靠、學習成本低」的AI代理工具——Computer的封閉精選策略更符合這類需求。對於技術能力強、有高度定製化需求的大型企業和開發者群體，OpenClaw的開放生態可能更具吸引力。市場最終可能不是非此即彼，而是兩種模式並存，分別服務不同的細分市場。但在AI代理工具的早期大眾市場中，Perplexity的「App Store策略」或許更能快速積累非技術用戶的信任和黏性。

六、對香港企業與專業人士的實際意義

對於香港的企業決策者和專業工作者而言，Perplexity Computer所代表的多智能體AI編排能力，並不只是一個遙遠的科技趨勢，而是一個即將影響職場生態和商業競爭力的現實變量。香港作為亞太區的金融、貿易和專業服務中心，其商業活動的典型特點是高頻率的跨境溝通、複雜的多語言文件處理、時效性要求極高的市場分析——這些正是多智能體AI最能發揮價值的應用場景。

以律師事務所為例，一個典型的企業盡職調查（Due Diligence）項目需要跨越數週：收集目標公司的公開信息、整理監管文件、對比行業基準、起草分析報告。這類工作過去需要大量初級律師和分析師的人力投入，而Computer理論上可以將整個工作流委派給AI代理自主執行——Gemini負責深度資料搜集，ChatGPT 5.2負責起草長篇法律分析文件，Opus 4.6負責整合、審查和提出需要人工最終決策的關鍵問題。對於投行、諮詢公司、會計師事務所等知識密集型行業，類似的自動化潛力同樣巨大。

對於香港的中小企業主和自由職業者而言，每月200美元的訂閱費是一個需要認真計算投資回報的數字。如果Computer能夠替代原本需要外包或僱用兼職人員完成的市場研究、內容創作、數據整理和競爭分析工作，那麼這200美元每月的支出，相對於節省下來的人力成本，可能是一筆相當合算的投資。但關鍵在於「任務適配性」——Computer目前最適合的是結構化、可以明確定義輸入和輸出目標的工作流，對於需要大量主觀判斷、客戶關係維護或實體世界互動的工作，AI代理的替代性仍然有限。

七、專業模型為何優於單一全能模型：編排哲學的底層邏輯

在AI行業內部，關於「全能模型」與「專業模型組合」孰優孰劣的辯論已經持續多年。主張全能模型路線的觀點認為：隨著模型規模不斷擴大、訓練數據持續增加，單一的大模型終將在所有任務上達到甚至超越專業模型的水平，而統一模型的架構和部署成本也更低。然而，Perplexity Computer的設計哲學，對這種觀點提出了一個現實層面的反駁。

問題的核心在於：即便某個全能模型在所有任務上都達到了90分的水平，當你需要同時完成深度研究（需要200萬token上下文）、視頻生成（需要視頻擴散模型）和實時數據查詢（需要毫秒級響應）三種性質截然不同的任務時，強迫同一個模型兼顧所有需求，在計算資源分配和推理速度上都不可能最優。相比之下，讓Gemini專心做深度研究、Veo 3.1專心做視頻、Grok專心做實時查詢，各自在其設計優化的任務上發揮100分的表現，整體工作流的效率和質量必然更高。

更重要的是，模型創新的速度遠比整合速度快。AI領域每隔幾個月就會出現某個在特定任務上取得突破性進展的新模型。在封閉的單一模型路線中，用戶只能等待下一個主模型的版本迭代；而在Computer的編排框架中，Perplexity只需要將新的最優模型接入對應的任務節點，整個平台的能力便能即時升級，用戶無需更換工具或重新學習。這種「模塊化升級」的架構設計，使Computer具備了適應AI技術快速迭代的天然彈性——而這種彈性，在AI能力仍以每半年一代的速度演進的當下，是任何認真考慮長期部署AI工具的企業必須納入評估的關鍵因素。

八、Perplexity的商業版圖與市場前瞻

Computer的推出，發生在Perplexity估值達到200億美元的關鍵節點。這個估值——對於一家成立不過三年的AI初創公司而言——反映的是資本市場對「AI應用層」平台商業模式的高度看好。Perplexity的商業模式核心是訂閱制：免費版提供基礎搜索和問答功能，Pro版每月20美元提供更多高級功能，而Max版每月200美元則解鎖包括Computer在內的全套多智能體能力。這種分層定價策略，既保持了用戶增長的入口低門檻，又在高端功能上建立了可觀的單用戶貢獻收益（ARPU）。

然而，Perplexity所處的競爭格局也相當殘酷。OpenAI、Anthropic、Google、Microsoft——每一個競爭對手都擁有比Perplexity更雄厚的資本實力、更強大的模型訓練能力和更廣泛的用戶基礎。Computer選擇在「編排層」而非「模型層」構建核心競爭力，是一個相對明智的差異化策略，但也埋下了隱患：如果其中一個底層模型供應商（比如Anthropic或Google）決定在自己的平台上推出類似的編排能力，Perplexity的護城河深度就會受到考驗。Anthropic已經在其Claude平台上提供越來越強大的工作流自動化功能，而OpenAI的Operator和Projects功能也在向同一方向演進。

對於香港的科技觀察者和投資者而言，Perplexity Computer所揭示的更大趨勢，或許比這家公司本身更值得關注：多智能體編排將成為2026至2028年間AI應用最重要的基礎設施層。正如2010年代的移動互聯網浪潮催生了應用分發平台（App Store、Google Play），AI代理時代同樣需要一個「代理分發和編排層」。率先在這個位置建立起生態的平台，將在未來幾年的AI商業化競爭中佔據極為有利的先機。Perplexity用Computer發出了一個清晰的宣言：它想成為AI代理時代的「操作系統級平台」。這個賭注是否成立，將在未來12至18個月內見分曉。

「單一模型無法同時做到深思熟慮和快速反應，就像沒有一個人能夠同時是律師、設計師和數據科學家。Computer的本質，是為用戶建立了一支即時可調用的AI專家團隊。」——Perplexity產品設計理念