Perplexity telah meluncurkan Komputer Portabel, versi platform "Komputer" agennya yang berjalan sepenuhnya pada perangkat keras yang sudah dimiliki pengguna — dimulai dengan superkomputer desktop DGX Spark Nvidia dan mesin Linux yang dilengkapi dengan GPU RTX. Dikembangkan melalui kemitraan erat dengan Nvidia dan diumumkan pada 25 Agustus 2026, ini adalah salah satu upaya paling agresif untuk memindahkan beban kerja agen AI yang serius dari cloud ke perangkat lokal.
Pitchnya sederhana namun penting: model, file pengguna, dan pekerjaan itu sendiri semuanya dapat tetap berada di mesin. Pekerjaan yang diselesaikan secara lokal tidak memerlukan kredit tagihan, setiap tugas dimulai di perangkat secara default, dan sistem meminta izin sebelum mengirimkan setiap langkah ke model frontier yang lebih canggih di cloud. For more context on this story, see our ongoing breaking AI news.
“Kami pada dasarnya menghadirkan UI yang sama persis ke aplikasi yang sepenuhnya lokal,” kata Nate, wakil presiden teknik infrastruktur dan perusahaan Perplexity, dalam konferensi pers hari Senin. "Ini mencakup keseluruhan pemanfaatan dan inferensi agen serta segala sesuatu yang diperlukan untuk melakukan pekerjaan secara lokal."
Bagi Nvidia, yang telah menghabiskan dua tahun terakhir menjual pusat data AI bernilai triliunan dolar ke seluruh dunia, pengumuman ini membawa pesan yang lebih halus: pembuat chip tersebut percaya bahwa AI lokal telah melampaui ambang batas dari rasa ingin tahu para penghobi menjadi alat praktis. “AI lokal mencapai titik perubahan,” kata Nader, direktur teknologi pengembang Nvidia. "Untuk waktu yang lama, para penghobi dan penggemar... menjalankan model-model terkuantisasi ini menjadi sangat kecil. Meskipun itu keren, namun tidak terlalu praktis. Namun semua itu berubah dengan banyaknya model sumber terbuka baru ini."
Tumpukan AI Lokal Penuh dalam Satu Aplikasi
Perplexity Computer, produk cloud, mengatur model, file, alat, dan akses web untuk menyelesaikan tugas pekerjaan pengetahuan multi-langkah — meninjau folder dokumen, menganalisis data, dan membuat laporan. Komputer Portabel mereplikasi hal tersebut secara lokal, menggabungkan model lokal, harness agen, mesin inferensi, alat, konektor aplikasi, dan kotak pasir keamanan ke dalam satu aplikasi. Penggabungan ini penting: pada sebagian besar tumpukan AI lokal saat ini, pengguna harus merakit sendiri bagian-bagian tersebut — mengunduh bobot, menyiapkan server inferensi, dan menghubungkan alat secara bersamaan.
Dalam demo pers, sistem ini berperan sebagai investor ritel yang meninjau folder 1099 dan dokumen investasi – jenis materi keuangan sensitif yang banyak pengguna ragu untuk mengunggahnya ke layanan cloud. Menjalankan model Qwen dengan 27 miliar parameter dengan pemanfaatan GPU penuh pada DGX Spark, agen menandai kasus di mana investor membayar biaya yang tidak perlu. Elemen antarmuka yang biasanya menghitung kredit cloud, kata Perplexity, "hanya diparkir di nol."
Produknya juga hybrid, bukan hermetis. Demo kedua menganalisis CSV data corong pengguna secara lokal, lalu memasukkan analisis yang telah selesai ke Slack menggunakan ekosistem konektor Perplexity. Sistem ini terhubung ke Google Drive, Gmail, dan GitHub, dan dapat meningkat ke model cloud frontier ketika model lokal mencapai batasnya.
Persyaratan dan Ketersediaan
Saat peluncuran, pengguna dapat menjalankan Qwen 3.8 27B atau PPLX 27B — versi yang telah dilatih oleh Perplexity pada sistemnya sendiri — dengan Nemotron 3.5 Lightning dari Nvidia segera hadir. Sistem ini menggunakan vLLM untuk menghosting inferensi di bawahnya, dengan mode lanjutan untuk pengguna yang ingin menyambungkan titik akhir mereka sendiri. GPU RTX apa pun dengan VRAM minimal 24 GB, kira-kira GeForce RTX 3090 atau lebih baru, memenuhi standar tersebut.
Komputer Portabel kini tersedia untuk pelanggan Pro, Max, Enterprise Pro, dan Enterprise Max di Linux, dengan dukungan Windows menyusul pada bulan September.
Merancang Bersama Model dan Tali Kekang
Bersamaan dengan peluncuran tersebut, Perplexity menerbitkan makalah penelitian yang menyatakan bahwa agen lokal yang efektif memerlukan model dan pemanfaatan agen – perancah dari perintah, alat, dan logika orkestrasi – untuk dirancang bersama. Penggunaan untuk keperluan umum mengasumsikan model terdepan yang dapat menyerap konteks yang sangat besar dan menavigasi permukaan alat yang luas; model lokal kecil tunduk pada tuntutan tersebut. Kebingungan menemukan bahwa meskipun Qwen 3.8 27B mengiklankan jendela konteks 260,000 token, ia mulai kesulitan melampaui 100,000 token.
Jawaban perusahaan adalah pemanfaatan minimal yang disengaja: perintah sistem yang ringkas, seperangkat alat inti yang kecil, dan kemampuan yang memuat dan membongkar sebagai "keterampilan" sesuai permintaan. Ini mengubah konektor populer seperti Gmail dan GitHub dari server MCP yang haus token menjadi alat baris perintah yang ringkas, menambahkan kait verifikasi mandiri, dan menerapkan sandboxing tingkat OS yang selalu aktif — jika sandbox tidak tersedia, harness akan menonaktifkan dirinya sendiri dan bukannya menjalankan alat tanpa perlindungan.
Hasil benchmark Laporan Kebingungan sangat mengejutkan, meskipun berasal dari evaluasi perusahaan sendiri. Pada Local Knowledge Work Bench internalnya — 53 tugas yang mencakup penelitian mendalam, analisis keuangan, dan pembuatan dokumen, yang direncanakan oleh Perplexity sebagai sumber terbuka — Komputer yang menjalankan Qwen 3.8 27B pada DGX Spark mendapat skor 82,6%, dibandingkan 77,6% untuk open-source Pi harness dan 74,0% untuk Hermes yang menjalankan model yang sama. PPLX 27B pasca-pelatihan Perplexity meningkatkan skor menjadi 85,4%. Di BrowserComp, tolok ukur riset web, Komputer mencapai akurasi 66,7% dibandingkan 50,2% untuk Pi dan 43,9% untuk Hermes, serta menggunakan waktu dinding 51% lebih sedikit dan token 70% lebih sedikit dibandingkan Pi.
Agen Penggerak Ekonomi Token Lokal
Logika strategis menjadi jelas dalam perubahan beban kerja AI. Obrolan meledak-ledak — pertanyaan, jawaban, selesai. Agen berjalan berjam-jam. “Dengan agen, Anda ingin agen ini selalu aktif jika Anda bisa... Apa yang kami lihat adalah permintaan token yang tidak pernah terpuaskan, dan itu adalah sesuatu yang membuat AI lokal begitu hebat,” kata Nader. "Anda tidak diukur dengan token tersebut. Anda tidak membayar untuk token tersebut."
Jalan tengah hibrida mungkin merupakan hasil yang paling menarik secara komersial. Pada Terminal Bench 2.1, sebuah tolok ukur pengkodean yang menantang, model Qwen yang sepenuhnya lokal memperoleh skor 59,6% dengan biaya marjinal nol. Membiarkannya meningkat ke "penasihat" Claude Opus 5 di cloud meningkatkan skor menjadi 73,0% dengan perkiraan $0,415 per tugas, sementara menjalankan model frontier saja menghasilkan skor 82,4% dengan $0,65 per tugas. Eskalasi memulihkan sekitar tiga perlima kesenjangan terhadap kinerja frontier dengan biaya sekitar dua pertiga – dan pengguna memutuskan kapan perdagangan layak dilakukan. Sebelum panggilan penasihat apa pun, harness menjalankan pengklasifikasi PII pada konteks keluar dan menunjukkan kepada pengguna apa yang akan meninggalkan perangkat; model jarak jauh hanya mengembalikan panduan teks dan tidak pernah menyentuh file atau alat lokal.
Nvidia juga menekankan bahwa skala perangkat keras melampaui satu kotak: menghubungkan dua DGX Sparks melalui memori bersama akan menjalankan model terbuka kelas terdepan seperti DeepSeek terbaru, empat dapat menjalankan GLM 5.2 atau Nemotron Ultra, dan Nader mengatakan dia "bahkan melihat delapan Sparks terhubung."
Peluncuran ini memperluas kemitraan yang telah dibangun selama lebih dari setahun, setelah Nvidia dan Perplexity mengumumkan kolaborasi AI yang berdaulat untuk penerbit dan telekomunikasi Eropa pada bulan Juni 2025. Bagi pengembang yang mempertimbangkan tumpukan Ollama DIY, harness terbuka, dan inferensi yang dihosting sendiri, Portable Computer bertaruh bahwa pengalaman seperti peralatan – model, harness, dan sandbox yang dirancang bersama – inilah yang pada akhirnya menjadikan AI agen lokal menjadi arus utama.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
