Perplexity ปล่อย Portable Computer — ยก orchestrator, subagent และ agent harness ทั้งชุดลงมารันบนเครื่องตัวเอง จ่ายค่าโทเคนเป็นศูนย์

คำว่า “รัน AI บนเครื่องตัวเอง” ที่ผ่านมามักหมายถึงแค่ โมเดล — คุณโหลด GGUF มาใส่ Ollama แล้วก็จบ ส่วนงานที่ยากจริงอย่างการวางแผน การเรียกทูล การจัดการ context และการต่อกับ Gmail/GitHub ยังวิ่งผ่านคลาวด์ของผู้ให้บริการอยู่ดี

25 สิงหาคม 2026 Perplexity ปล่อย Portable Computer ซึ่งเป็นความพยายามที่ตรงไปตรงมากว่านั้นมาก: ย้าย ทั้ง runtime ลงมาบนฮาร์ดแวร์ของผู้ใช้ — orchestrator LLM ที่วางแผน, subagent LLM ที่ลงมือทำ และ agent harness ที่คุมลูปทั้งหมด รันบนเครื่องเดียวกันหมด ไม่มี dependency กับคลาวด์ในเส้นทางหลัก และช่วงที่ทำงานโลคอล ตัวนับค่าใช้จ่ายค้างอยู่ที่ศูนย์

ชุดที่ประกอบมาให้แล้ว ไม่ใช่ชิ้นส่วนให้ไปต่อเอง

จุดขายทางวิศวกรรมของงานนี้คือมันแพ็กสิ่งที่ปกติต้องประกอบเองห้าชิ้น — โมเดลโลคอล, inference engine, agent harness, tool sandbox และ app connector — มาเป็นระบบเดียวที่ติดตั้งแล้วใช้ได้

• ฮาร์ดแวร์หลัก: NVIDIA DGX Spark (ชิป GB10, ซีพียู 20 คอร์, หน่วยความจำรวม 128GB) ราคาราว $4,000–4,700 หรือประมาณ 130,000–155,000 บาท
• ทางเลือกที่ถูกกว่า: เครื่อง Linux ที่มีการ์ด NVIDIA RTX VRAM ตั้งแต่ 24GB ขึ้นไป (ประมาณ RTX 3090 ขึ้นไป)
• โมเดล: Qwen 3.8 27B (ราว 17.4GB) หรือ PPLX 27B ที่ Perplexity post-train เอง โดยมี Nemotron 3.5 Lightning ของ NVIDIA ตามมาทีหลัง
• การรองรับ: Pro, Max, Enterprise Pro และ Enterprise Max — Linux ก่อน, Windows กันยายน 2026, macOS ยังไม่อยู่ในแผน และตอนนี้รองรับ DGX Spark เครื่องเดียว (การต่อเป็นคลัสเตอร์อยู่ใน roadmap)

รายละเอียดที่คนทำ agent จะสนใจคือ การจัดการ context: Qwen 3.8 27B ประกาศหน้าต่าง 256K ก็จริง แต่ในทางปฏิบัติคุณภาพเริ่มถดถอยหลังผ่าน 100K — Portable Computer จึงใส่ context compaction ที่สรุปย่อประวัติยาว ๆ ลงมา และใช้ multi-token prediction เร่งขั้นตอน prefill

แซนด์บ็อกซ์ที่ “ปิดตัวเอง” แทนที่จะยอมลดระดับ

ส่วนที่ออกแบบได้ดีที่สุดคือโมเดลความปลอดภัย โค้ดที่ agent สั่งรันอยู่ใน แซนด์บ็อกซ์ระดับระบบปฏิบัติการ ที่จำกัดโปรเซส, path ในไฟล์ระบบ และการเชื่อมต่อเครือข่าย ส่วน connector อย่าง Gmail, Slack, GitHub และ Outlook วิ่งผ่าน orchestrator โลคอลทั้งหมด

รายละเอียดเล็ก ๆ ที่สำคัญมาก: ถ้าแซนด์บ็อกซ์ใช้งานไม่ได้ ระบบจะปิดการรันทูลไปเลย ไม่ใช่ถอยไปรันแบบไม่มีแซนด์บ็อกซ์ นี่คือ fail closed ไม่ใช่ fail open — เป็นค่าเริ่มต้นที่ถูกต้อง และเป็นสิ่งที่เครื่องมือ agent จำนวนมากยังทำผิดอยู่

เมื่อ agent ต้องการเว็บสด ๆ หรือการให้เหตุผลระดับ frontier orchestrator จะ หยุดแล้วถาม ก่อนเสมอ และก่อนที่ข้อมูลจะออกจากเครื่องจะมี ตัวจำแนก PII ตรวจ context พร้อมแสดงให้ผู้ใช้เห็นว่าอะไรกำลังจะถูกส่งออกไป ที่สำคัญคือ โมเดลระยะไกลไม่มีสิทธิ์แตะไฟล์หรือทูลบนเครื่องเลย — มันได้แค่ข้อความที่ถูกอนุมัติแล้ว

ตัวเลขที่ซื่อสัตย์กว่าที่คาด

Perplexity เผยแพร่ผล Terminal Bench 2.1 แบบเทียบสามทาง ซึ่งน่าชมที่ไม่ได้เลือกเฉพาะตัวเลขที่ตัวเองชนะ:

การตั้งค่า	คะแนน	ต้นทุนต่องาน
โลคอลล้วน (Qwen)	59.6%	$0
โลคอล + ยกระดับขึ้นคลาวด์	73.0%	~$0.415
Claude Opus 5 ล้วน	82.4%	~$0.65

อ่านตารางนี้ตรง ๆ: โมเดลโลคอลยังตามหลังอยู่ 22.8 จุด และแม้เปิดการยกระดับแล้วก็ยังห่าง 9.4 จุด สิ่งที่คุณซื้อไม่ใช่ความแม่นยำที่เท่ากัน แต่คือ ต้นทุนส่วนเพิ่มเป็นศูนย์กับการที่ข้อมูลไม่ออกจากเครื่อง — และตัวเลข $0.415 เทียบ $0.65 บอกว่าการผสมช่วยประหยัดได้ราว 36% แลกกับความแม่นยำที่หายไป 9.4 จุด

คำนวณจุดคุ้มทุนแบบหยาบ ๆ: ถ้า DGX Spark ราคา $4,000 และคุณประหยัดได้ $0.235 ต่องานเทียบกับการใช้ frontier ล้วน คุณต้องรัน ราว 17,000 งาน ถึงจะคืนทุนค่าเครื่อง — นั่นคือปริมาณระดับทีมที่รัน agent เป็นงานประจำ ไม่ใช่นักพัฒนาคนเดียวที่ใช้เป็นครั้งคราว

มุมมอง AI Curator

ผมคิดว่าข่าวนี้สำคัญไม่ใช่เพราะตัวเลข แต่เพราะ มันนิยามใหม่ว่า “โลคอล” แปลว่าอะไร ตลอดสองปีที่ผ่านมา วงการ local LLM โฟกัสที่การบีบโมเดลให้ลงการ์ด แล้วก็ค้นพบซ้ำ ๆ ว่าโมเดลที่รันได้ไม่ได้แปลว่า agent ที่ใช้งานได้ เพราะ harness, sandbox และ connector ยังขาด Perplexity เป็นเจ้าแรก ๆ ที่ยอมรับว่า ชิ้นที่ยากคือ harness ไม่ใช่โมเดล แล้วลงแรงแพ็กมันมาให้

สำหรับไทย ผมมองว่ามุมที่คุ้มค่าที่สุดไม่ใช่การประหยัดค่าโทเคน แต่คือ PDPA และการที่ข้อมูลไม่ออกนอกองค์กร โรงพยาบาล สำนักงานกฎหมาย และธนาคารในไทยที่อยากใช้ agent อ่านเอกสารภายใน ติดปัญหาเดียวกันหมดคือ “ข้อมูลลูกค้าจะไปอยู่บนเซิร์ฟเวอร์ใคร” สถาปัตยกรรมแบบนี้ — โลคอลเป็นค่าเริ่มต้น ขึ้นคลาวด์เมื่อได้รับอนุมัติเป็นรายครั้ง และมีตัวจำแนก PII คั่นกลาง — ตอบคำถามนั้นในเชิงเทคนิคได้ตรงกว่าคำสัญญาว่า “เราไม่เก็บข้อมูลคุณ” มาก เพราะมันเป็นสิ่งที่ ตรวจสอบได้ที่ระดับระบบปฏิบัติการ ไม่ใช่ที่ระดับนโยบายบริษัท

แต่มีสองข้อที่ทีมไทยควรคิดให้ครบก่อนตื่นเต้น หนึ่ง — ราคาเครื่อง 130,000 บาทขึ้นไปคือ capex ที่หนักสำหรับสตาร์ตอัปไทยส่วนใหญ่ และเงื่อนไขคือต้องเป็นสมาชิก Pro/Max อยู่แล้ว แปลว่านี่ไม่ใช่ทางหนีค่าบริการ แต่เป็นของเสริมบนค่าบริการ สอง — โมเดลโลคอลคือ Qwen 3.8 27B ซึ่งความสามารถภาษาไทยยังไม่ใช่จุดแข็ง งานที่ต้องอ่านเอกสารราชการไทยหรือสรุปสัญญาภาษาไทยมีโอกาสสูงที่จะโดนยกระดับขึ้นคลาวด์อยู่ดี — และนั่นทำให้ข้อได้เปรียบด้านความเป็นส่วนตัวหายไปพอดี ใครจะประเมินเรื่องนี้ ควรวัดด้วยงานภาษาไทยจริงของตัวเองก่อน อย่าเชื่อ Terminal Bench ซึ่งเป็นงานคำสั่งเชลล์ภาษาอังกฤษล้วน

ภาพใหญ่ที่ผมเห็นคือ ปี 2026 กำลังกลายเป็นปีที่การแข่งขันย้ายจาก “โมเดลใครเก่งกว่า” ไปเป็น “ใครห่อโมเดลได้ดีกว่า” — และงานวิจัยเรื่อง agent harness ที่ออกมาพร้อมกันในสัปดาห์เดียวกันนี้ก็ชี้ไปทางเดียวกัน

แหล่งข่าว

• Perplexity Ships Portable Computer on NVIDIA DGX Spark — MarkTechPost
• Perplexity partners with Nvidia to launch Portable Computer — VentureBeat
• Perplexity AI launches Portable Computer on-device AI agent — SiliconANGLE
• Introducing Portable Computer for local-first AI — Perplexity (ประกาศต้นทาง)
• Local AI with open source models and agents — NVIDIA Blog