Div Garg, CEO og medstifter af AGI, Inc – Interviewserie

Div Garg, CEO og medstifter af AGI, Inc, er en AI-forsker og iværksætter, der fokuserer på autonome agenter, edge-intelligence, computer-vision og robotteknologi. Før han startede AGI, Inc., co-foundede og ledede han MultiOn, en tidlig pioner inden for computer-brugere, og fungerede senere som formand for bestyrelsen. Garg tilbragte næsten fire år som adjunkt på Stanford University, hvor han skabte CS 25: Transformers United, universitetets første kursus dedikeret til transformer-arkitekturer. Hans tidligere erfaring omfatter ledelse af kunstig intelligens-udvikling på Collaborative Robotics, forskning på NVIDIA (NVDA ) og Apple (AAPL ), samt arbejde med computer-vision og selvstyrende køretøjer på Google, Uber og Cornell University, hvor hans forskning omfattede den indflydelsesrige Pseudo-LiDAR-tilgang til kamera-baseret 3D-perception.

AGI, Inc. er et AI-forskningsfirma, der udvikler private, sikre og tilgængelige intelligenssystemer, der kan køre direkte på edge-enheder. Dets flagskibsteknologi, AGI-0, er et handling-orienteret AI-system designet til at forstå brugerpræferencer og udføre opgaver på tværs af applikationer på telefoner, computere, wearables og andre tilkoblede enheder, herunder arbejdsgange, der involverer shopping, transport, planlægning, beskeder og underholdning. Virksomheden tilbyder også en platform, der giver hårdware-fabrikanter og udviklere mulighed for at tilføje skærm-agnostic-agenter, der kan resonere og handle på tværs af eksisterende applikationer uden at skulle opbygge separate integrationer til hver enkelt app. AGI, Inc. har demonstreret sin teknologi med Lenovo og optimerer sin agent-stack til Qualcomm (QCOM ) Snapdragon-drevne enheder.

Du har arbejdet på Apple, Google, Nvidia og hjulpet med at bane vejen for tidlige agentsystemer på MultiOn, før du pausede din Stanford-ph.d. for at stifte AGI, Inc. Hvad var den specifikke begrænsning eller øjeblik, der overbeviste dig om, at eksisterende AI-tilgange ikke var nok, og at opbygning af en på-enhed-autonom agent var den rigtige vej frem?

Dette skift skete et sted mellem 2023 og 2024, mens jeg arbejdede på web-agenter. Vi kunne lave agenter til at udføre handlinger i browsere, men kun hvis webstedet havde en korrekt struktur, som agenten kunne arbejde med. Så snart noget gik galt og ikke opførte sig som en idealiseret version af DOM, såsom en modal-vindue eller en animations-effekt, stoppede agenten med at fungere. På den anden side sker alt, der betyder noget, når mennesker vil interagere med deres smartphones, inden for applikationer. Applikationer giver ikke nogen form for API; de præsenterer skærme i stedet.

Det var denne forskel, der førte til vores konklusioner. Løsningen på problemet ville ikke være mere avancerede API’er eller større modeller, men snarere agenten, der ville operere enheden fra et menneskes synspunkt. Dette ville sige, at man behandler smartphone’en som et menneske ville – interagerer med dens skærme.

De fleste AI-assistenter i dag afhænger stadig stærkt af API’er, integrationer og cloud-koordination. Hvad bryder fundamentalt sammen i den model, og hvorfor tror du, at på-enhed-eksekvering er den manglende lag?

Der er tre problemer med det. Det første er dækning. API’er kræver, at alle udviklere skal interface med dig, hvilket begrænser agentens evner til den langsomste partner. App Intents fra Apple er et godt eksempel på sådan en teknologi, der startede med at blive arbejdet på tilbage i 2024. Så er der privatlivetsbeskyttelse. Cloud-koordination kræver, at din skærmindhold, beskeder og aktiviteter går til en tredjeparts servere. Til sidst er der problemet med omkostninger og latency. Alle omgående processering gennem cloud’en gør det langsomt og dyrt.

På-enhed-eksekvering løser alle disse problemer. Din agent afhænger ikke af nogen andre og interagerer med systemet ved at interagere med brugergrænsefladen direkte.

Din tilgang flytter AI fra at besvare spørgsmål til faktisk at udføre opgaver på tværs af applikationer. Hvad var de største tekniske udfordringer i at aktivere en agent til pålideligt at operere en telefon som et menneske ville?

Pålideligt at kontrollere en telefon er sværere, end det måske lyder. Først skal en agent kunne percipere telefon-skærmen som et menneske, forstå, hvad der kommer næste, og udføre den passende handling. Percipering sker ved hjælp af et vision-sprog-model, der kan genkende knapper, tekstbokse, menuer, layouts osv. Handling-valg er nødvendigt for at håndtere tvetydigheder, delvist indlæste sider, modal-dialogbokse og fejl. Til sidst skal handlingen være præcis nok til, at et tryk kan lande på det korrekte sted.

Det største problem ligger dog i evnen til pålideligt at interagere med komplekse applikationer over en lang periode. At bestille en Uber er én ting, men at udføre en multi-trins-proces inden for en applikation, hvor hvert trin afhænger af tidligere interaktioner, er en helt anden sag. Det er præcis derfor, at træning af modeller fra ende til ende var afgørende for udviklingen af produktet.

Du har beskrevet dette som en overgang fra assistenter til agenter. Hvad betyder denne overgang i praksis for hverdagsbrugere, og hvor hurtigt forventer du, at adfærd vil ændre sig?

Praktisk ændring kommer fra grænsefladen selv. Hvor vi i dag har app’en og lærer at bruge app’en, vil vi i morgen have agenten, og app’erne bliver kapaciteter, der sammensættes af agenten på vores vegne. Vi stopper med at tænke på app’er og starter med at tænke på intention: “Book en tur hjem.” “Send billederne fra weekenden til mor.” “Vis mig hoteller i Lissabon, hvor jeg kan få lidt fred til næste weekend.” Agenten ved, hvilke app’er at bruge.

Adfærdsændring starter langsomt og bliver hurtigere, efterhånden. Først vil folk prøve denne tilgang for simple opgaver, som de stoler på, og så udvide, efterhånden som de kan. Udløseren for fuldstændig accept vil komme, når agenten får de rutinemæssige opgaver ret på vores telefoner hver gang.

Med partnerskaber som Qualcomm og Lenovo, hvor vigtigt er tæt hårdware- og software-integration for at gøre agentic AI-brugbar i stor skala?

Dette er forskellen mellem en prototype, der bruges til forskningsformål, og en applikation, der faktisk er brugbar. Enheder drevet af Snapdragon har neurale processorenheder, der sikrer, at agentens algoritmer kan køre på enheden med minimal forsinkelse og energiforbrug. Qualcomm har brugt år på at arbejde mod denne optimering, og partnerskabet, vi annoncerede på MWC 2026, havde dette præcise mål for øje.

Den anden ende er Lenovo. Lenovo kan nå hundredvis af millioner af brugere på tværs af smartphones, tablets og pc’er, der søger at differentiere sig selv ved hjælp af AI. At gå gennem partnere med eksisterende enhedsporteføljer og nå dem hurtigt og gennemsigtigt slår den alternative rute. Jeg ved dette fra erfaring.

Tillid synes at være en stor barriere. Hvordan designer du systemer, hvor brugere føler sig komfortable med at lade AI udføre handlinger på deres vegne, især når disse handlinger omfatter multiple applikationer og følsomme data?

Tillid bygges på grundlag af at være åben om, hvad agenten er og ikke er i stand til at gøre. Enhver handling, der involverer noget vigtigt, såsom at foretage et reel køb, sende en besked eller ændre nogen kontoinstillinger, kræver brugerens godkendelse. Agenten har evnen til at gå hele vejen til checkout-siden på egen hånd, men ikke længere, før du gør det. Vores partnerskab med Visa tilføjer autentificerede betalingsmuligheder oveni.

Dette sker alt sammen på grundlag af to enkle filosofier. Den første er “menneske i løkken for alt væsentligt”. Den anden er “omvendelighed, hvor det er muligt”. Desuden vil agenten kun se, hvad der er synligt på skærmen, og respektere de tilladelser, der er fastsat af operativsystemet.

Der er en voksende narrativ, der går på, at app-økonomien kan blive forstyrret. Ser du agenter erstatter apps helt, eller omformer, hvordan apps tilgås og moneteres?

Apps forsvinder aldrig. Dynamikken skifter bare. I dag er app’en, hvordan mærket kommunikerer med forbrugeren. I morgen vil agenten være det, og app’en vil være værktøjet, der bruges af agenten. App-udviklere er her for at blive, fordi der altid vil være brug for applikationen bagved service-opkaldet, beskeden eller transaktionen. Forskellen vil være grænsefladen, på hvilken disse valg træffes.

Dette repræsenterer en ny front for apps og for mærkerne, der bruger dem. Dette repræsenterer ingen trussel, men snarere en fantastisk mulighed for at udforske og udvikle med vores partnere i udvikling og platforme.

Dit system undgår at afhænge af API’er. Skaber det spændinger med udviklere og platforme, eller åbner det i stedet op for en mere åben økosystem?

Det er mindre kontroversielt, end det lyder. Der er ingen konkurrence mellem udviklerne og os. Måden, en grænseflade fungerer på, er samme proces, som et menneske ville bruge en applikation, så agenten bruger de samme grænseflader som alle andre. Udviklere kan anvende almindelige tekniske metoder til at blokere adgang, og vi forstår deres begrundelse.

En mere interessant konsekvens er manglen på konflikt. Et åbent system med universel interoperabilitet gavner alle, i modsætning til et lukket system, hvor hver assistant kun kan bruges på bestemte apps, fordi det kun understøtter denne type tilpasset integration. Universalitet hjælper brugerne, men det hjælper også apps med reel værdi.

On-device AI bliver ofte fremstillet som en privatlivsfordel. Hvordan balancerer du lokal procesering med behovet for kraftfulde modeller, der traditionelt kræver stor skala-computering?

Det er et hybrid-system, der vil fortsætte med at udvikle sig mod et fuldstændigt på-enhed-system. Begge handlinger og let fornuft sker på telefonen, mens tung fornuft sker i cloud’en. Med stack-optimering gennem vores arbejde med Qualcomm og kapaciteterne af NPUs på telefonerne, der bliver mere og mere avancerede, sker der en skiftning mod, at modellen bliver mere lokal. I øjeblikket kan de fleste flagship-telefoner på markedet håndtere den arbejdsbyrde, der kræves.

Den gamle dikotomi mellem enten at have kraftfuld ydelse og ofre lokalitet eller vice versa er også forældet. Modellerne bliver mere effektive, og hårdwaren på telefonen bliver mere kapabel. Det kan allesammen opnås, når stacken er ordentligt optimeret.

Settende frem til de næste tre til fem år, hvad ser en fuldt udviklet AI-nativ enhed ud til, og hvad skal ske teknisk og kulturelt, før denne vision bliver mainstream?

Den faktiske implementering ville være en enkelt agent, der følger dig rundt på enhederne. Du beder din pc om at finde information om gaver, skifter til din smartphone for at foretage et køb, og så beder din bil om at varme op. Intentionen er den samme; konteksten forbliver konstant, mens overfladen ændrer sig. Telefonerne er indgangspunktet, da det er, hvor det meste af computingen sker i øjeblikket. Efterfølgende vil det flytte til pc’er, tv’er, biler og til sidst smartglasses, og Qualcomm-samarbejdet gør en kæmpeforskel på den front.

Fra et teknisk synspunkt handler det om at fortsætte på-enhed-fornuft og øge langsigtede pålidelighed samt korrekte cross-device-overgange. Fra et kulturelt synspunkt handler ændringen om at blive mere og mere tillidsfuld over for agenter med komplekse opgaver, hvilket er baseret på, at agenten fortæller dig alt, hvad den ikke kan gøre, uden tøven, og også ikke bryder nogen af de simple løfter, der er givet til dig.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge AGI, Inc.