Див Γκαργκ, CEO και Συνιδρυτής της AGI, Inc – Σειρά Συνεντεύξεων

Διβ Γκαργκ, CEO και Συνιδρυτής της AGI, Inc, είναι ερευνητής και επιχειρηματίας με έμφαση στις αυτόνομες πράξεις, την ευφυΐα στα άκρα, την υπολογιστική όραση και τη ρομποτική. Πριν ιδρύσει την AGI, Inc, συνίδρυσε και ηγήθηκε της MultiOn, ενός πρωτοπόρου στην ανάπτυξη πρακτόρων υπολογιστή, και αργότερα υπήρξε πρόεδρος του διοικητικού συμβουλίου της. Ο Γκαργκ πέρασε επίσης σχεδόν τέσσερα χρόνια ως αναπληρωτής καθηγητής στο Πανεπιστήμιο του Στάνφορντ, όπου δημιούργησε το CS 25: Transformers United, το πρώτο μάθημα του πανεπιστημίου αφιερωμένο στις αρχιτεκτονικές μετασχηματιστών. Η προηγούμενη εμπειρία του περιλαμβάνει την ηγεσία της ανάπτυξης της τεχνητής νοημοσύνης στην Collaborative Robotics, την διεξαγωγή ερευνών στην NVIDIA (NVDA ) και την Apple (AAPL ), και την εργασία πάνω στις τεχνολογίες υπολογιστικής όρασης και αυτόνομης οδήγησης στο Google, την Uber και το Πανεπιστήμιο Κορνέλ, όπου η έρευνά του περιελάμβανε την επιρροή της προσέγγισης Pseudo-LiDAR για την ανίχνευση 3D με βάση την κάμερα.

AGI, Inc. είναι μια εταιρεία έρευνας τεχνητής νοημοσύνης που αναπτύσσει ιδιωτική, ασφαλή και προσιτή νοημοσύνη που λειτουργεί απευθείας σε συσκευές στα άκρα. Η σημαδιακή τεχνολογία της, AGI-0, είναι ένα σύστημα τεχνητής νοημοσύνης που σχεδιάζεται για να κατανοήσει τις προτιμήσεις του χρήστη και να ολοκληρώσει εργασίες σε διάφορες εφαρμογές σε τηλέφωνα, υπολογιστές, φορητές συσκευές και άλλες συνδεδεμένες συσκευές, συμπεριλαμβανομένων ροών εργασιών που αφορούν αγορές, μεταφορά, προγραμματισμό, αλληλογραφία και ψυχαγωγία. Η εταιρεία προσφέρει επίσης μια πλατφόρμα που επιτρέπει στους κατασκευαστές υλικού και τους développers να προσθέσουν πράκτορες που είναι συνείδητοι οθόνης και μπορούν να συλλογισθούν και να ενεργήσουν σε υπάρχουσες εφαρμογές χωρίς να χρειάζεται να δημιουργήσουν ξεχωριστές ενσωματώσεις για κάθε εφαρμογή. Η AGI, Inc. έχει δείξει την τεχνολογία της με την Lenovo και βελτιώνει το στάκ της για συσκευές που υποστηρίζονται από το Qualcomm (QCOM ) Snapdragon.

Έχετε εργαστεί στην Apple, στο Google, στη Nvidia και βοήθησε να πιονερέψετε πρώιμους συστήματα πρακτόρων στη MultiOn πριν παύσετε το PhD σας στο Στάνφορντ για να ιδρύσετε την AGI, Inc. Ποια συγκεκριμένη περιορισμός ή στιγμή σας έκανε να πιστεύετε ότι οι υπάρχουσες προσεγγίσεις της τεχνητής νοημοσύνης δεν ήταν αρκετές, και ότι η κατασκευή ενός αυτόνομου πρακτόρα σε συσκευή ήταν ο σωστός δρόμος προς τα εμπρός;

Αυτή η αλλαγή συνέβη κάπου μεταξύ του 2023 και του 2024, ενώ εργαζόμουν σε πράκτορες ιστού. Μπορούσαμε να φτιάξουμε πράκτορες για να εκτελέσουν ενέργειες σε προγράμματα περιήγησης, αλλά μόνο αν η ιστοσελίδα είχε μια σωστή δομή με την οποία ο πράκτορας μπορούσε να συνεργαστεί. Όταν κάτι πήγαινε λάθος και δεν συμπεριφερόταν όπως μια ιδανική εκδοχή του DOM, όπως ένα modal παράθυρο ή ένας efekt κίνησης, ο πράκτορας σταματούσε να λειτουργεί. Από την άλλη πλευρά, όλα όσα έχουν σημασία όταν οι άνθρωποι θέλουν να αλληλεπιδράσουν με τα smartphone τους συμβαίνουν μέσα σε εφαρμογές. Οι εφαρμογές δεν παρέχουν κανένα είδος API· παρουσιάζουν οθόνες αντ’ αυτού.

Ήταν αυτή η διαφορά που οδήγησε στα συμπεράσματά μας. Η λύση στο πρόβλημα δεν θα ήταν πιο sophistιcated API ή μεγαλύτερα μοντέλα, αλλά ο πράκτορας που θα λειτουργούσε τη συσκευή από την οπτική του χρήστη. Αυτό σήμαινε να αντιμετωπίζουμε το smartphone σαν ένα άτομο – να αλληλεπιδρούμε με τις οθόνες του.

Πολλά βοηθήματα της τεχνητής νοημοσύνης σήμερα εξακολουθούν να βασίζονται πολύ σε API, ενσωματώσεις και ορχήστρα στο cloud. Τι σπάει ουσιαστικά σε αυτό το μοντέλο, και γιατί πιστεύετε ότι η εκτέλεση στη συσκευή είναι το λείπων στρώμα;

Υπάρχουν τρία προβλήματα με αυτό. Το πρώτο είναι η κάλυψη. Τα API απαιτούν ότι όλοι οι développers πρέπει να διασυνδεθούν μαζί σας, το οποίο περιορίζει τις ικανότητες του πρακτόρα σας στο πιο αργό συνεργάτη. Οι App Intents της Apple είναι ένα εξαιρετικό παράδειγμα τέτοιας τεχνολογίας που ξεκίνησε να εργάζεται πίσω στο WWDC 2024. Έπειτα υπάρχει το ζήτημα της ιδιωτικότητας. Η ορχήστρα στο cloud απαιτεί ότι το περιεχόμενο της οθόνης σας, τα μηνύματα και οι δραστηριότητές σας πάνε σε servers τρίτων. Τέλος, υπάρχει το πρόβλημα του κόστους και της καθυστέρησης. Όλες οι επεξεργασίες που γίνονται μέσω του cloud είναι αργές και ακριβές.

Η εκτέλεση στη συσκευή解决 όλα αυτά τα προβλήματα. Ο πράκτορας σας δεν εξαρτάται από κανέναν άλλον και διασυνδέεται με το σύστημα αλληλεπιδρώντας απευθείας με την οθόνη.

Η προσέγγισή σας μεταφέρει την τεχνητή νοημοσύνη από την απάντηση σε ερωτήσεις στην ολοκλήρωση εργασιών σε διάφορες εφαρμογές. Ποια ήταν τα πιο δύσκολα τεχνικά προβλήματα στην ενεργοποίηση ενός πρακτόρα να λειτουργήσει ένα τηλέφωνο όπως ένας άνθρωπος;

Η αξιόπιστη έλεγξη ενός τηλεφώνου είναι πιο δύσκολη από ό,τι μπορεί να φανεί. Πρώτα, ένας πράκτορας πρέπει να αντιλαμβάνεται την οθόνη του τηλεφώνου όπως ένας άνθρωπος, να κατανοεί τι έρχεται μετά και να εκτελεί την κατάλληλη ενέργεια. Η αντίληψη γίνεται από ένα μοντέλο όρασης-γλώσσας που μπορεί να αναγνωρίσει κουμπιά, κελιά κειμένου, μενού, διατάξεις κ.λπ. Η επιλογή ενέργειας απαιτείται για να χειριστεί αμφιθυμίες, μερικά φορτωμένα σελίδες, διαλόγους modal και σφάλματα. Τέλος, η ενέργεια πρέπει να είναι ακριβής enough για να πέσει σε σωστή θέση.

Το πιο σημαντικό πρόβλημα, ωστόσο, έγκειται στην ικανότητα να αλληλεπιδρά με σύνθετες εφαρμογές για μεγάλο χρονικό διάστημα. Η κράτηση ενός Uber είναι κάτι, αλλά η εκτέλεση μιας πολυπλόκων διαδικασίας μέσα σε μια εφαρμογή όπου κάθε βήμα εξαρτάται από τις προηγούμενες αλληλεπιδράσεις είναι ένα εντελώς διαφορετικό παιχνίδι. Αυτό είναι ακριβώς γιατί η εκπαίδευση μοντέλων από άκρο σε άκρο ήταν απαραίτητη για την ανάπτυξη του προϊόντος.

Έχετε περιγράψει αυτή τη μετάβαση από βοηθούς σε πράκτορες. Τι σημαίνει αυτή η μετάβαση στην πράξη για τους καθημερινούς χρήστες, και πόσο γρήγορα περιμένετε να αλλάξει η συμπεριφορά;

Η πρακτική αλλαγή έρχεται από το ίδιο το.interface. Όπου σήμερα έχουμε την εφαρμογή και μαθαίνουμε πώς να τη χρησιμοποιήσουμε, αύριο θα έχουμε τον πράκτορα, και οι εφαρμογές θα γίνουν ικανότητες που συνθέτουν ο πράκτορας για λογαριασμό μας. Σταματάμε να σκεφτόμαστε για εφαρμογές και αρχίζουμε να σκεφτόμαστε για πρόθεση: “Κράτηση μιας διαδρομής για το σπίτι.” “Αποστολή των φωτογραφιών από το σαββατοκύριακο στη μαμά.” “Δείξτε μου ξενοδοχεία στη Λισαβόνα όπου μπορώ να πάρω κάποια ηρεμία για το επόμενο σαββατοκύριακο.” Ο πράκτορας γνωρίζει ποιες εφαρμογές να χρησιμοποιήσει.

Η αλλαγή της συμπεριφοράς αρχίζει σιγά-σιγά και γίνεται ταχύτερη καθώς προχωρά. Αρχικά, οι άνθρωποι θα δοκιμάσουν αυτήν την προσέγγιση για απλές εργασίες που εμπιστεύονται και στη συνέχεια επεκτείνουν όσο μπορούν. Ο触发έας για πλήρη αποδοχή θα έρθει όταν ο πράκτορας πάρει τις καθημερινές εργασίες σωστά στο τηλέφωνό μας κάθε φορά.

Με συνεργασίες όπως η Qualcomm και η Lenovo, πόσο σημαντική είναι η στενή ολοκλήρωση υλικού και λογισμικού για να κάνει την τεχνητή νοημοσύνη πρακτική σε κλίμακα;

Αυτή είναι η διαφορά μεταξύ ενός πρωτοτύπου που χρησιμοποιείται για ερευνητικούς σκοπούς και μιας εφαρμογής που είναι πραγματικά χρηστική. Οι συσκευές που τροφοδοτούνται από το Snapdragon έχουν μονάδες επεξεργασίας νευρωνικών δικτύων, οι οποίες θα διασφαλίσουν ότι οι αλγόριθμοι του πρακτόρα μπορούν να λειτουργήσουν στη συσκευή με ελάχιστες καθυστερήσεις και κατανάλωση ενέργειας. Η Qualcomm έχει περάσει χρόνια εργαζόμενη για την επίτευξη αυτής της βελτιστοποίησης, και η συνεργασία που ανακοινώθηκε στο MWC 2026 είχε αυτόν ακριβώς τον στόχο.

Το άλλο άκρο είναι η Lenovo. Η Lenovo μπορεί να φτάσει εκατοντάδες εκατομμύρια χρήστες σε smartphones, tablet και υπολογιστές, που ψάχνουν να διαφοροποιηθούν χρησιμοποιώντας τεχνητή νοημοσύνη. Η διέλευση через συνεργάτες με υπάρχοντα χαρτοφυλάκια συσκευών και φτάνοντας τους γρήγορα και διαφανώς νικά την εναλλακτική οδό. Το ξέρω αυτό από την εμπειρία.

Η εμπιστοσύνη φαίνεται να είναι ένα σημαντικό εμπόδιο. Πώς σχεδιάζετε συστήματα όπου οι χρήστες αισθάνονται άνετα να αφήνουν την τεχνητή νοημοσύνη να λάβει ενέργειες για λογαριασμό τους, ιδιαίτερα όταν αυτές οι ενέργειες διαπερνούν πολλές εφαρμογές και ευαίσθητα δεδομένα;

Η εμπιστοσύνη χτίζεται πάνω στην βάση της ειλικρίνειας σχετικά με τι είναι και τι δεν είναι ικανό να κάνει ο πράκτορας. Κάθε ενέργεια που αφορά κάτι σημαντικό, όπως η πραγματοποίηση μιας αγοράς, η αποστολή ενός μηνύματος ή η αλλαγή ρυθμίσεων λογαριασμού, χρειάζεται έγκριση χρήστη. Ο πράκτορας έχει την ικανότητα να φτάσει μέχρι τη σελίδα checkout με δική του πρωτοβουλία, αλλά όχι παραπέρα μέχρι να το κάνετε να συμβεί. Η συνεργασία μας με τη Visa προσθέτει αυθεντικοποιημένα κανάλια πληρωμών πάνω σε αυτό.

Αυτό γίνεται όλα με βάση δύο απλές φιλοσοφίες. Η πρώτη είναι “άνθρωπος στο βρόχο για οτιδήποτε σημαντικό”. Η δεύτερη είναι η “αναστρέψιμη όπου είναι δυνατό”. Επιπλέον, ο πράκτορας θα δει μόνο ό,τι είναι ορατό στην οθόνη και θα σεβαστεί τις άδειες του λειτουργικού συστήματος που έχουν οριστεί.

Υπάρχει μια αυξανόμενη αφήγηση ότι η οικονομία των εφαρμογών μπορεί να διαταραχθεί. Βλέπετε τους πράκτορες να αντικαθιστούν τις εφαρμογές ολικά, ή να ανασχηματίζουν τον τρόπο με τον οποίο οι εφαρμογές προσεγγίζονται και χρηματοδοτούνται;

Οι εφαρμογές δεν φεύγουν ποτέ. Η δυναμική απλώς μεταβάλλεται. Για σήμερα, η εφαρμογή είναι ο τρόπος με τον οποίο η μάρκα επικοινωνεί με τον καταναλωτή. Αύριο, ο πράκτορας θα είναι, και η εφαρμογή θα είναι το εργαλείο που χρησιμοποιεί ο πράκτορας. Οι développers των εφαρμογών είναι εδώ για να μείνουν, επειδή θα υπάρχει πάντα ανάγκη για την εφαρμογή πίσω από την κλήση υπηρεσίας, το μήνυμα, τη συναλλαγή. Η διαφορά θα είναι το interface στο οποίο γίνονται αυτές οι επιλογές.

Αυτή η αλλαγή αντιπροσωπεύει μια νέα πορεία για τις εφαρμογές και για τις μάρκες που τις χρησιμοποιούν. Αυτή η αλλαγή δεν αποτελεί απειλή, αλλά μια καταπληκτική ευκαιρία να εξερευνήσουμε και να αναπτύξουμε με τους συνεργάτες μας στην ανάπτυξη και τις πλατφόρμες.

Το σύστημά σας αποφεύγει να βασίζεται σε API. Δημιουργεί αυτή η προσέγγιση ένταση με τους développers και τις πλατφόρμες, ή τελικά ανοίγει ένα πιο ανοιχτό οικοσύστημα;

Είναι λιγότερο αντιδραστικό από ό,τι ακούγεται. Δεν υπάρχει ανταγωνισμός μεταξύ των développers και μας. Ο τρόπος που λειτουργεί το interface είναι η ίδια διαδικασία που θα χρησιμοποιούσε ένας άνθρωπος μια εφαρμογή, οπότε ο πράκτορας χρησιμοποιεί τις ίδιες διεπαφές όπως όλοι οι άλλοι. Οι développers μπορούν να χρησιμοποιήσουν κοινές τεχνικές πρακτικές για να αποκλείσουν την πρόσβαση, και καταλαβαίνουμε τους λόγους τους.

Ένα πιο ενδιαφέρον αποτέλεσμα είναι η απουσία ανταγωνισμού. Ένα ανοιχτό σύστημα με καθολική διαλειτουργικότητα ωφελεί όλους, σε σύγκριση με ένα κλειστό σύστημα, όπου κάθε βοηθός μπορεί να χρησιμοποιηθεί μόνο σε συγκεκριμένες εφαρμογές, επειδή υποστηρίζει μόνο αυτήν την ειδική ενσωμάτωση. Η καθολικότητα βοηθά τους χρήστες, αλλά βοηθά επίσης τις εφαρμογές με πραγματική αξία.

Η τεχνητή νοημοσύνη στη συσκευή συχνά παρουσιάζεται ως ένα πλεονέκτημα για την ιδιωτικότητα. Πώς ισορροπείτε την επεξεργασία στη συσκευή με την ανάγκη για ισχυρά μοντέλα που παραδοσιακά απαιτούν μεγάλο υπολογιστικό;

Είναι ένα υβριδικό σύστημα που θα συνεχίσει να εξελίσσεται προς ένα πλήρως σύστημα στη συσκευή. Οι ενέργειες και η ελαφριά συλλογιστική συμβαίνουν στη συσκευή, ενώ η βαριά συλλογιστική συμβαίνει στο cloud. Με την βελτιστοποίηση του στάκ μέσω της συνεργασίας μας με την Qualcomm και τις ικανότητες των NPUs των τηλεφώνων που γίνονται ολοένα και πιο προηγμένα, υπάρχει μια μετατόπιση προς το μοντέλο να γίνεται πιο τοπικό. Σήμερα, τα περισσότερα flagship τηλέφωνα που είναι διαθέσιμα στην αγορά έχουν την ικανότητα να χειριστούν το φορτίο εργασίας που απαιτείται.

Η δίωξη της ισχυρής απόδοσης και της θυσίας της τοπικής επεξεργασίας ή το αντίστροφο είναι επίσης ξεπερασμένη. Τα μοντέλα γίνονται πιο αποτελεσματικά, και το υλικό στο τηλέφωνο γίνεται πιο ικανό. Όλα αυτά μπορούν να επιτευχθούν όταν ο στάκ είναι σωστά βελτιστοποιημένος.

Κοιτάζοντας μπροστά τρία έως πέντε χρόνια, τι μοιάζει μια πλήρως υλοποιημένη συσκευή που είναι ιδιαίτερη για την τεχνητή νοημοσύνη, και τι πρέπει να συμβεί τεχνικά και πολιτιστικά πριν αυτή η όραση γίνει mainstream;

Η πραγματική υλοποίηση θα ήταν ένας單ός πράκτορας που ακολουθεί τον χρήστη σε διάφορες συσκευές. Λέτε στον υπολογιστή σας να βρει πληροφορίες για δώρα, μεταβαίνετε στο smartphone σας για να κάνετε μια αγορά, και στη συνέχεια λέτε στο αυτοκίνητό σας να θερμάνει. Η πρόθεση είναι η ίδια· ο контекст παραμένει σταθερός, ενώ η επιφάνεια αλλάζει. Τα τηλέφωνα είναι το σημείο εισαγωγής, επειδή εκεί συμβαίνει η περισσότερη επεξεργασία αυτή τη στιγμή. Μετά θα μεταφερθεί σε υπολογιστές, τηλεοράσεις, αυτοκίνητα και τελικά σε smartglasses, και η συνεργασία με την Qualcomm κάνει μια τεράστια διαφορά σε αυτό το σημείο.

Από τεχνικής πλευράς, είναι η συνέχιση της συλλογιστικής στη συσκευή και η αύξηση της μακροπρόθεσμης αξιοπιστίας, καθώς και η σωστή μετάβαση μεταξύ συσκευών. Από πολιτιστικής πλευράς, η αλλαγή θα ήταν η αυξανόμενη εμπιστοσύνη στους πράκτορες με όλο και πιο σύνθετες εργασίες, η οποία βασίζεται στον πράκτορα να σας λέει όλα όσα δεν μπορεί να κάνει χωρίς δισταγμό, και επίσης να μην σπάσει καμία από τις απλές υποσχέσεις που έγιναν σε σας.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν AGI, Inc.