डिव गर्ग, सीईओ और सह-संस्थापक एजीआई, इंक – साक्षात्कार श्रृंखला

डिव गर्ग, सीईओ और सह-संस्थापक एजीआई, इंक, एक एआई अनुसंधानकर्ता और उद्यमी हैं जो स्वायत्त एजेंट, एज इंटेलिजेंस, कंप्यूटर विजन और रोबोटिक्स पर ध्यान केंद्रित करते हैं। एजीआई, इंक की स्थापना से पहले, उन्होंने मल्टियोन की सह-स्थापना की और इसके बोर्ड के अध्यक्ष के रूप में कार्य किया, जो कंप्यूटर-उपयोग एजेंटों के शुरुआती अग्रणी थे। गर्ग ने स्टैनफोर्ड विश्वविद्यालय में लगभग चार वर्षों तक एक सहायक फैकल्टी सदस्य के रूप में भी काम किया, जहां उन्होंने सीएस 25: ट्रांसफॉर्मर्स यूनाइटेड बनाया, जो ट्रांसफॉर्मर आर्किटेक्चर के लिए विश्वविद्यालय का पहला पाठ्यक्रम था। उनके पिछले अनुभव में कोलाबोरेटिव रोबोटिक्स में कृत्रिम बुद्धिमत्ता विकास का नेतृत्व करना, एनवीडिया [सिक्योरिटीज़_स्टॉक_प्राइस_टैग सимвोल = “एनवीडीए” एक्सचेंज = “नास्डैक”] और एप्पल [सिक्योरिटीज़_स्टॉक_प्राइस_टैग सимвोल = “एएपीएल” एक्सचेंज = “नास्डैक”] में अनुसंधान करना, और गूगल, उबर, और कॉर्नेल विश्वविद्यालय में कंप्यूटर विजन और स्वायत्त-ड्राइविंग प्रौद्योगिकियों पर काम करना शामिल है, जहां उनके शोध में प्रभावशाली प्सेवдо-लिडार दृष्टिकोण शामिल था।

एजीआई, इंक एक एआई अनुसंधान कंपनी है जो निजी, सुरक्षित और सुलभ बुद्धिमत्ता विकसित कर रही है जो सीधे एज डिवाइसों पर काम करती है। इसकी प्रमुख प्रौद्योगिकी, एजीआई-0, एक क्रिया-आधारित एआई प्रणाली है जो उपयोगकर्ता प्राथमिकताओं को समझने और फोन, कंप्यूटर, वियरेबल्स और अन्य कनेक्टेड डिवाइसों पर एप्लिकेशनों में कार्यों को पूरा करने के लिए डिज़ाइन की गई है, जिसमें शॉपिंग, परिवहन, अनुसूची, संदेश और मनोरंजन जैसे कार्य शामिल हैं। कंपनी एक मंच भी प्रदान करती है जो हार्डवेयर निर्माताओं और डेवलपर्स को मौजूदा एप्लिकेशन में बिना अलग-अलग एकीकरण के स्क्रीन-जागरूक एजेंट जोड़ने की अनुमति देती है। एजीआई, इंक ने लेनोवो के साथ अपनी प्रौद्योगिकी का प्रदर्शन किया है और क्वालकॉम [सिक्योरिटीज़_स्टॉक_प्राइस_टैग सимвोल = “क्यूसीओएम” एक्सचेंज = “नास्डैक”] स्नैपड्रैगन-पावर्ड डिवाइसों के लिए अपने एजेंट स्टैक को अनुकूलित कर रही है।

आप एप्पल, गूगल, एनवीडिया में काम कर चुके हैं और मल्टियोन में शुरुआती एजेंट सिस्टम के अग्रणी रहे हैं। क्या विशिष्ट सीमा या क्षण था जिसने आपको यह महसूस कराया कि मौजूदा एआई दृष्टिकोण पर्याप्त नहीं थे, और एक ऑन-डिवाइस स्वायत्त एजेंट बनाना सही रास्ता था?

यह परिवर्तन 2023 और 2024 के बीच हुआ जब मैं वेब एजेंटों पर काम कर रहा था। हम एजेंट बना सकते थे जो ब्राउज़र में क्रियाएं कर सकते थे, लेकिन chỉ तभी जब वेबसाइट की एक उचित संरचना थी जिसके साथ एजेंट काम कर सकता था। जैसे ही कुछ गलत हुआ और यह आदर्श डीओएम की तरह व्यवहार नहीं किया, जैसे कि एक मॉडल विंडो या एनिमेशन प्रभाव, एजेंट ने काम करना बंद कर दिया। दूसरी ओर, जब लोग अपने स्मार्टफोन के साथ बातचीत करना चाहते हैं, तो यह सभी एप्लिकेशन के भीतर होता है। एप्लिकेशन कोई एपीआई प्रदान नहीं करते हैं; वे स्क्रीन प्रस्तुत करते हैं।

यह अंतर हमारे निष्कर्ष की ओर ले गया। समस्या का समाधान अधिक परिष्कृत एपीआई या बड़े मॉडल नहीं थे, बल्कि एक ऐसा एजेंट था जो डिवाइस को एक व्यक्ति की दृष्टिकोण से संचालित करेगा। इसका अर्थ था स्मार्टफोन को एक व्यक्ति की तरह व्यवहार करना – स्क्रीन के साथ बातचीत करना।

आजकल कई एआई सहायक एपीआई, एकीकरण और क्लाउड ऑर्केस्ट्रेशन पर बहुत अधिक निर्भर हैं। उस मॉडल में क्या मूल रूप से टूट जाता है, और आप ऑन-डिवाइस निष्पादन को क्यों महत्वपूर्ण मानते हैं?

इसमें तीन समस्याएं हैं। पहली कवरेज है। एपीआई के लिए आवश्यक है कि सभी डेवलपर्स आपके साथ इंटरफेस करें, जो आपके एजेंट की क्षमताओं को सबसे धीमे भागीदार तक सीमित करता है। एप्पल के ऐप इंटेंट एक ऐसी प्रौद्योगिकी का एक अच्छा उदाहरण है जिस पर वीडब्ल्यूडीसी 2024 में काम शुरू हुआ था। फिर गोपनीयता का मुद्दा है। क्लाउड ऑर्केस्ट्रेशन के लिए आवश्यक है कि आपकी स्क्रीन सामग्री, संदेश और गतिविधियां तीसरे पक्ष के सर्वर पर जाएं। अंत में, लागत और विलंबता की समस्या है। सभी राउंड-ट्रिप प्रोसेसिंग क्लाउड के माध्यम से धीमी और महंगी है।

ऑन-डिवाइस निष्पादन इन सभी समस्याओं का समाधान करता है। आपका एजेंट किसी और पर निर्भर नहीं करता है और सिस्टम के साथ सीधे यूआई के माध्यम से इंटरफेस करता है।

आपका दृष्टिकोण एआई को प्रश्नों के उत्तर देने से वास्तव में कार्यों को पूरा करने की ओर स्थानांतरित करता है। एक एजेंट को विश्वसनीय रूप से एक फोन को मानव की तरह संचालित करने में सबसे कठिन तकनीकी चुनौतियां क्या थीं?

एक फोन को विश्वसनीय रूप से नियंत्रित करना जितना लगता है उससे कहीं अधिक कठिन है। सबसे पहले, एक एजेंट को एक मानव की तरह फोन स्क्रीन को समझना होगा, आगे क्या होगा इसका अर्थ लगाना होगा, और उचित कार्रवाई करनी होगी। धारणा एक दृष्टि-भाषा मॉडल द्वारा की जाती है जो बटन, टेक्स्ट बॉक्स, मेनू, लेआउट आदि को पहचान सकता है। कार्रवाई चयन को संभव करने के लिए आवश्यक है जो अस्पष्टताओं, आंशिक रूप से लोड की गई पृष्ठों, मॉडल डायलॉग, और त्रुटियों से निपटता है। अंत में, कार्रवाई को सटीक होने की आवश्यकता है ताकि एक टैप सही स्थान पर लैंड हो।

हालांकि, सबसे बड़ी समस्या जटिल एप्लिकेशन के साथ लंबे समय तक विश्वसनीय रूप से बातचीत करने की क्षमता में निहित है। एक उबर बुक करना एक बात है, लेकिन एक एप्लिकेशन के भीतर एक बहु-चरण प्रक्रिया को पूरा करना जिसमें प्रत्येक चरण पिछली बातचीत पर निर्भर करता है, यह एक अलग गेम है। यही कारण है कि मॉडल को एंड-टू-एंड प्रशिक्षित करना उत्पाद के विकास के लिए आवश्यक था।

आप इसे सहायक से एजेंट में स्थानांतरण के रूप में वर्णित करते हैं। वास्तविक उपयोगकर्ताओं के लिए यह संक्रमण वास्तव में क्या意味 करता है, और आप व्यवहार में परिवर्तन की अपेक्षा कब करते हैं?

व्यावहारिक परिवर्तन इंटरफेस से आता है। जहां आज हमारे पास ऐप है और हम ऐप का उपयोग करना सीखते हैं, कल हमारे पास एजेंट होगा और ऐप्स एजेंट द्वारा हमारी ओर से क्षमताओं के रूप में बनाए जाएंगे। हम ऐप्स के बारे में सोचना बंद कर देते हैं और इरादे के बारे में सोचना शुरू करते हैं: “मुझे घर ले जाने के लिए एक सवारी बुक करें।” “माँ को सप्ताहांत की तस्वीरें भेजें।” “मुझे लिस्बन में होटल दिखाएं जहां मैं अगले सप्ताहांत के लिए कुछ शांति प्राप्त कर सकता हूं।” एजेंट जानता है कि कौन से ऐप्स का उपयोग करना है।

व्यवहार परिवर्तन धीरे-धीरे शुरू होता है और जैसे ही यह आगे बढ़ता है, यह तेजी से होता है। पहले लोग सरल कार्यों के लिए इस दृष्टिकोण का प्रयास करेंगे जिन पर वे विश्वास करते हैं और फिर जितना संभव हो उतना विस्तार करेंगे। पूर्ण स्वीकृति के लिए ट्रिगर तब आएगा जब एजेंट हमारे फोन पर हर बार नियमित कार्यों को सही ढंग से करेगा।

क्वालकॉम और लेनोवो जैसे साझेदारियों के साथ, एजेंटिक एआई को बड़े पैमाने पर उपयोगी बनाने के लिए हार्डवेयर और सॉफ्टवेयर एकीकरण कितना महत्वपूर्ण है?

यह एक प्रोटोटाइप और एक वास्तविक अनुप्रयोग के बीच का अंतर है जो वास्तव में उपयोगी है। क्वालकॉम द्वारा संचालित डिवाइसों में न्यूरल प्रोसेसिंग यूनिट हैं, जो सुनिश्चित करेगा कि एजेंट के अल्गोरिदम डिवाइस पर न्यूनतम देरी और ऊर्जा खपत के साथ काम कर सकते हैं। क्वालकॉम ने इस अनुकूलन की दिशा में वर्षों से काम किया है, और हमने एमडब्ल्यूसी 2026 में जिस साझेदारी की घोषणा की थी, उसका यही उद्देश्य था।

दूसरी ओर लेनोवो है। लेनोवो स्मार्टफोन, टैबलेट और पीसी पर सैकड़ों मिलियन उपयोगकर्ताओं तक पहुंच सकता है, जो एआई का उपयोग करके खुद को अलग करने की कोशिश कर रहा है। मौजूदा डिवाइस पोर्टफोलियो वाले भागीदारों के माध्यम से जाना और उन तक जल्दी और पारदर्शी रूप से पहुंचना वैकल्पिक मार्ग की तुलना में बेहतर है। मैं इसे अनुभव से जानता हूं।

विश्वास एक बड़ी बाधा की तरह लगता है। आप ऐसे सिस्टम को कैसे डिज़ाइन करते हैं जहां उपयोगकर्ता अपनी ओर से कार्रवाई करने के लिए एआई को आराम से महसूस कर सकते हैं, खासकर जब वे कार्रवाई कई ऐप्स और संवेदनशील डेटा को पार करती हैं?

विश्वास का निर्माण इस बात पर आधारित है कि एजेंट क्या कर सकता है और क्या नहीं कर सकता है, इसके बारे में स्पष्ट होना। किसी भी महत्वपूर्ण कार्रवाई के लिए, जैसे कि वास्तविक खरीद, संदेश भेजना या खाता सेटिंग्स बदलना, उपयोगकर्ता की अनुमति की आवश्यकता होती है। एजेंट स्वयं चेकआउट पृष्ठ तक जा सकता है, लेकिन तब तक आगे नहीं बढ़ेगा जब तक आप इसे हappen नहीं करते। हमारी वीजा के साथ साझेदारी के आधार पर प्रमाणित भुगतान रेल भी जोड़े जाते हैं।

यह सब दो सरल दर्शनों पर आधारित है। पहला यह है कि “किसी भी महत्वपूर्ण चीज़ के लिए मानव को लूप में रखें।” दूसरा यह है कि “जहां संभव हो वहां प्रतिवर्तितता।” इसके अलावा, एजेंट केवल वही देखेगा जो स्क्रीन पर दिखाई देता है और ओएस अनुमतियों का सम्मान करेगा जो निर्धारित की गई हैं।

एक बढ़ती हुई कथा है कि ऐप अर्थव्यवस्था बाधित हो सकती है। क्या आप एजेंटों को पूरी तरह से ऐप्स को बदलने के रूप में देखते हैं, या ऐप्स को एक्सेस और मोनेटाइज करने के तरीके को फिर से तैयार करते हैं?

ऐप्स कभी नहीं जाते हैं। गतिविधि बस बदलती है। आज, ऐप यह है कि ब्रांड उपभोक्ता के साथ कैसे संवाद करता है। कल, एजेंट यह होगा, और ऐप वह होगा जो एजेंट द्वारा सेवा कॉल, टेक्स्ट संदेश या लेन-देन के लिए उपयोग किया जाता है। ऐप डेवलपर्स यहां रहने के लिए हैं क्योंकि सेवा कॉल, टेक्स्ट संदेश या लेन-देन के पीछे एप्लिकेशन की हमेशा आवश्यकता होगी। अंतर यह होगा कि चुनावों को बनाने वाली इंटरफेस होगी।

यह ऐप्स और उनका उपयोग करने वाले ब्रांडों के लिए एक नई फ्रंटियर का प्रतिनिधित्व करता है। यह कोई खतरा नहीं है, बल्कि हमारे विकास और प्लेटफ़ॉर्म भागीदारों के साथ अन्वेषण और विकास का एक अद्भुत अवसर है।

आपकी प्रणाली एपीआई पर निर्भर नहीं करती है। क्या यह डेवलपर्स और प्लेटफ़ॉर्मों के साथ तनाव पैदा करता है, या यह अंततः एक अधिक खुला पारिस्थितिकी तंत्र अनलॉक करता है?

यह उतना ही विवादास्पद है जितना लगता है। डेवलपर्स और हमारे बीच कोई प्रतिस्पर्धा नहीं है। इंटरफ़ेस का काम करने का तरीका वही है जो एक व्यक्ति द्वारा एक एप्लिकेशन का उपयोग करने के लिए किया जाता है, इसलिए एजेंट वही इंटरफ़ेस का उपयोग करता है जो कोई और उपयोग करेगा। डेवलपर्स सामान्य तकनीकी प्रथाओं का उपयोग करके पहुंच को अवरुद्ध कर सकते हैं, और हम उनके तर्क को समझते हैं।

एक और दिलचस्प परिणाम है असहमति का अभाव। एक खुला प्रणाली जिसमें सार्वभौमिक अंतरक्रियाशीलता है, सभी को लाभान्वित करती है, एक बंद प्रणाली की तुलना में जहां प्रत्येक सहायक का उपयोग केवल विशिष्ट ऐप्स पर किया जा सकता है क्योंकि यह केवल उस प्रकार के अनुकूलन का समर्थन करता है। सार्वभौमिकता उपयोगकर्ताओं की मदद करती है, लेकिन यह वास्तविक मूल्य वाले ऐप्स की भी मदद करती है।

ऑन-डिवाइस एआई अक्सर गोपनीयता लाभ के रूप में प्रस्तुत किया जाता है। आप स्थानीय प्रसंस्करण को शक्तिशाली मॉडलों की आवश्यकता के साथ कैसे संतुलित करते हैं जो पारंपरिक रूप से बड़े पैमाने पर कंप्यूट की आवश्यकता होती है?

यह एक हाइब्रिड प्रणाली है जो पूरी तरह से ऑन-डिवाइस प्रणाली की ओर बढ़ रही है। कार्रवाई और हल्की तर्कसंगतता फोन पर होती है, जबकि भारी तर्कसंगतता क्लाउड में होती है। क्वालकॉम के साथ हमारे काम के माध्यम से स्टैक अनुकूलन और फोन के एनपीयू की बढ़ती क्षमता के साथ, मॉडल अधिक स्थानीय होता जा रहा है। वर्तमान में, बाजार में उपलब्ध अधिकांश फ्लैगशिप फोन में आवश्यक कार्यभार को संभालने की क्षमता है।

शक्तिशाली प्रदर्शन और स्थानीयकरण के बीच विरोधाभास पुराना हो गया है। मॉडल अधिक कुशल हो रहे हैं, और फोन पर हार्डवेयर अधिक सक्षम हो रहा है। जब स्टैक ठीक से अनुकूलित होता है, तो यह सभी को प्राप्त किया जा सकता है।

आगे देखते हुए तीन से पांच साल, एक पूरी तरह से विकसित एआई-मूल डिवाइस कैसा दिखेगा, और उस दृष्टि को मुख्यधारा बनाने से पहले तकनीकी और सांस्कृतिक रूप से क्या होने की आवश्यकता है?

वास्तविक कार्यान्वयन एक एजेंट होगा जो डिवाइसों में आपका अनुसरण करेगा। आप अपने पीसी से उपहारों के बारे में जानकारी खोजने के लिए कहते हैं, फिर अपने स्मार्टफोन पर खरीदारी करने के लिए स्विच करते हैं, और फिर अपनी कार को गर्म करने के लिए कहते हैं। इरादा समान है; संदर्भ स्थिर रहता है, जबकि सतह बदलती रहती है। फोन वर्तमान में प्रवेश बिंदु हैं क्योंकि यहीं पर अधिकांश कंप्यूटिंग होती है। उसके बाद, यह पीसी, टीवी, कारों और अंततः स्मार्टग्लासेस में जाएगा, और क्वालकॉम सहयोग इस संबंध में बहुत बड़ा अंतर लाता है।

तकनीकी दृष्टिकोण से, यह ऑन-डिवाइस तर्कसंगतता और दीर्घकालिक विश्वसनीयता में जारी रहना है, साथ ही साथ डिवाइसों के बीच उचित संक्रमण है। सांस्कृतिक दृष्टिकोण से, परिवर्तन एजेंटों के साथ जटिल कार्यों पर बढ़ते विश्वास में होगा, जो एजेंट द्वारा आपको बताए जाने वाले सभी चीजों पर आधारित है जो यह नहीं कर सकता है, और साथ ही साथ आपके साथ किए गए सरल वादों को तोड़े बिना।

धन्यवाद महान साक्षात्कार के लिए, पाठक जो अधिक जानना चाहते हैं उन्हें एजीआई, इंक पर जाना चाहिए।