Div Garg, CEO e Co-Fondatore di AGI, Inc – Serie di Interviste

Div Garg, CEO e Co-Fondatore di AGI, Inc, è un ricercatore di intelligenza artificiale e imprenditore focalizzato su agenti autonomi, intelligenza edge, visione computerizzata e robotica. Prima di fondare AGI, Inc., ha co-fondato e diretto MultiOn, un pioniere precoce negli agenti di utilizzo del computer, e in seguito ha ricoperto la carica di presidente del suo consiglio di amministrazione. Garg ha anche trascorso quasi quattro anni come membro facoltativo aggiunto presso l’Università di Stanford, dove ha creato CS 25: Transformers United, il primo corso dell’università dedicato alle architetture dei transformer. La sua esperienza precedente include lo sviluppo di intelligenza artificiale presso Collaborative Robotics, la conduzione di ricerche presso NVIDIA (NVDA ) e Apple (AAPL ), e il lavoro su tecnologie di visione computerizzata e guida autonoma presso Google, Uber e Cornell University, dove la sua ricerca includeva l’influente approccio Pseudo-LiDAR per la percezione 3D basata sulla fotocamera.

AGI, Inc è un’azienda di ricerca di intelligenza artificiale che sviluppa intelligenza privata, sicura e accessibile che opera direttamente su dispositivi edge. La sua tecnologia di punta, AGI-0, è un sistema di intelligenza artificiale orientato all’azione progettato per comprendere le preferenze dell’utente e completare attività attraverso applicazioni su telefoni, computer, dispositivi indossabili e altri dispositivi connessi, compresi i flussi di lavoro che coinvolgono shopping, trasporto, pianificazione, messaggistica e intrattenimento. L’azienda offre anche una piattaforma che consente ai produttori di hardware e agli sviluppatori di aggiungere agenti consapevoli dello schermo in grado di ragionare e agire attraverso applicazioni esistenti senza dover creare integrazioni separate per ogni app. AGI, Inc. ha dimostrato la sua tecnologia con Lenovo e sta ottimizzando il suo stack di agenti per dispositivi Qualcomm (QCOM ) Snapdragon.

Hai lavorato ad Apple, Google, Nvidia e hai contribuito a creare sistemi di agenti precoci a MultiOn prima di interrompere il tuo dottorato di ricerca a Stanford per fondare AGI, Inc. Quale limitazione specifica o momento ti ha convinto che gli approcci di intelligenza artificiale esistenti non erano sufficienti e che costruire un agente autonomo sul dispositivo era la strada giusta da percorrere?

Questo cambiamento è avvenuto intorno al 2023-2024 mentre lavoravo su agenti web. Potevamo creare agenti per eseguire azioni nei browser, ma solo se il sito web aveva una struttura appropriata con cui l’agente poteva lavorare. Non appena qualcosa andava storto e non si comportava come una versione idealizzata del DOM, come una finestra modale o un effetto di animazione, l’agente smetteva di funzionare. D’altra parte, tutto ciò che conta quando le persone vogliono interagire con i loro smartphone avviene all’interno delle applicazioni. Le applicazioni non forniscono alcun tipo di API; presentano invece degli schermi.

È stata questa differenza a portarci alle nostre conclusioni. La soluzione al problema non sarebbe stata costituita da API più sofisticate o modelli più grandi, ma piuttosto da un agente che avrebbe operato il dispositivo dal punto di vista di una persona. Ciò significava trattare lo smartphone come farebbe una persona – interagendo con i suoi schermi.

Molti assistenti di intelligenza artificiale oggi si basano ancora fortemente su API, integrazioni e orchestrazione cloud. Cosa si rompe fondamentalmente in quel modello e perché credi che l’esecuzione sul dispositivo sia lo strato mancante?

Ci sono tre problemi con questo approccio. Il primo è la copertura. Le API richiedono che tutti gli sviluppatori si interfaccino con te, il che limita le capacità del tuo agente al partner più lento. Gli App Intents di Apple sono un ottimo esempio di tale tecnologia che è stata avviata al WWDC 2024. Poi c’è la questione della privacy. L’orchestrazione cloud richiede che il contenuto dello schermo, i messaggi e le attività vengano inviati ai server di una terza parte. Infine, c’è il problema del costo e della latenza. Tutta l’elaborazione a ciclo completo attraverso il cloud la rende lenta e costosa.

L’esecuzione sul dispositivo risolve tutti questi problemi. Il tuo agente non dipende da nessun altro e si interfaccia con il sistema interagendo direttamente con l’interfaccia utente.

Il tuo approccio sposta l’intelligenza artificiale dal rispondere alle domande al completare effettivamente attività attraverso le applicazioni. Quali sono stati i più grandi sfidi tecnici nel rendere un agente in grado di operare un telefono in modo affidabile come farebbe un essere umano?

Controllare in modo affidabile un telefono è più difficile di quanto possa sembrare. Innanzitutto, un agente deve percepire lo schermo del telefono come farebbe un essere umano, capire cosa viene dopo e eseguire l’azione appropriata. La percezione viene eseguita da un modello di visione-linguaggio in grado di riconoscere pulsanti, caselle di testo, menu, layout, ecc. La selezione dell’azione è necessaria per gestire le ambiguità, le pagine parzialmente caricate, i dialoghi modali e gli errori. Infine, l’azione deve essere abbastanza precisa per far sì che un tocco cada nella posizione corretta.

Il problema più significativo, tuttavia, risiede nella capacità di interagire in modo affidabile con applicazioni complesse nel corso del tempo. Prenotare un Uber è una cosa, ma eseguire un processo multi-step all’interno di un’applicazione in cui ogni passaggio dipende dalle interazioni precedenti è un gioco completamente diverso. È proprio per questo che l’addestramento dei modelli end-to-end è stato essenziale per lo sviluppo del prodotto.

Hai descritto questo passaggio come un cambiamento da assistenti ad agenti. Cosa significa questo cambiamento in pratica per gli utenti quotidiani e quanto velocemente ti aspetti che il comportamento cambi?

Il cambiamento pratico deriva dall’interfaccia stessa. Oggi abbiamo l’app e impariamo a usarla, domani avremo l’agente e le app diventeranno capacità composte dall’agente per nostro conto. Smettiamo di pensare alle app e iniziamo a pensare all’intento: “Prenotami un passaggio a casa”. “Invia le foto del fine settimana a mamma”. “Mostrami gli alberghi a Lisbona dove posso trovare un po’ di pace per il fine settimana successivo”. L’agente sa quali app utilizzare.

Il cambiamento del comportamento inizia lentamente e si velocizza man mano che procede. All’inizio, le persone proveranno questo approccio per attività semplici in cui si fidano e poi lo estenderanno il più possibile. Il trigger per l’accettazione su larga scala arriverà quando l’agente eseguirà correttamente i compiti di routine sui nostri telefoni ogni volta.

Con partnership come Qualcomm e Lenovo, quanto è importante l’integrazione stretta tra hardware e software per rendere l’intelligenza artificiale agente utilizzabile su larga scala?

Questa è la differenza tra un prototipo utilizzato per scopi di ricerca e un’applicazione che è effettivamente utilizzabile. I dispositivi alimentati da Snapdragon hanno unità di elaborazione neurale, che assicureranno che gli algoritmi dell’agente possano operare sul dispositivo con ritardi e consumo energetico minimi. Qualcomm ha lavorato per anni per raggiungere questa ottimizzazione e la partnership che abbiamo annunciato al MWC 2026 aveva proprio questo obiettivo in mente.

L’altro aspetto è Lenovo. Lenovo può raggiungere centinaia di milioni di utenti attraverso smartphone, tablet e PC, cercando di differenziarsi utilizzando l’intelligenza artificiale. Passare attraverso partner con portafogli di dispositivi esistenti e raggiungerli rapidamente e trasparentemente batte la strada alternativa. Lo so per esperienza.

La fiducia sembra essere una barriera importante. Come progetti sistemi in cui gli utenti si sentono a proprio agio nel lasciare che l’intelligenza artificiale esegua azioni per loro conto, specialmente quando queste azioni coinvolgono più app e dati sensibili?

La fiducia si costruisce sulla base di essere trasparenti su cosa l’agente è e non è in grado di fare. Qualsiasi azione che coinvolga qualcosa di importante, come effettuare un acquisto reale, inviare un messaggio o modificare le impostazioni dell’account, richiede l’approvazione dell’utente. L’agente ha la capacità di arrivare fino alla pagina di checkout di sua iniziativa, ma non può proseguire fino a quando l’utente non lo fa. La nostra partnership con Visa aggiunge canali di pagamento autenticati su questo.

Questo è fatto in base a due filosofie semplici. La prima è “essere umano nel ciclo per qualsiasi cosa sostanziale”. La seconda è quella della “reversibilità ovunque possibile”. Inoltre, l’agente visualizzerà solo ciò che è visibile sullo schermo e onorerà le autorizzazioni del sistema che sono state stabilite.

C’è una narrativa crescente che l’economia delle app potrebbe essere disruptata. Vedi gli agenti sostituire completamente le app o ridefinire come le app vengono accessibili e monetizzate?

Le app non scompaiono. La dinamica semplicemente si sposta. Oggi l’app è come la marca comunichi con il consumatore. Domani, l’agente sarà il mezzo e l’app sarà lo strumento utilizzato dall’agente. Gli sviluppatori di app sono qui per restare perché ci sarà sempre bisogno dell’applicazione dietro la chiamata del servizio, il messaggio di testo o la transazione. La differenza sarà l’interfaccia in cui queste scelte vengono fatte.

Questo rappresenta una nuova frontiera per le app e per le marche che le utilizzano. Questo rappresenta non una minaccia, ma piuttosto un’opportunità incredibile per esplorare e sviluppare con i nostri partner nello sviluppo e nelle piattaforme.

Il tuo sistema evita di basarsi su API. Ciò crea tensione con gli sviluppatori e le piattaforme o alla fine sblocca un ecosistema più aperto?

È meno controverso di quanto sembri. Non c’è competizione tra gli sviluppatori e noi. Il modo in cui funziona l’interfaccia è lo stesso processo che una persona utilizzerebbe un’applicazione, quindi l’agente utilizza le stesse interfacce di chiunque altro. Gli sviluppatori possono impiegare pratiche tecniche comuni per bloccare l’accesso e comprendiamo il loro ragionamento.

Un risultato più intrigante è l’assenza di contenzioso. Un sistema aperto con interoperabilità universale beneficia tutti, rispetto a un sistema chiuso in cui ogni assistente può essere utilizzato solo su app specifiche perché supporta solo quel tipo di integrazione personalizzata. L’universalità aiuta gli utenti, ma aiuta anche le app con valore reale.

L’intelligenza artificiale sul dispositivo è spesso presentata come un vantaggio per la privacy. Come bilanci l’elaborazione locale con la necessità di modelli potenti che tradizionalmente richiedono una grande capacità di calcolo?

È un sistema ibrido che continuerà a evolversi verso un sistema completamente sul dispositivo. Entrambe le azioni e la ragionamento leggero avvengono sul telefono, mentre la ragionamento pesante avviene nel cloud. Con l’ottimizzazione dello stack attraverso il nostro lavoro con Qualcomm e le capacità delle NPUs dei telefoni che diventano sempre più avanzate, c’è uno spostamento verso un modello più localizzato. Attualmente, la maggior parte dei telefoni di fascia alta disponibili sul mercato ha la capacità di gestire il carico di lavoro richiesto.

La dicotomia di avere prestazioni potenti e sacrificare la localizzazione o viceversa è anche superata. I modelli diventano più efficienti e il hardware del telefono diventa più capace. Tutto ciò può essere realizzato quando lo stack è ottimizzato correttamente.

Guardando avanti tre o cinque anni, cosa sembra un dispositivo nativo di intelligenza artificiale completamente realizzato e cosa deve accadere tecnicamente e culturalmente prima che questa visione diventi mainstream?

L’implementazione reale sarebbe un singolo agente che segue l’utente attraverso i dispositivi. Dici al tuo PC di trovare informazioni sui regali, passi al tuo smartphone per effettuare un acquisto, poi dici alla tua auto di scaldarsi. L’intento è lo stesso; il contesto rimane costante, mentre la superficie cambia. I telefoni sono il punto di inserimento poiché è lì che avviene la maggior parte dell’elaborazione attualmente. Successivamente, si sposterà su PC, TV, auto e infine su occhiali intelligenti, e la collaborazione con Qualcomm fa una grande differenza a questo riguardo.

Da un punto di vista tecnico, si tratta di continuare a migliorare la ragionamento sul dispositivo e aumentare l’affidabilità a lungo termine, nonché le transizioni corrette tra dispositivi. Da un punto di vista culturale, il cambiamento sarebbe quello di fidarsi sempre di più degli agenti con compiti sempre più complessi, basato sul fatto che l’agente ti dice tutto ciò che non può fare senza esitazione e non viola alcuna delle semplici promesse fatte a te.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare AGI, Inc.