Div Garg, CEO og medgrunnlegger av AGI, Inc – Intervju-serie

Div Garg, CEO og medgrunnlegger av AGI, Inc, er en AI-forsker og entrepreneur som fokuserer på autonome agenter, edge-intelligens, datavisning og robotikk. Før han grunnla AGI, Inc., var han medgrunnlegger og leder av MultiOn, en tidlig pioner innenfor datamaskinbruk, og senere var han styreleder for selskapet. Garg tilbrakte også nesten fire år som adjunkt ved Stanford University, der han skapte CS 25: Transformers United, universitetets første kurs dedikert til transformer-arkitekturer. Hans tidligere erfaring inkluderer å lede kunstig intelligens-utvikling ved Collaborative Robotics, å utføre forskning ved NVIDIA (NVDA ) og Apple (AAPL ), og å arbeide med datavisning og selvstyrte kjøretøy-teknologier ved Google, Uber og Cornell University, der hans forskning inkluderte den innflytelsesrike Pseudo-LiDAR-tilnærmingen til kamera-basert 3D-persepsjon.

AGI, Inc. er et AI-forskningselskap som utvikler private, sikre og tilgjengelige intelligensløsninger som opererer direkte på edge-enheter. Deres flaggskipsteknologi, AGI-0, er et handling-orientert AI-system designet for å forstå brukerpreferanser og fullføre oppgaver på tvers av applikasjoner på telefoner, datamaskiner, bærbare enheter og andre tilkoblede enheter, inkludert arbeidsflyter som omfatter handle, transport, planlegging, meldinger og underholdning. Selskapet tilbyr også en plattform som gjør det mulig for hardware-tilbydere og utviklere å legge til skjerm-orienterte agenter som kan granske og handle på tvers av eksisterende applikasjoner uten å bygge separate integrasjoner for hver enkelt app. AGI, Inc. har demonstrert sin teknologi med Lenovo og optimaliserer sin agent-stakk for Qualcomm (QCOM ) Snapdragon-drevne enheter.

Du har arbeidet hos Apple, Google, Nvidia og hjulpet med å bane vei for tidlige agentsystemer hos MultiOn før du pauserte din Stanford-PhD for å grunnlegge AGI, Inc. Hva var den spesifikke begrensningen eller øyeblikket som overbeviste deg om at eksisterende AI-tilnærminger ikke var nok, og at bygging av en på-enhet autonom agent var riktig vei fremover?

Dette skiftet skjedde noen gang mellom 2023 og 2024 mens jeg arbeidet med web-agenter. Vi kunne lage agenter som kunne utføre handlinger i nettlesere, men bare hvis nettstedet hadde en korrekt struktur som agenten kunne arbeide med. Så snart noe gikk galt og ikke oppførte seg som en idealisert versjon av DOM, som en modal-vindu eller en animasjonseffekt, sluttet agenten å fungere. På den andre siden skjer alt som betyr noe når mennesker ønsker å samhandle med sine smarttelefoner seg innenfor applikasjoner. Applikasjoner tilbyr ingen slags API; de presenterer skjermer i stedet.

Dette var forskjellen som ledet til våre konklusjoner. Løsningen på problemet var ikke mer sofistikerte API-er eller større modeller, men heller agenten som ville operere enheten fra et menneskes perspektiv. Dette betød å behandle smarttelefonen som et menneske ville – samhandle med dens skjermer.

Mange AI-assistenter i dag er fortsatt avhengige av API-er, integrasjoner og sky-orkestrasjon. Hva bryter fundamentalt i den modellen, og hvorfor tror du at på-enhet-utførelse er det manglende laget?

Det er tre problemer med det. Det første er dekning. API-er krever at alle utviklere må samhandle med deg, noe som begrenser agentens evner til den sloweste partneren. App Intents fra Apple er et godt eksempel på en slik teknologi som startet å bli arbeidet med tilbake i 2024. Deretter er det privatliv. Sky-orkestrasjon krever at din skjerm-innhold, meldinger og aktiviteter går til en tredjeparts servere. Til slutt er det problemet med kostnad og forsinkelse. All omvei-foredling gjennom skyen gjør det langsomt og dyrt.

På-enhet-utførelse løser alle disse problemene. Din agent er ikke avhengig av noen andre og samhandler med systemet ved å samhandle med UI direkte.

Din tilnærming flytter AI fra å svare på spørsmål til å faktisk fullføre oppgaver på tvers av applikasjoner. Hva var de hardeste tekniske utfordringene i å aktivere en agent til å pålitelig operere en telefon som et menneske ville?

Pålitelig å kontrollere en telefon er mer vanskelig enn det kan høres ut. Først må en agent samtidig oppfatte telefon-skjermen som et menneske, gjøre mening av hva som kommer neste og utføre den passende handlingen. Oppfating gjøres av en visuelt-språklig modell som kan gjenkjenne knapper, tekstbokser, meny, layout osv. Valg av handling er nødvendig for å håndtere usikkerheter, delvis lastede sider, modal-dialoger og feil. Til slutt må handlingen være nøyaktig nok for at et trykk skal lande i riktig posisjon.

Det mest betydelige problemet ligger likevel i evnen til å pålitelig samhandle med komplekse applikasjoner over en lang periode. Å bestille en Uber er en ting, men å utføre en multi-stegs prosess innenfor en applikasjon hvor hver steg avhenger av tidligere interaksjoner, er en helt annen sak. Dette er nettopp hvorfor modell-trening var essensiell for produktets utvikling.

Du har beskrevet dette som å gå fra assistenter til agenter. Hva betyr denne overgangen i praksis for hverdagsbrukere, og hvor raskt forventer du at atferden vil endre seg?

Praktisk endring kommer fra grensesnittet selv. Der hvor vi i dag har appen og lærer å bruke appen, vil vi i morgen ha agenten, og appene blir evner komponert av agenten på vår vegne. Vi slutter å tenke på apper og begynner å tenke på intensjon: “Bestill en tur hjem.” “Send bildene fra helgen til Mor.” “Vis meg hoteller i Lisboa hvor jeg kan få litt fred neste helg.” Agenten vet hvilke apper å bruke.

Atferdsendring starter langsomt og blir raskere etter hvert. Først vil folk prøve denne tilnærmingen for enkle oppgaver som de stoler på og så utvide så langt de kan. Utløseren for fullskala-aksept vil komme når agenten får rutineoppgavene rett på telefonen hver gang.

Med partnerskap som Qualcomm og Lenovo, hvor viktig er tett hardware- og programvare-integrasjon for å gjøre agentic AI brukbar i stor skala?

Dette er forskjellen mellom en prototype brukt til forskningsformål og en applikasjon som faktisk er brukbar. Enheter drevet av Snapdragon har neurale prosesseringsenheter, som vil sikre at agentens algoritmer kan operere på enheten med minimalt forsinkelse og energiforbruk. Qualcomm har brukt år på å arbeide mot å oppnå denne optimaliseringen, og partnerskapet vi kunngjorde på MWC 2026 hadde nettopp dette målet for øye.

Den andre enden er Lenovo. Lenovo kan nå ut til hundredvis av millioner av brukere på tvers av smarttelefoner, nettbrett og PC-er, som søker å differensiere seg selv ved hjelp av AI. Å gå gjennom partnere med eksisterende enhets-porteføljer og nå dem raskt og gjennomsiktig slår den alternative ruten. Jeg vet dette fra erfaring.

Tillit synes å være en stor barriere. Hvordan designer du systemer hvor brukere føler seg komfortable med å la AI utføre handlinger på deres vegne, spesielt når disse handlingene omfatter flere apper og følsomme data?

Tillit bygges på grunnlag av å være åpen om hva agenten er og ikke er i stand til å gjøre. Enhver handling som involverer noe viktig, som å gjøre et faktisk kjøp, sende en melding eller endre noen konto-innstillinger, trenger bruker-godkjenning. Agenten har evnen til å gå helt til kasse-siden på egen hånd, men ikke lenger før du gjør det skje. Vårt partnerskap med Visa legger til autentiserte betalings-ruter på toppen av dette.

Dette gjøres alle basert på to enkle filosofier. Den første er “menneske i løkken for alt vesentlig”. Den andre er “omvendelighet hvor mulig”. Videre vil agenten bare se hva som er synlig på skjermen og respektere OS-tillatelser som er satt på plass.

Det er en voksende fortelling om at app-økonomien kan bli forstyrret. Ser du agenter erstatter apper helt, eller omformer hvordan apper tilgjengeliggjøres og moneteres?

Appene forsvinner aldri. Dynamikken endrer seg bare. I dag er appen hvordan merket kommuniserer med forbrukeren. I morgen vil agenten være det, og appen vil være verktøyet brukt av agenten. App-utviklere er her for å bli, fordi det alltid vil være et behov for applikasjonen bak tjenesten, meldingen eller transaksjonen. Forskjellen vil være grensesnittet som valgene gjøres på.

Dette representerer en ny frontier for apper og for merker som bruker dem. Dette representerer ingen trussel i det hele tatt, men heller en fantastisk mulighet til å utforske og utvikle med våre partnere i utvikling og plattformer.

Ditt system unngår å være avhengig av API-er. Skaper dette spenning med utviklere og plattformer, eller låser det opp et mer åpent økosystem?

Det er mindre kontroversielt enn det høres ut. Det er ingen konkurranse mellom utviklerne og oss. Måten grensesnittet fungerer på er samme prosess som et menneske ville bruke en applikasjon, så agenten bruker samme grensesnitt som alle andre. Utviklere kan bruke vanlige tekniske praksis for å blokkere tilgang, og vi forstår deres begrunnelser.

Et mer interessant resultat er fraværet av konflikt. Et åpent system med universell samarbeidighet er til fordel for alle, i motsetning til et lukket system, hvor hver assistent bare kan brukes på bestemte apper, fordi det bare støtter en slik skreddersydd integrasjon. Universalitet hjelper brukerne, men det hjelper også appene med faktisk verdi.

På-enhet-AI er ofte rammet som en privatlivsfordel. Hvordan balanserer du lokal prosessering med behovet for kraftfulle modeller som tradisjonelt krever stor skala-komputering?

Det er et hybrid-system som vil fortsette å utvikle seg mot et fullstendig på-enhet-system. Begge handlinger og lett granskning skjer på telefonen, mens tung granskning skjer i skyen. Med stakk-optimalisering gjennom vårt arbeid med Qualcomm og kapasiteten til NPUs på telefonene som blir stadig mer avanserte, er det en skiftning mot at modellen blir mer lokal. For øyeblikket kan de fleste flaggskip-telefoner som er tilgjengelige på markedet håndtere arbeidsbelastningen som kreves.

Dikotomien mellom å ha kraftfulle prestasjoner og å ofre lokalitet eller omvendt er også forældet. Modellene blir mer effektive, og hårdwaren på telefonen blir mer kapabel. Det kan allikevel oppnås når stakken er ordentlig optimalisert.

Seende fremover tre til fem år, hva ser en fullt realisert AI-nativ enhet ut som, og hva må skje teknisk og kulturelt før denne visjonen blir mainstream?

Den faktiske implementeringen ville være en enkelt agent som følger deg over enhetene. Du sier til PC-en din å finne informasjon om gaver, bytter til smarttelefonen din for å gjøre et kjøp, og så sier til bilen din å varme opp. Intensjonen er den samme; konteksten forblir konstant, mens overflaten endrer seg. Telefonene er innføringspunktet, siden det er der mesteparten av datamaskin-bruk skjer for øyeblikket. Deretter vil det flytte til PC-er, TV-er, biler og til slutt smartglass, og Qualcomm-samarbeidet gjør en stor forskjell i den forbindelse.

Fra et teknisk ståsted er det å fortsette på-enhet-granskning og øke langtids-pålitelighet, samt korrekte overgang mellom enheter. Fra et kulturelt perspektiv vil endringen være å stadig øke tillit til agenter med stadig mer komplekse oppgaver, basert på at agenten forteller deg alt det ikke kan gjøre uten å nøle, og også ikke bryter noen av de enkle løftene som er gitt til deg.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke AGI, Inc.