Div Garg, CEO e Co-Fundador da AGI, Inc – Série de Entrevistas

Div Garg, CEO e Co-Fundador da AGI, Inc, é um pesquisador de IA e empreendedor focado em agentes autônomos, inteligência de borda, visão computacional e robótica. Antes de fundar a AGI, Inc., ele co-fundou e liderou a MultiOn, uma das primeiras empresas a trabalhar com agentes de uso de computador, e mais tarde atuou como presidente do seu conselho. Garg também passou quase quatro anos como membro adjunto da faculdade da Universidade de Stanford, onde criou o CS 25: Transformers Unidos, o primeiro curso da universidade dedicado a arquiteturas de transformadores. Sua experiência anterior inclui liderar o desenvolvimento de inteligência artificial na Collaborative Robotics, realizar pesquisas na NVIDIA (NVDA ) e na Apple (AAPL ), e trabalhar em tecnologias de visão computacional e direção autônoma na Google, Uber e Universidade de Cornell, onde sua pesquisa incluiu a abordagem influente Pseudo-LiDAR para percepção 3D baseada em câmera.

AGI, Inc é uma empresa de pesquisa de IA que desenvolve inteligência privada, segura e acessível que opera diretamente em dispositivos de borda. Sua tecnologia de ponta, AGI-0, é um sistema de IA orientado a ações projetado para entender as preferências do usuário e concluir tarefas em várias aplicações em telefones, computadores, dispositivos wearables e outros dispositivos conectados, incluindo fluxos de trabalho que envolvem compras, transporte, agendamento, mensagens e entretenimento. A empresa também oferece uma plataforma que permite que fabricantes de hardware e desenvolvedores adicionem agentes capazes de raciocinar e agir em aplicações existentes sem precisar criar integrações separadas para cada aplicativo. A AGI, Inc. demonstrou sua tecnologia com a Lenovo e está otimizando sua pilha de agentes para dispositivos com processadores Qualcomm (QCOM ) Snapdragon.

Você trabalhou na Apple, Google, Nvidia e ajudou a criar sistemas de agentes precoces na MultiOn antes de pausar seu PhD em Stanford para fundar a AGI, Inc. Qual foi a limitação específica ou o momento que o convenceu de que as abordagens de IA existentes não eram suficientes e que construir um agente autônomo em dispositivo era o caminho certo?

Essa mudança ocorreu em algum momento entre 2023 e 2024, enquanto eu trabalhava em agentes web. Podíamos criar agentes para realizar ações em navegadores, mas apenas se o site tivesse uma estrutura adequada com a qual o agente pudesse trabalhar. Assim que algo dava errado e não se comportava como uma versão idealizada do DOM, como uma janela modal ou um efeito de animação, o agente parava de funcionar. Por outro lado, tudo o que importa quando as pessoas querem interagir com seus smartphones está acontecendo dentro de aplicações. As aplicações não fornecem nenhum tipo de API; elas apresentam telas em vez disso.

Foi essa diferença que levou às nossas conclusões. A solução para o problema não seria mais APIs sofisticadas ou modelos maiores, mas sim o agente que operaria o dispositivo do ponto de vista de uma pessoa. Isso significava tratar o smartphone como uma pessoa o faria – interagindo com suas telas.

Muitos assistentes de IA hoje ainda dependem fortemente de APIs, integrações e orquestração em nuvem. O que fundamentalmente quebra nesse modelo e por que você acredita que a execução em dispositivo é a camada ausente?

Há três problemas com isso. O primeiro é a cobertura. As APIs exigem que todos os desenvolvedores interfiram com você, o que limita as capacidades do agente ao parceiro mais lento. As Intenções de Aplicativo da Apple são um exemplo excelente dessa tecnologia que começou a ser trabalhada no WWDC 2024. Em seguida, há a privacidade. A orquestração em nuvem exige que o conteúdo da tela, mensagens e atividades sejam enviados para os servidores de um terceiro. Finalmente, há o problema de custo e latência. Todo o processamento de ida e volta pela nuvem o torna lento e caro.

A execução em dispositivo resolve todos esses problemas. O agente não depende de ninguém mais e se interface com o sistema interagindo com a UI diretamente.

Sua abordagem muda a IA de responder a perguntas para realmente concluir tarefas em várias aplicações. Quais foram os desafios técnicos mais difíceis em permitir que um agente operasse um telefone como um humano o faria?

Controlar um telefone de forma confiável é mais difícil do que parece. Primeiro, um agente deve perceber a tela do telefone como um humano, fazer sentido do que vem a seguir e realizar a ação apropriada. A percepção é feita por um modelo de visão-linguagem capaz de reconhecer botões, caixas de texto, menus, layouts, etc. A seleção de ação é necessária para lidar com ambiguidades, páginas parcialmente carregadas, diálogos modais e erros. Por fim, a ação deve ser precisa o suficiente para que um toque aterrisse no local correto.

O problema mais significativo, no entanto, está na capacidade de interagir de forma confiável com aplicações complexas por um longo período de tempo. Reservar um Uber é uma coisa, mas realizar um processo de várias etapas dentro de uma aplicação, onde cada etapa depende de interações anteriores, é um jogo completamente diferente. É exatamente por isso que treinar modelos de ponta a ponta foi essencial para o desenvolvimento do produto.

Você descreveu isso como uma mudança de assistentes para agentes. O que essa transição realmente significa na prática para os usuários comuns e como rápido você espera que o comportamento mude?

A mudança prática vem da própria interface. Onde hoje temos o aplicativo e aprendemos a usá-lo, amanhã teremos o agente e os aplicativos se tornarão capacidades compostas pelo agente em nosso nome. Paramos de pensar em aplicativos e começamos a pensar em intenção: “Reserve um passeio para casa.” “Envie as fotos do fim de semana para a minha mãe.” “Mostre-me hotéis em Lisboa onde eu possa ter um pouco de paz no próximo fim de semana.” O agente sabe quais aplicativos usar.

A mudança de comportamento começa devagar e acelera à medida que avança. No início, as pessoas tentarão essa abordagem para tarefas simples em que confiam e, em seguida, expandirão à medida que puderem. O gatilho para a aceitação em grande escala virá quando o agente acertar as tarefas rotineiras em nossos telefones todos os dias.

Com parcerias como a Qualcomm e a Lenovo, quão importante é a integração apertada de hardware e software para tornar a IA agente útil em escala?

Isso é a diferença entre um protótipo usado para fins de pesquisa e um aplicativo que é realmente útil. Dispositivos alimentados por Snapdragon têm unidades de processamento neural, que garantirão que os algoritmos do agente possam operar no dispositivo com atrasos e consumo de energia mínimos. A Qualcomm passou anos trabalhando para alcançar essa otimização, e a parceria que anunciamos no MWC 2026 teve exatamente esse objetivo em mente.

O outro extremo é a Lenovo. A Lenovo pode atingir centenas de milhões de usuários em smartphones, tablets e PCs, procurando se diferenciar usando IA. Passar por parceiros com portfólios de dispositivos existentes e alcançá-los rapidamente e de forma transparente supera a rota alternativa. Eu sei disso por experiência.

A confiança parece ser uma grande barreira. Como você projeta sistemas nos quais os usuários se sintam confortáveis em permitir que a IA tome ações em seu nome, especialmente quando essas ações abrangem várias aplicações e dados sensíveis?

A confiança é construída sobre a base de ser transparente sobre o que o agente é e não é capaz de fazer. Qualquer ação que envolva algo importante, como fazer uma compra real, enviar uma mensagem ou alterar configurações de conta, precisa da aprovação do usuário. O agente tem a capacidade de ir até a página de checkout por conta própria, mas não mais até que você faça com que isso aconteça. Nossa parceria com a Visa adiciona canais de pagamento autenticados em cima disso.

Isso é feito com base em duas filosofias simples. A primeira é “humano no loop para qualquer coisa substancial.” A segunda é a de “reversibilidade sempre que possível.” Além disso, o agente só verá o que é visível na tela e honrará as permissões do sistema definidas.

Há uma narrativa crescente de que a economia de aplicativos pode ser disruptada. Você vê os agentes substituindo os aplicativos completamente ou redefinindo como os aplicativos são acessados e monetizados?

Os aplicativos nunca desaparecem. A dinâmica simplesmente muda. Hoje, o aplicativo é como a marca se comunica com o consumidor. Amanhã, o agente será, e o aplicativo será a ferramenta usada pelo agente. Os desenvolvedores de aplicativos estão aqui para ficar porque sempre haverá a necessidade do aplicativo por trás da chamada de serviço, mensagem de texto ou transação. A diferença estará na interface na qual essas escolhas são feitas.

Isso representa uma nova fronteira para os aplicativos e para as marcas que os usam. Isso representa nenhuma ameaça, mas sim uma oportunidade incrível para explorar e desenvolver com nossos parceiros em desenvolvimento e plataformas.

Seu sistema evita depender de APIs. Isso cria tensão com os desenvolvedores e plataformas ou, em última análise, desbloqueia um ecossistema mais aberto?

É menos controverso do que soa. Não há competição entre os desenvolvedores e nós. A forma como uma interface funciona é o mesmo processo que uma pessoa usaria um aplicativo, então o agente usa as mesmas interfaces que qualquer outra pessoa. Os desenvolvedores podem empregar práticas técnicas comuns para bloquear o acesso, e entendemos sua razão.

Um resultado mais intrigante é a ausência de contenda. Um sistema aberto com interoperabilidade universal beneficia todos, em comparação com um sistema fechado, onde cada assistente pode ser usado apenas em aplicativos específicos, porque só suporta esse tipo de integração personalizada. A universalidade ajuda os usuários, mas também ajuda os aplicativos com valor real.

A IA em dispositivo é frequentemente enquadrada como uma vantagem de privacidade. Como você equilibra o processamento local com a necessidade de modelos poderosos que tradicionalmente exigem computação em grande escala?

É um sistema híbrido que continuará evoluindo para um sistema completamente em dispositivo. Ambas as ações e o raciocínio leve acontecem no telefone, enquanto o raciocínio pesado acontece na nuvem. Com a otimização da pilha por meio do nosso trabalho com a Qualcomm e as capacidades de NPUs dos telefones que estão se tornando cada vez mais avançados, há uma mudança em direção ao modelo sendo mais localizado. Atualmente, a maioria dos telefones top de linha disponíveis no mercado tem a capacidade de lidar com a carga de trabalho necessária.

A dicotomia de ter desempenho poderoso e sacrificar a localização ou vice-versa está ultrapassada. Os modelos estão se tornando mais eficientes e o hardware do telefone está se tornando mais capaz. Tudo pode ser alcançado quando a pilha é otimizada corretamente.

Olhando para os próximos três a cinco anos, como um dispositivo nativo de IA totalmente realizado parece e o que precisa acontecer tecnicamente e culturalmente antes que essa visão se torne mainstream?

A implementação real seria um agente único seguindo você em todos os dispositivos. Você diz ao seu PC para encontrar informações sobre presentes, muda para o seu smartphone para fazer uma compra e, em seguida, diz ao seu carro para esquentar. A intenção é a mesma; o contexto permanece constante, enquanto a superfície muda. Os telefones são o ponto de inserção, pois é onde a maioria da computação acontece agora. Depois, isso se moverá para PCs, TVs, carros e, eventualmente, para óculos inteligentes, e a colaboração com a Qualcomm faz uma grande diferença nesse respeito.

Do ponto de vista técnico, é continuar com o raciocínio em dispositivo e aumentar a confiabilidade a longo prazo, bem como transições adequadas entre dispositivos. Do ponto de vista cultural, a mudança seria confiar cada vez mais nos agentes com tarefas cada vez mais complexas, o que se baseia no agente dizer a você tudo o que não pode fazer sem hesitação e também não quebrar nenhuma das promessas simples feitas a você.

Obrigado pela ótima entrevista, leitores que desejam aprender mais devem visitar AGI, Inc.