AGI Inc. 的 CEO 和联合创始人 Div Garg – 采访系列

Div Garg，AGI Inc. (AGBK ) 的 CEO 和联合创始人，是一位专注于自主代理、边缘智能、计算机视觉和机器人的人工智能研究人员和企业家。在创立 AGI Inc. 之前，他联合创立并领导了 MultiOn，这是一家早期的计算机使用代理的先驱公司，后来他还曾担任该公司董事会主席。Garg 还曾在斯坦福大学担任兼职教师近四年，在那里他创办了 CS 25：变压器联合，这是该大学第一个专门研究变压器架构的课程。他的早期经历还包括在 Collaborative Robotics 领导人工智能开发，在 NVIDIA (NVDA ) 和 Apple (AAPL ) 进行研究，以及在 Google、Uber 和康奈尔大学工作，研究计算机视觉和自动驾驶技术，其中包括具有影响力的伪 LiDAR 方法，用于相机基的 3D 感知。

AGI Inc. 是一家人工智能研究公司，开发私人、安全、可访问的智能，直接在边缘设备上运行。其旗舰技术 AGI-0 是一个面向行动的人工智能系统，旨在理解用户偏好并跨应用程序完成任务，包括在手机、电脑、可穿戴设备和其他连接设备上完成的工作流程，例如购物、交通、安排、消息和娱乐。该公司还提供一个平台，允许硬件制造商和开发人员在现有应用程序上添加具有推理和行动能力的代理，无需为每个应用程序构建单独的集成。AGI Inc. 已经与联想展示了其技术，并正在为高通 (QCOM ) 骁龙驱动设备优化其代理栈。

您曾在苹果、谷歌、英伟达工作，并在 MultiOn 开发了早期的代理系统，然后暂停了您在斯坦福的博士学位来创立 AGI Inc。是什么具体的限制或时刻让您相信现有的 AI 方法是不够的，而构建一个设备上的自主代理是正确的前进方向？

这种变化发生在 2023 年和 2024 年之间，当时我正在研究 web 代理。我们可以创建代理来在浏览器中执行操作，但前提是网站必须具有代理可以合作的结构。只要任何事情出错，代理就会停止工作。另一方面，人们希望与智能手机交互的所有重要事情都发生在应用程序内。应用程序不提供任何 API；它们呈现屏幕。

这是我们得出结论的原因。解决方案不是更复杂的 API 或更大的模型，而是一个从人的角度操作设备的代理。这意味着像人一样对待智能手机 – 与其屏幕交互。

许多 AI 助手仍然严重依赖 API、集成和云编排。这种模型中有什么根本的缺陷，您为什么认为设备上的执行是缺失的层？

有三个问题。第一个是覆盖范围。API 需要所有开发人员都必须与您接口，这限制了代理的能力，取决于最慢的合作伙伴。苹果的 App Intents 是这种技术的典型例子，早在 WWDC 2024 就开始了。然后还有隐私问题。云编排需要您的屏幕内容、消息和活动被发送到第三方服务器。最后，还有成本和延迟问题。所有通过云处理的数据都很慢且昂贵。

设备上的执行解决了所有这些问题。您的代理不依赖于任何人，并通过直接与 UI 交互来接口系统。

您的方法将 AI 从回答问题转变为实际跨应用程序完成任务。实现代理可靠地像人类一样操作手机的最困难的技术挑战是什么？

可靠地控制手机比听起来更困难。首先，代理必须像人类一样感知手机屏幕，理解接下来会发生什么，并执行相应的操作。感知是通过能够识别按钮、文本框、菜单、布局等的视觉语言模型来完成的。动作选择是必要的，以处理模糊性、部分加载的页面、模态对话框和错误。最后，动作必须足够准确，以便点击落在正确的位置。

然而，最大的问题在于能够可靠地与复杂的应用程序交互长达数小时。预订一辆优步很简单，但在一个应用程序中执行多步骤的过程，每一步都依赖于之前的交互，这完全是另一回事。这就是为什么模型的端到端训练对于产品开发至关重要的原因。

您将这种转变描述为从助手到代理。这种转变在实践中对日常用户意味着什么，他们的行为会多快改变？

实际的变化来自界面本身。今天，我们有应用程序并学习如何使用它；明天，我们将有代理，应用程序将成为代理代表我们组合的能力。我们停止思考应用程序，开始思考意图：“为我预订一程回家的车。”“将周末的照片发送给我妈妈。”“显示我下周末可以享受一些宁静的里斯本酒店。”代理知道使用哪些应用程序。

行为的变化从简单的任务开始，人们相信并逐渐扩大。触发全面接受的时刻将是当代理每次在我们的手机上完成常规任务时。

与高通和联想等合作伙伴，紧密的硬件和软件集成对于使代理 AI 在大规模上可用有多重要？

这是原型与实际可用的应用程序之间的区别。由骁龙驱动的设备具有神经处理单元，这将确保代理的算法可以在设备上运行，延迟和能耗最小。高通已经花了几年时间致力于实现这一优化，我们在 MWC 2026 上宣布的合作伙伴关系正是如此。

另一方面是联想。联想可以通过智能手机、平板电脑和 PC 为数亿用户提供服务，希望使用 AI 来区分自己。通过现有的设备组合和透明的合作伙伴关系来实现这一目标，比另一种方式更好。我从经验中知道这一点。

信任似乎是一个主要的障碍。您如何设计系统，使用户感到舒适地让 AI 代表他们采取行动，特别是当这些行动跨越多个应用程序和敏感数据时？

信任的基础是明确说明代理可以和不能做什么。任何涉及重要事情的操作，例如进行实际购买、发送消息或更改任何帐户设置，都需要用户的批准。代理可以自行到达结账页面，但在您采取行动之前不会进一步执行。我们的与 Visa 的合作伙伴关系在此基础上添加了认证的支付轨道。

这都是基于两个简单的哲学。第一个是“任何重要的事情都需要人在循环中”。第二个是“无论何时都需要可逆性”。此外，代理只会查看屏幕上可见的内容，并尊重操作系统设置的权限。

有一种日益增长的叙述是应用程序经济可能会被破坏。您是否认为代理将完全取代应用程序，还是会改变应用程序的访问和盈利方式？

应用程序永远不会消失。动态只是转变。今天，应用程序是品牌与消费者沟通的方式。明天，代理将成为这种方式，应用程序将成为代理代表我们使用的工具。应用程序开发人员将继续存在，因为总是需要应用程序来提供服务、发送短信或进行交易。区别在于选择这些选项的界面上。

这代表了应用程序和使用它们的品牌的新前沿。这代表了一个机会，而不是威胁，一个机会让我们与开发和平台的合作伙伴一起探索和发展。

您的系统避免依赖 API。这是否会与开发人员和平台制造紧张，还是最终解锁一个更加开放的生态系统？

这比听起来的要少争议。开发人员和我们之间没有竞争。代理的工作方式与人使用应用程序的方式相同，因此代理使用与任何人相同的界面。开发人员可以使用常见的技术实践来阻止访问，我们理解他们的理由。

更有趣的结果是没有争议。具有通用互操作性的开放系统可以让每个人受益，包括用户和具有真正价值的应用程序。相比之下，封闭系统中，每个助手只能在特定的应用程序上使用，因为它只支持定制的集成。通用性有助于用户，也有助于具有真正价值的应用程序。

设备上的 AI 通常被视为一种隐私优势。您如何平衡本地处理与需要大规模计算的强大模型的需求？

这是一个混合系统，将继续演变成一个完全在设备上的系统。动作和轻量级推理发生在手机上，而重型推理发生在云端。通过我们与高通的合作以及手机 NPU 的能力，模型变得更加本地化。目前，市场上大多数旗舰手机都具有处理所需工作负载的能力。

强大的性能和本地化之间的二元性已经过时。模型变得更加高效，手机的硬件也变得更加强大。当堆栈得到适当优化时，所有这些都是可以实现的。

展望三到五年，一个完全实现的 AI 本地设备是什么样的，技术和文化上需要发生什么变化才能使这种愿景成为主流？

实际的实现将是一个单一的代理跟随您在设备上。您告诉您的 PC 查找礼物信息，切换到您的智能手机进行购买，然后告诉您的汽车预热。意图是相同的；上下文保持不变，而表面发生变化。由于大多数计算目前都发生在手机上，因此手机是插入点。之后，它将转移到 PC、电视、汽车，最后到智能眼镜，高通的合作将在这方面产生巨大的影响。

从技术上讲，这是继续在设备上进行推理和增加长期可靠性，以及适当的跨设备转换。从文化上讲，变化将是越来越信任代理执行越来越复杂的任务，这基于代理毫无犹豫地告诉您它不能做什么，并且不违反任何对您做出的简单承诺。

感谢这次精彩的采访，希望了解更多的读者可以访问 AGI Inc.。