AGI Inc با حذف APIها، کنترل گوشی‌های هوشمند را به عامل‌های محلی سپرد

تصور کنید دستیاری دارید که به‌جای پرسیدن «چطور این کار را انجام دهم؟»، مستقیماً وارد اپلیکیشن‌ها شده و دکمه‌ها را درست مثل یک انسان فشار می‌دهد. در حالی که اکثر دستیارهای هوش مصنوعی فعلی تنها به پاسخ دادن به سؤالات محدود شده‌اند، شرکت AGI, Inc در حال ساخت سیستمی است که عملاً «عمل» می‌کند و با صفحه نمایش گوشی هوشمند شما دقیقاً همان‌گونه رفتار می‌کند که یک انسان می‌کند.

بسیاری از دستیارهای هوشمند امروز برای کارکرد، به ارکستراسیون ابری (Cloud Orchestration) و ادغام‌های API خاص وابسته هستند. این ساختار باعث ایجاد یک گلوگاه می‌شود؛ جایی که توانایی عامل (Agent) تنها به اندازه کندترین توسعه‌دهنده شخص ثالثی است که تصمیم می‌گیرد یک API را فعال کند. اگر یک وب‌سایت ساختار خود را تغییر دهد یا یک اپلیکیشن فاقد یک ادغام رسمی باشد، هوش مصنوعی شکست می‌خورد و نمی‌تواند tarefa را به پایان برساند.

دیو گارگ (Div Garg)، مدیرعامل و هم‌بنیان‌گذار AGI, Inc، یک پژوهشگر باسابقه در حوزه هوش مصنوعی و کارآفرینی است که پیشینه‌ای عمیق در زمینه عامل‌های خودمختار، هوش لبه (Edge Intelligence)، رباتیک و بینایی ماشین دارد. دوران حرفه‌ای او شامل نقش‌های رهبری و پژوهشی در تاثیرگذارترین شرکت‌های فناوری جهان، از جمله انویدیا (NVIDIA) و اپل (Apple) است. او همچنین در گوگل، اوبر و دانشگاه کرنل روی فناوری‌های رانندگی خودکار و بینایی ماشین کار کرده است؛ جایی که او رویکرد تاثیرگذار Pseudo-LiDAR را برای درک سه‌بعدی مبتنی بر دوربین توسعه داد.

گارگ پیش از تأسیس AGI, Inc، شرکت MultiOn را هم‌بنیان‌گذاری کرد و آن را رهبری نمود؛ شرکتی که یکی از پیشگامان اولیه در زمینه عامل‌های «استفاده از کامپیوتر» (Computer-use agents) بود و وی بعدها به‌عنوان رئیس هیئت مدیره آن خدمت کرد. نفوذ آکادمیک او به دانشگاه استنفورد نیز می‌رسد، جایی که نزدیک به چهار سال به‌عنوان عضو هیئت علمی وابسته فعالیت کرد و درس CS 25 با عنوان «ترنسفورمرهای متحد» (Transformers United) را ایجاد کرد؛ اولین دوره در استنفورد که به‌طور خاص به معماری‌های ترنسفورمر اختصاص داشت.

چرخش به سوی عاملیت روی دستگاه (On-Device Agency)

دیو گارگ بین سال‌های ۲۰۲۳ و ۲۰۲۴ متوجه محدودیت‌های رویکردهای فعلی هوش مصنوعی شد. او در حالی که روی عامل‌های وب کار می‌کرد، دریافت که اگرچه این عامل‌ها می‌توانند با HTML ساختاریافته کنار بیایند، اما هنگام مواجهه با پنجره‌های مودال (Modal Windows) یا افکت‌های انیمیشنی متوقف می‌شوند. این عناصر شبیه به یک نسخه ایده‌آل از DOM (مدل شیء سند) رفتار نمی‌کنند و باعث می‌شوند عامل از کار بیفتد.

از آنجایی که اکثر تعاملات حیاتی در گوشی‌های هوشمند در داخل اپلیکیشن‌هایی رخ می‌دهد که به‌جای API، «صفحه نمایش» (Screens) ارائه می‌دهند، او مسیر خود را به سمت هوش آگاه به صفحه و مستقر روی دستگاه تغییر داد. او به این نتیجه رسید که راهکار، مدل‌های بزرگتر یا APIهای پیچیده‌تر نیست، بلکه عاملی است که دستگاه را از نقطه نظر یک انسان (Point of View) به صورت بصری اداره کند.

او سه شکست بنیادین در مدل فعلی مبتنی بر ابر و API-محور شناسایی می‌کند:

• پوشش (Coverage): قابلیت‌ها توسط کندترین شریک محدود می‌شوند، زیرا تمام توسعه‌دهندگان باید با عامل رابط بسازند. گارگ به قابلیت App Intents اپل که در WWDC 2024 معرفی شد، به عنوان نمونه‌ای از این فناوری اشاره می‌کند.
• حریم خصوصی (Privacy): ارکستراسیون ابری مستلزم آن است که محتوای صفحه، پیام‌ها و فعالیت‌های کاربر به سرورهای شخص ثالث ارسال شود.
• هزینه و تأخیر (Cost and Latency): پردازش رفت‌وبرگشتی از طریق ابر، تجربه کاربری را کند و گران می‌کند.

اجرای روی دستگاه (On-device execution) این مشکلات را حل می‌کند، زیرا به عامل اجازه می‌دهد با تعامل مستقیم با رابط کاربری (UI) و بدون وابستگی به همکاری توسعه‌دهندگان خارجی، با سیستم ارتباط برقرار کند.

معماری AGI-0

سامانه AGI-0 پرچم‌دار این شرکت در زمینه هوش مصنوعی اقدام‌گرا است. این سیستم به‌گونه‌ای طراحی شده است که خصوصی، امن و در دسترس باشد و مستقیماً روی دستگاه‌های لبه (Edge Devices) برای مدیریت جریان‌های کاری در گوشی‌ها، کامپیوترها، پوشیدنی‌ها و سایر دستگاه‌های متصل عمل کند. این شامل وظایف پیچیده‌ای مانند خرید، حمل‌ونقل، زمان‌بندی، پیام‌رسانی و سرگرمی می‌شود. این رویکرد با تلاش‌های گسترده‌تر در صنعت برای ایجاد استقلال در زیرساخت‌های هوش مصنوعی همسو است، مشابه آنچه شرکت Prime Intellect برای ساخت عامل‌های حاکمیتی دنبال می‌کند.

برای دستیابی به کنترلی شبیه به انسان، این سیستم از یک فرآیند فنی سه قسمتی استفاده می‌کند:

• ادراک (Perception): یک مدل بینایی-زبانی (VLM) دکمه‌ها، کادرهای متن، منوها، چیدمان‌ها و سایر عناصر UI را شناسایی می‌کند.
• انتخاب اقدام (Action Selection): مدل ابهاماتی نظیر صفحات نیمه‌بارگذاری‌شده، دیالوگ‌های مودال یا خطاهای سیستم را مدیریت می‌کند.
• دقت (Precision): سیستم تضمین می‌کند که هر ضربه (Tap) دقیقاً در مکان فیزیکی مورد نیاز توسط رابط کاربری فرود بیاید.

به نقل از مصاحبه وی با unite.ai، سخت‌ترین چالش فنی، حفظ قابلیت اطمینان در فرآیندهای طولانی‌مدت و چندمرحله‌ای است. در حالی که رزرو یک Uber ساده است، اما اجرای توالی‌هایی که در آن هر مرحله به تعاملات قبلی وابسته است، به‌طور قابل توجهی دشوارتر است. به همین دلیل است که گارگ تأکید می‌کند آموزش مدل‌ها به‌صورت «سرتاسری» (End-to-End) برای توسعه این محصول ضروری بود.

پیوندهای سخت‌افزاری و مقیاس‌پذیری

برای اینکه این عامل‌ها در مقیاس وسیع قابل استفاده باشند، ادغام تنگاتنگ با سخت‌افزار اجباری است. AGI, Inc پلتفرمی را ارائه می‌دهد که به تولیدکنندگان سخت‌افزار اجازه می‌دهد عامل‌های آگاه به صفحه را اضافه کنند که قادر به استدلال و اقدام در تمام اپلیکیشن‌ها باشند، بدون اینکه نیاز باشد برای هر اپلیکیشن به‌صورت جداگانه ادغام (Integration) انجام دهند.

شراکت‌های استراتژیک کلیدی عبارتند از:

• کوالکام (Qualcomm): در یک شراکت که در MWC 2026 اعلام شد، تمرکز بر بهینه‌سازی پشته (Stack) عامل برای دستگاه‌های مجهز به اسنپ‌دراگون است. بهره‌گیری از واحدهای پردازش عصبی (NPU) تضمین می‌کند که عامل با کمترین تأخیر و مصرف انرژی پایین عمل کند. کوالکام سال‌ها روی این بهینه‌سازی کار کرده است.
• لنوو (Lenovo): از طریق این شراکت، AGI, Inc می‌تواند به صدها میلیون کاربر در گوشی‌های هوشمند، تبلت‌ها و PCها دسترسی پیدا کند. این امر به لنوو اجازه می‌دهد سبد محصولات خود را با استفاده از هوش مصنوعی متمایز کند و به‌سرعت و به‌طور شفاف به کاربران برسد.

با بهره‌گیری از NPUهای محلی، عامل نیاز به رفت‌وبرگشت‌های ابری را کاهش می‌دهد و یک نمونه اولیه پژوهشی را به یک اپلیکیشن تجاری قابل اجرا تبدیل می‌کند.

حل شکاف اعتماد

دادن کنترل گوشی به یک هوش مصنوعی، ریسک‌های امنیتی و حریم خصوصی قابل توجهی ایجاد می‌کند. برای مقابله با این موضوع، AGI, Inc دو فلسفه اصلی را دنبال می‌کند: «حضور انسان در حلقه برای هر مورد اساسی» و «برگشت‌پذیری در هر کجا که ممکن باشد».

• تأیید کاربر: هر اقدام حیاتی — مانند تغییر تنظیمات حساب، ارسال پیام یا انجام خرید — نیاز به رضایت صریح کاربر دارد. عامل می‌تواند به‌طور مستقل تا صفحه پرداخت (Checkout) پیش برود، اما نمی‌تواند تراکنش را به‌تنهایی نهایی کند.
• ادغام پرداخت: شراکت با ویزا (Visa) ریل‌های پرداخت احراز شده‌ای را اضافه می‌کند تا امنیت مالی تضمین شود.
• انطباق با سیستم‌عامل: عامل تنها آنچه را که در حال حاضر روی صفحه قابل مشاهده است می‌بیند و به‌طور سخت‌گیرانه مجوزهای موجود سیستم‌عامل را رعایت می‌کند.

حریم خصوصی را می‌توان از طریق یک سیستم ترکیبی مدیریت کرد. در حالی که استدلال‌های سنگین هنوز گاهی در ابر رخ می‌دهند، استدلال‌های سبک و اقدامات فوری روی خود گوشی انجام می‌شوند.

همان‌طور که سخت‌افزار تکامل می‌یابد و مدل‌ها کارآمدتر می‌شوند، سیستم بیشتر به‌سمت بومی‌سازی کامل (Full Localization) حرکت می‌کند. گارگ اشاره می‌کند که دوکوتومیِ انتخاب بین «عملکرد قدرتمند» و «بومی‌سازی» قدیمی شده است. اکثر گوشی‌های پرچم‌دار فعلی از قبل قابلیت NPU لازم برای مدیریت حجم کاری مورد نیاز را دارند، به شرطی که پشته نرم‌افزاری به‌درستی بهینه شده باشد.

آینده اقتصاد اپلیکیشن‌ها

این تغییر، تجربه کاربر را از «یادگیری نحوه استفاده از یک اپلیکیشن» به «بیان یک قصد» (Intent) منتقل می‌کند. کاربران دیگر به ابزار فکر نمی‌کنند و شروع به فکر کردن به هدف می‌کنند. نمونه‌هایی از این دست عبارتند از:

• «یک ماشین برای بازگشت به خانه بگیر.»
• «عکس‌های آخر هفته را برای مادرم بفرست.»
• «هتل‌هایی در لیسب را به من نشان بده که بتوانم آخر هفته آینده در آن‌ها آرامش داشته باشم.»

دیو گارگ استدلال می‌کند که اپلیکیشن‌ها ناپدید نخواهند شد، اما نقش آن‌ها تغییر می‌کند. برای امروز، اپلیکیشن روشی است که یک برند با مشتری ارتباط برقرار می‌کند؛ اما فردا، «عامل» ارتباط‌گیرنده خواهد بود و اپلیکیشن ابزاری است که توسط عامل استفاده می‌شود. توسعه‌دهندگان اپلیکیشن‌ها همچنان مرتبط می‌مانند زیرا اپلیکیشن هنوز در پسِ یک درخواست خدمت، پیام متنی یا تراکنش مورد نیاز است.

او این وضعیت را نه به‌عنوان تهدیدی برای توسعه‌دهندگان، بلکه به‌عنوان فرصتی برای کاوش در یک اکوسیستم بازتر می‌بیند. از آنجایی که عامل از همان رابط‌هایی استفاده می‌کند که یک انسان به کار می‌برد، نیاز به ادغام‌های اختصاصی و سیستم‌های بسته را از بین می‌برد. اگرچه توسعه‌دهندگان می‌توانند از روش‌های فنی رایج برای مسدود کردن دسترسی استفاده کنند (اگر بخواهند)، اما یک سیستم جهانی به نفع کاربران و اپلیکیشن‌هایی است که ارزش واقعی ایجاد می‌کنند.

چشم‌اندازی برای دستگاه‌های بومی هوش مصنوعی (AI-Native)

با نگاه به سه تا پنج سال آینده، گارگ یک تجربه کامل بومی AI را متصور است که در آن یک عامل واحد، کاربر را در تمام سطوح (Surfaces) دنبال می‌کند. در این حالت، «قصد» کاربر ثابت می‌ماند در حالی که دستگاه تغییر می‌کند:

1. کامپیوتر (PC): کاربر از عامل می‌خواهد اطلاعاتی درباره هدایا پیدا کند.
2. گوشی هوشمند: کاربر دستگاه را تغییر می‌دهد تا خرید را نهایی کند.
3. خودرو: کاربر به ماشین می‌گوید که برای سفر گرم شود.

این مسیر با گوشی شروع می‌شود، زیرا نقطه اصلی رایانش است، سپس به PCها، تلویزیون‌ها، خودروها و در نهایت عینک‌های هوشمند گسترش می‌یابد که به‌شدت توسط همکاری با کوالکام پشتیبانی می‌شود.

برای اینکه این چشم‌انداز به جریان اصلی (Mainstream) تبدیل شود، گارگ معتقد است دو اتفاق باید بیفتد:

• دستاوردهای فنی: صنعت باید بر استدلال روی دستگاه تسلط یابد، قابلیت اطمینان طولانی‌مدت را افزایش دهد و از انتقال صحیح بین دستگاه‌های مختلف اطمینان حاصل کند.
• تغییرات فرهنگی: کاربران باید به عامل‌ها برای انجام کارهای پیچیده‌تر اعتماد کنند. این اعتماد زمانی به دست می‌آید که عامل بدون تردید درباره آنچه نمی‌تواند انجام دهد صادق باشد و هرگز وعده‌های ساده‌ای را که به کاربر داده است، زیر پا نگذارد.

گام بعدی شما

• اگر توسعه‌دهنده اپلیکیشن هستید، روی استانداردسازی رابط‌های کاربری برای خوانایی بهتر توسط VLMها تمرکز کنید.
• قابلیت‌های NPU در گوشی‌های جدید خود را بررسی کنید تا متوجه شوید چقدر آماده پذیرش مدل‌های محلی هستید.
• ابزارهای فعلی Computer-use را امتحان کنید تا با محدودیت‌های فعلی تعامل با UI آشنا شوید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.