# Див Гарг: «Мы хотим открыть параллельность для всего человечества» Источник: https://www.youtube.com/watch?v=PR2Mdlx5eik Канал: The Cognitive Revolution Опубликовано: 13.07.2023 --- В новом выпуске подкаста The Cognitive Revolution ведущий Нейтан Лебенс и соавтор Эрик Торнберг беседуют с Дивом Гаргом (Div Garg), основателем ИИ-стартапа MultiOn. Див оставил престижную аспирантуру в Стэнфорде, чтобы посвятить себя созданию первого в мире персонального ИИ-агента и лайф-копилота, функционирующего в виде браузерного расширения. В центре обсуждения — уникальный путь разработчика от академических исследований к коммерческому продукту, архитектурные особенности системы и концепция «параллельного человечества». ## 🌌 От квантовой физики к ИИ-агентам: истоки MultiOn [[JUMP:5:30]] Див Гарг пришел в индустрию искусственного интеллекта из фундаментальной науки. В прошлом он успешно участвовал в Международных олимпиадах по физике, что во многом сформировало его подход к моделированию сложных систем. Само название компании MultiOn вдохновлено теоретической физикой: оно отсылает к гипотетической квантовой частице, способной находиться в нескольких местах одновременно. До запуска стартапа Див являлся аспирантом и внештатным преподавателем в Стэнфордском университете. Там он создал и вел междисциплинарный курс *Transformers United*, посвященный изучению того, как архитектура трансформеров объединяет обработку естественного языка, компьютерное зрение и биологию. Первоначально Див зарегистрировал бизнес под амбициозным юридическим лицом *The AGI Company Inc*, обнаружив, что это имя свободно в реестрах. Однако для коммерческого продукта было выбрано более практичное название MultiOn. Осознавая масштаб технологической revolution, Див принял решение взять академический отпуск в Стэнфорде, привлечь венчурный капитал и полностью сфокусироваться на разработке ИИ-агентов. Его главная цель — сделать так, чтобы людям больше не приходилось перемещаться по веб-пространству в одиночку. ## 🚀 Переломные моменты: почему браузерное расширение меняет правила игры [[JUMP:12:35]] На рынке ИИ-агентов сегодня сосуществуют разные продуктовые стратегии. Например, Фло Кревелло (CEO Lindy) делает упор на сложные автоматизации рабочих процессов, а Мэтт Уэлш (CEO Fixie) ориентируется на корпоративных клиентов, предлагая платформу-песочницу для разработчиков. Див Гарг выбрал принципиально иной путь, упаковав ИИ-агент в обычное расширение для браузера Chrome. Этот выбор стал переломным моментом для дистрибуции продукта. Полноценная работа ИИ-агента в облаке или на уровне операционной системы часто натыкается на непреодолимый барьер авторизации. Браузерное расширение, напротив, получает доступ ко всем текущим сессиям и логинам пользователя «из коробки». Подобный подход дает MultiOn ключевые преимущества: * **Бесшовная авторизация:** Агенту не требуются временные API-ключи для сторонних сервисов, вроде GitHub, чтобы совершать действия от лица пользователя. * **Интерактивное взаимодействие:** Если система заходит в тупик или сталкивается со сложной капчей, она может мгновенно попросить человека о помощи. * **Живая обратная связь:** Ручные корректировки пользователя внутри браузера формируют идеальный обучающий датасет для дальнейшей донастройки моделей. В ходе внутреннего тестирования MultiOn уже продемонстрировал способность выполнять реальные бытовые задачи. По словам разработчиков, агент совершил первую в мире покупку авиабилета ИИ-системой в полностью автоматическом режиме. Кроме того, MultiOn способен взаимодействовать с другими расширениями: в систему заложена поддержка купонного сервиса Honey, а также ведется интеграция с API менеджера паролей 1Password. ## 🛠️ Ошибки и вызовы: борьба с непредсказуемостью и расхождением задач [[JUMP:10:41]] Главной проблемой существующих открытых ИИ-агентов, таких как Auto-GPT или BabyAGI, Див Гарг считает критическую нестабильность. По его мнению, они страдают от эффекта «расхождения задач» (task divergence): когда в процессе выполнения оригинального запроса модель совершает ошибку, она отклоняется от курса и не может самостоятельно вернуться к изначальной цели. Чтобы преодолеть эту уязвимость, команда MultiOn пересмотрела психологический паттерн поведения агента. Разработчики внедрили внутреннюю установку «никогда не сдаваться», требуя от системы на каждом шаге оценивать близость текущего состояния к финальной цели пользователя. Другим серьезным вызовом стала хаотичная структура современного интернета. Див Гарг отмечает, что структура DOM-дерева на большинстве сайтов сегодня представляет собой «ужасный и запутанный беспорядок», лишенный какой-либо понятной семантики. Изначально команда пыталась разбирать HTML-код с помощью классических жестких алгоритмов (эвристик). Однако этот подход быстро показал свою неэффективность при малейших изменениях верстки сайтов. В результате фокус инженеров сместился на создание специализированных нейросетевых модулей. ## 💡 Уроки разработки: архитектурная грамматика и собственная память [[JUMP:18:41]] В процессе развития продукта сформировалась трехкомпонентная архитектура MultiOn, сочетающая исследовательскую базу с инженерным прагматизмом: 1. **Модель репрезентации:** Принимает скриншот страницы и дерево DOM, превращая их в компактный текстовый эмбеддинг с помощью подходов, аналогичных мультимодальной системе *InstructBLIP*. 2. **Модель планирования:** На базе GPT-4 разбивает общую задачу на подзадачи и логические шаги. По признанию Гарга, GPT-4 пока остается вне конкуренции для долгосрочных рассуждений. 3. **Исполнительный модуль:** Переводит намерения планировщика в конкретные действия на веб-странице. Вместо прямой генерации нестабильного JavaScript-кода команда MultiOn разработала промежуточную «акторную грамматику». Модель генерирует команды на собственном строго типизированном языке, которые затем компилируются в события браузера. Это позволяет проводить жесткую валидацию действий, полностью исключая риски выполнения вредоносного кода или скрытых атак. Параллельно стартап решает проблему автономии и персонализации. Команда уже собрала массив из 50 000 уникальных веб-взаимодействий и начала обучать собственные открытые модели, такие как *Falcon 40B*, с целью полного перехода на инхаус-решения. Функция памяти сейчас реализована через клиентский блокнот предпочтений. В будущем система перейдет на интерактивное запоминание контекста: агент один раз спросит адрес доставки или предпочтения по местам в самолете, после чего автоматически интегрирует их во все последующие сценарии. High-level навыки системы при этом сочетают скрипты и естественный язык, что позволит пользователям создавать собственные сценарии автоматизации. ## 🔮 Текущий этап и будущее: параллельные потоки для человечества [[JUMP:8:38]] На текущий момент MultiOn находится в стадии закрытого бета-тестирования, сознательно ограничивая базу пользователей для проведения тщательного «редтиминга» и проверок безопасности. Однако за кулисами стартап ведет активную инвестиционную деятельность. Див Гарг подтвердил, что компания находится в процессе закрытия сид-раунда, уже получила выгодные терм-шиты и объявит детали финансирования в ближайшие недели. Ведущий Нейтан Лебенс предполагает, что речь идет о привлечении нескольких миллионов долларов. Команда активно открыла вакансии для инженеров-генералистов, бэкендеров и ИИ-специалистов. График развития MultiOn включает несколько ключевых этапов: * **Ближайший месяц:** Запуск локального тестирования в Стэнфордском университете для оценки реального пользовательского опыта. * **Следующие три месяца:** Выход на широкую аудиторию нетехнических пользователей в качестве умного браузерного компаньона. * **Перспектива нескольких лет:** Достижение полноценной человеческой надежности в комплексных абстрактных задачах. Див Гарг считает, что текущие базовые модели еще не способны на сложные многошаговые рассуждения (более 20 шагов), поэтому для автономного бронирования комплексных туров потребуются фундаментальные прорывы в индустрии. В макроперспективе основатель MultiOn видит будущее не в замене людей ИИ-агентами, а в предоставлении человечеству «параллельности». Вместо последовательного выполнения рутинных задач, по мнению Гарга, человек станет координатором, способным запустить 100 специализированных ИИ-агентов одновременно для параллельного выполнения работы. Вопросы безопасности остаются приоритетом. По мнению основателя, ключевым правилом ИИ-этики должен стать абсолютный запрет на модификацию агентом своего собственного исходного кода во избежание неконтролируемого самосовершенствования.