Этот текст Golem-Plus доступен бесплатно в течение 24 часов.

Многие первым делом утром берут в руки телефон: письма от клиентов, сообщения в WhatsApp о возможных встречах с друзьями, push-уведомление от банка. Во времена таких ИИ-моделей, как ChatGPT, агентов, как Openclaw и им подобных, возникает вопрос: зачем нам всё ещё заниматься этим самим?

Почему бы, например, не поместить агента между отдельными приложениями и нами, пользователями, который взял бы на себя утомительную координацию и мелкие задачи? Встречи для совместных кулинарных вечеров могли бы координироваться так же автоматически, как и письма, на которые легко ответить, или запись к парикмахеру.

Мы анализируем, как могло бы выглядеть возможное будущее, каковы текущие технические ограничения и почему у нас до сих пор нет личного ассистента в кармане.

Что технически возможно

Для ИИ-ассистента, который должен работать, например, на телефоне, требуется ряд технических навыков, которые на первый взгляд довольно легко освоить. Прежде всего, это общение с ассистентом — во времена Whisper и аналогов, которые также функционируют как модуль преобразования речи в текст в ChatGPT, это наименьшая проблема.

Внутренне возможно использование языковой модели, которая обрабатывает ввод пользователя после того, как он был переведён в текст. Это могло бы происходить даже локально и выполняться на самом устройстве, поскольку небольшие языковые модели, хотя и спотыкаются на фактологических знаниях, но при этом достаточно красноречиво говорят и могут понимать вещи. Для недостающих фактических знаний в соответствующую модель можно было бы интегрировать базу данных, поиск Google или что-то подобное.

Это, вероятно, и было бы основным принципом такой модели: ИИ, по сути, должен только понять, в чём состоит поставленная задача, и соответствующим образом направить информацию на нужные интерфейсы, а также взять на себя коммуникацию между различными интерфейсами. Пример: локальная ИИ-модель могла бы по запросу пользователя о записи к парикмахеру сначала проверить собственный календарь, затем из собственной истории узнать, к какому парикмахеру пользователь ходит, и (в случае современного салона) забронировать время через веб-браузер.

Необходимы общие стандарты

В принципе, программы через человеческие интерфейсы могут управляться и ИИ-агентами, например, с помощью движений мыши или симулированного касания на телефоне. Однако лучшая интеграция для фоновой работы предполагает, что различные производители веб-сайтов, приложений и т.д. договорятся об общих стандартах.

Но не только отсутствие интерфейсов, но и технические детали часто являются решающим препятствием.