Computer-use models will agentify the web, not APIs — Dhruv Batra, Yutori
Dhruv Batra argumenterar att AI-agenter inte kommer att kunna förlita sig på API:er för att interagera med webben.
Istället måste de lära sig att navigera webbsidor visuellt — genom att läsa skärminnehål och klicka, liksom en människa gör — eftersom de flesta av webben (omkring 200 miljoner aktiva webbplatser) aldrig kommer att bygga API:er. Mycket av det vi ser på webben är inte faktisk text utan ritad grafik: en "såld slut"-status är kanske bara en grå knapp, inte ord skrivna någonstans. Yutoris Navigator-modell löser detta genom att ta skärmbilder, klicka på element och ibland skriva JavaScript för att åstadkomma det den behöver — och fokuserar på att verifiera resultaten på skärmen snarare än att förvänta sig strukturerad data.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
SOTA Generative Media Panel — Dumitru Erhan, Shane Gu & Nicole Brichtova, Google DeepMind
AI Engineer 30 aug.
Tell the Robot What You Want — Sandhya Subramani, AWS
AI Engineer 29 aug.
The Signal Layer: What to Build When Anything Can Be Built — Lena Hall, Akamai
AI Engineer 29 aug.
Tribal Dungeons of Global Shipping: AI Agents at Global Scale — Dmitry Buykin, Maersk
AI Engineer 29 aug.