Oppo এমন একটি Android agent open-source করেছে যা স্ক্রিন দেখে, ক্যামেরা ব্যবহার করে, এবং ডিভাইসেই থাকে

On-device control-এর চারপাশে তৈরি একটি Android agent

Oppo X-OmniClaw নামে একটি নতুন Android agent open-source করেছে, এবং এই release-এর সবচেয়ে গুরুত্বপূর্ণ অংশ শুধু software কী করতে পারে তা নয়, বরং এটি কোথায় করে। source material অনুযায়ী, systemটি cloud-hosted virtual phone-এর ভিতরে নয়, সরাসরি একটি physical Android device-এ চলে। এই design agent-কে handset-এর camera, screen, voice, এবং local data ব্যবহার করতে দেয়, এবং user-এর device-কে remote data center-এ mirror করার প্রয়োজন এড়ায়।

এই পার্থক্য project-এর pitch-এর কেন্দ্রবিন্দু। Cloud-phone systems Android instances remotely চালাতে পারে এবং agent-কে সেখানে কাজ করতে দিতে পারে, কিন্তু local sensors, private files, এবং user-এর চারপাশের বাস্তব physical context access করার ক্ষেত্রে তাদের সীমাবদ্ধতা রয়েছে। source text অনুযায়ী, X-OmniClaw উল্টো approach নেয়: perception, control, এবং app interaction handset-এই থাকে, আর উচ্চ-স্তরের reasoning প্রয়োজন হলে কেবল cloud language model ব্যবহার করা হয়।

এই architecture project-কে AI agent landscape-এর একটি গুরুত্বপূর্ণ অংশে স্থাপন করে। বর্তমান প্রতিযোগিতা আর শুধু text তৈরি করা নিয়ে নয়। এটি এমন software তৈরি করা নিয়ে যা real interfaces জুড়ে perceive, remember, এবং act করতে পারে।

X-OmniClaw কী করার জন্য ডিজাইন করা হয়েছে

source একটি multimodal pipeline-এর বর্ণনা দেয় যা camera, screen, text, এবং voice signals একত্র করে। একটি vision-language model user কী দেখছে এবং কী চাইছে তা বোঝে, তারপর action নেওয়ার আগে সেই intent structure করে। এক উদাহরণে, user ফোনটি একটি product-এর দিকে নির্দেশ করে Taobao-তে তার দাম কত জানতে চায়। systemটি নাকি সেই অনুরোধকে আরও সুনির্দিষ্ট internal query-তে রূপান্তর করে task সম্পন্ন করে।

এটি গুরুত্বপূর্ণ, কারণ বাস্তব mobile assistance messy। মানুষ অস্পষ্ট প্রশ্ন করে, apps অসংগত interfaces দেখায়, এবং visual context প্রায়ই ভাষার মতোই গুরুত্বপূর্ণ। এমন agent যা screen পড়তে পারে, OCR এবং grounding tools দিয়ে tappable interface elements শনাক্ত করতে পারে, এবং তা voice বা camera input-এর সঙ্গে মেলাতে পারে, সেটি text box-এ বসে থাকা chatbot-এর চেয়ে practical mobile automation-এর অনেক কাছাকাছি।

source আরও বলে যে X-OmniClaw gallery photos locally text-based memory-তে process করতে পারে এবং user behavior অনুকরণ করে শিখতে পারে। demonstrations-এ এটিকে product prices তুলনা করা, exercises-এর জন্য floating helper হিসেবে কাজ করা, এবং user gallery থেকে photo albums তৈরি করতে দেখানো হয়েছে।

On-device execution কেন কৌশলগতভাবে গুরুত্বপূর্ণ

on-device design আলাদা করে দেখানোর দুটি প্রধান কারণ আছে। প্রথমটি privacy। agent যদি personal photos, ambient camera views, app screens, এবং spoken requests-এর সঙ্গে কাজ করে, তবে অনেক user মনে করবেন এই data streams-গুলো ক্রমাগত cloud-এ পাঠানো খুবই sensitive। Oppo-র design core perception এবং control phone-এ রেখেই এই উদ্বেগ সরাসরি সমাধান করে।

দ্বিতীয় কারণ capability। phone-এর cloud clone virtual environment-এ software automate করতে পারে, কিন্তু কারও হাতে থাকা live physical device পুরোপুরি বুঝতে পারে না। এটি shelf-এর দিকে তাক করা camera feed, সত্যিকারের handset-এ আসা notification, বা local files এবং sensors-এর মধ্যে user navigation সরাসরি অনুভব করতে পারে না। device-কে কেন্দ্র করে system তৈরি করে Oppo বলছে, useful agents-কে মানুষের বাস্তবে কম্পিউটিং-এর জায়গাতেই embodied হতে হবে।

এই যুক্তি AI product thinking-এর বৃহত্তর পরিবর্তনের সঙ্গে মিলে যায়। সবচেয়ে শক্তিশালী assistants হয়তো কেবল বৃহত্তম remote model-ওয়ালারা নয়। তারা হতে পারে সেইসব যারা user-এর immediate context-এর সঙ্গে সবচেয়ে ভালোভাবে একীভূত।

Open source একটি demo-কে ecosystem play-এ রূপ দেয়

project open source করা এর গুরুত্ব বাড়ায়। research demos দৃষ্টি আকর্ষণ করতে পারে, কিন্তু বাজার বদলায় না। একটি working framework open-source করলে developers, researchers, এবং competing device makers architecture পর্যালোচনা করতে, assumptions পরীক্ষা করতে, এবং সম্ভাব্যভাবে এর ওপর ভিত্তি করে নির্মাণ করতে পারে।

এটি adoption নিশ্চিত করে না। source সব local models চিহ্নিত করে না, এবং open-source availability একা reliability, permissions, battery use, বা misuse-এর জটিল প্রশ্ন সমাধান করে না। apps জুড়ে action নিতে সক্ষম agents obvious security concerns-ও তৈরি করে। screen observe করে interface elements press করতে পারে এমন যে কোনও system-কে অবশ্যই কড়াভাবে সীমাবদ্ধ রাখতে হবে, যাতে এটি abuse-এর জন্য শক্তিশালী automation vector না হয়ে যায়।

তবুও, এই release আলোচনাকে এগিয়ে দেয়। এটি এমন একটি প্রশ্নের concrete answer দেয় যা বহু mobile AI product এড়িয়ে গেছে: device-local context মেনে চলতে চলতে এবং constant cloud mirror-এর উপর নির্ভরতা কমিয়ে, কি একটি agent apps-এর মধ্যে কাজ করতে পারে?

Mobile agent race আরও physical হয়ে উঠছে

X-OmniClaw general-purpose AI agents সাধারণ users-এর জন্য প্রস্তুত কি না তা নির্ধারণ করে না। কিন্তু এটি দেখায় এই ক্ষেত্র কীভাবে evolve করছে। assistants-এর পরবর্তী প্রজন্ম সম্ভবত eloquent conversation-এর চেয়ে বেশি বিচারিত হবে এই ভিত্তিতে যে তারা user যে environment দেখে সেটি perceive করতে পারে কি না, user যে software ইতিমধ্যেই ব্যবহার করে সেটি operate করতে পারে কি না, এবং প্রতিটি interaction remote server-এর মধ্য দিয়ে না পাঠিয়ে তা করতে পারে কি না।

Oppo-র project উল্লেখযোগ্য, কারণ এটি এই ambitions-গুলোকে একটি mobile stack-এ একত্র করেছে। camera query tool হয়ে যায়। screen action surface হয়ে যায়। photo gallery memory হয়ে যায়। voice একাধিক synchronized input-এর একটি হয়ে যায়, একমাত্র গুরুত্বপূর্ণ input নয়। এটি phone-based AI agent কেমন হওয়া উচিত তার একটি বেশি grounded দৃষ্টিভঙ্গি।

এই approach robust প্রমাণিত হলে, এটি Android vendors, developers, এবং researchers agent design কীভাবে ভাবেন তা প্রভাবিত করতে পারে। smarter chat windows তৈরির বদলে, তারা locally aware, sensor-rich, এবং বাস্তব device environment-এ কাজ করতে সক্ষম assistants তৈরিতে মনোযোগ দিতে পারেন। X-OmniClaw এই পরিবর্তনের একটি প্রাথমিক কিন্তু অর্থপূর্ণ উদাহরণ।

এই নিবন্ধটি The Decoder-এর প্রতিবেদনের উপর ভিত্তি করে। মূল নিবন্ধটি পড়ুন.