AI एजेंट को भी स्क्रीन चाहिए: रिमोट डेस्कटॉप क्यों खोई हुई कड़ी है।

हमने Remio AI एजेंट के लिए नहीं बनाया था। लेकिन जितना हम देखते हैं कि एजेंट को क्या चाहिए — असली स्क्रीन पर नज़र, असली कीबोर्ड पर हाथ, और दोनों के बीच एक सुरक्षित सुरंग — उतना ही लगता है कि रिमोट डेस्कटॉप ही वह इंटरफ़ेस है जो अब तक ग़ायब था।

AI के कंप्यूटर इस्तेमाल करने का दौर

पिछले एक साल में AI की दुनिया में कुछ बुनियादी बदल गया। लैंग्वेज मॉडल अब सिर्फ़ टेक्स्ट बनाने वाले नहीं रहे। वे कंप्यूटर चलाने लगे।

Anthropic ने Claude Computer Use शिप किया। OpenAI के एजेंट ब्राउज़र में घूम सकते हैं। Google का Gemini Android के साथ काम करता है। पैटर्न साफ़ है: AI एजेंट को अब स्क्रीन देखने, बटन क्लिक करने और असली ऐप्लिकेशन में टाइप करने की ज़्यादा-से-ज़्यादा ज़रूरत पड़ रही है।

लेकिन यहाँ वह समस्या है जिसकी कोई बात नहीं कर रहा: AI एजेंट किसी कंप्यूटर तक असल में पहुँचता कैसे है?

जहाँ एजेंट को स्क्रीन चाहिए

इंफ़्रास्ट्रक्चर की बात से पहले, काम को ही देखिए। लोग एजेंट से जो कुछ करवाना चाहते हैं, उसमें से ज़्यादातर कोई सुथरी API कॉल नहीं होता। वह स्थितियों से भरी स्क्रीन होती है, शर्तों वाले फ़ील्ड का फ़ॉर्म होता है, एक ऐसा ऐप होता है जो आपको चाहिए चीज़ HTTP पर देता ही नहीं। एजेंट को आँखें चाहिए। आज ज़्यादातर स्टैक में उसके पास अँधेरे में टटोलती उँगलियाँ हैं।

01टैक्स रिटर्न भरना

एजेंट को कई पन्नों के फ़ॉर्म की लाइन 12 देखनी होती है, फ़ाइलिंग स्टेटस के लिए सही ड्रॉपडाउन चुनना होता है, और सबमिट करने से पहले जाँचना होता है कि कुल रक़म अपडेट हुई। पीछे का टैक्स सॉफ़्टवेयर कोई सार्वजनिक API नहीं देता — GUI ही इंटरफ़ेस है।

रिमोट डेस्कटॉप लाइव फ़ॉर्म दिखाता है। एजेंट फ़ील्ड पढ़ता है, उन्हें भरता है, और सबमिट पर क्लिक करने से पहले चलता हुआ कुल जोड़ अपडेट होते देखता है।

02जटिल यात्रा बुक करना

कई साइटें, अलग-अलग लेआउट, उपलब्धता पर टिकी तारीख़ें, एक लॉयल्टी नंबर जो एक साइट पर अपने-आप भर जाता है पर दूसरी पर नहीं। API इसमें से कुछ हिस्सा सँभालते हैं — सब कुछ कभी नहीं।

रिमोट डेस्कटॉप एजेंट को वही ब्राउज़र थमा देता है जो कोई इंसान इस्तेमाल करता। वह टैब के पार नतीजों की तुलना करता है और भुगतान से पहले स्क्रीन पर अंतिम क़ीमत पक्की करता है।

03कॉन्ट्रैक्ट की समीक्षा

PDF एक डेस्कटॉप ऐप में है जिसमें ट्रैक चेंजेज़, रेडलाइन और कमेंट हैं। एजेंट को हाशिये पढ़ने होते हैं, इनलाइन नोट्स का पीछा करना होता है, और ऐसे संपादन सुझाने होते हैं जिन्हें कोई वकील स्वीकार या अस्वीकार कर सके।

रिमोट डेस्कटॉप दस्तावेज़ को उसी रूप में स्ट्रीम करता है जैसे वकील देखता है। एजेंट टिप्पणियाँ जोड़ता है और वकील मंज़ूरी देता है, सब एक ही व्यू में।

04ब्राउज़र के भीतर के एडिटर की डिबगिंग

एक बग तभी दिखता है जब Figma में कैनवास एक ख़ास ज़ूम पर हो, किसी ख़ास प्लगइन के चलने के बाद। कोई हेडलेस टूल इसे दोबारा पैदा नहीं कर पाता। एजेंट को वही देखना होगा जो इंजीनियर देखता है।

रिमोट डेस्कटॉप एजेंट को लाइव एडिटर दे देता है। वह वही क़दम दोहराता है, टूटा हुआ फ़्रेम कैप्चर करता है, और टीम के लिए साफ़-सुथरा रीप्रो फ़ाइल कर देता है।

मौजूदा तरीक़े और वे क्यों अधूरे हैं

फ़िलहाल, जिन AI एजेंट को GUI के साथ काम करना है, उनके पास सीमित विकल्प हैं:

• ब्राउज़र ऑटोमेशन — Playwright और Selenium जैसे टूल वेब ऐप चला सकते हैं। लेकिन वे Photoshop, Xcode या किसी भी नेटिव ऐप्लिकेशन को नहीं चला सकते। लोग कंप्यूटर पर जो करते हैं, वेब उसका बस एक हिस्सा है।
• वर्चुअल मशीन — एक हेडलेस VM खड़ी करो, एजेंट को उस पर लगा दो। यह चलता है, लेकिन धीमा और महँगा है, और VM एक अलग सैंडबॉक्स है — आपका असली कंप्यूटर नहीं, जिसमें आपकी फ़ाइलें, आपके ऐप, आपका संदर्भ हो।
• लोकल SDK — एजेंट को सीधे मशीन पर चलाओ। इसके लिए एजेंट सॉफ़्टवेयर लोकल इंस्टॉल करना पड़ता है और न्यूनतम आइसोलेशन के साथ सिस्टम की गहरी पहुँच मिल जाती है।

हर तरीक़े की बुनियादी सीमा एक ही है: वे इस काम के लिए बने ही नहीं हैं। ब्राउज़र ऑटोमेशन सिर्फ़ ब्राउज़र में चलता है। VM महँगे सैंडबॉक्स हैं। लोकल SDK सुरक्षा की चिंताएँ खड़ी करते हैं।

क्या हो अगर किसी एक इकाई को दूसरे कंप्यूटर को देखने और चलाने देने का इंफ़्रास्ट्रक्चर पहले से बना हुआ हो — सुरक्षित, रीयल-टाइम, किसी भी नेटवर्क पर?

रिमोट डेस्कटॉप, आँखों के सामने छिपा हुआ

सोचिए रिमोट डेस्कटॉप असल में क्या करता है:

• होस्ट कंप्यूटर के स्क्रीनशॉट कैप्चर करता है
• उन्हें रीयल-टाइम में रिमोट क्लाइंट तक स्ट्रीम करता है
• इनपुट कमांड लेता है (माउस क्लिक, कीबोर्ड, स्क्रॉल)
• उन इनपुट को नेटिव रूप से होस्ट OS में डालता है
• सब कुछ एंड-टू-एंड एन्क्रिप्ट करता है

अब सोचिए AI एजेंट को कंप्यूटर चलाने के लिए क्या चाहिए:

• स्क्रीन पर क्या है यह देखना (स्क्रीनशॉट)
• तय करना कि क्या करना है (एजेंट का काम)
• क्लिक, टाइप, स्क्रॉल (इनपुट इंजेक्शन)
• नतीजा देखना (अगला स्क्रीनशॉट)
• सब कुछ सुरक्षित रखना

यह वही लूप है। रिमोट डेस्कटॉप अपने मूल में ठीक वही इंटरफ़ेस परत है जिसकी AI एजेंट को ज़रूरत है।

एजेंट को आँखें चाहिए। आज ज़्यादातर स्टैक में उसके पास अँधेरे में टटोलती उँगलियाँ हैं — और रिमोट डेस्कटॉप वह परत है जो उसे आख़िरकार देखने देती है।

Remio का आर्किटेक्चर इसके लिए अनोखे रूप से क्यों उपयुक्त है

हर रिमोट डेस्कटॉप इसके लिए बराबर तैयार नहीं होता। ज़्यादातर रिमोट डेस्कटॉप स्क्रीन को ताकते इंसानों के लिए बने थे, मिलीसेकंड के अंतराल पर कमांड दागने वाले API-चालित एजेंट के लिए नहीं। Remio में संयोग से सही हिस्से पहले से मौजूद हैं।

नेटिव इनपुट इंजेक्शन

Remio एक्सेसिबिलिटी की जुगाड़ या वर्चुअल कीबोर्ड से इनपुट की नक़ल नहीं करता। वह सटीक, नेटिव-स्तर के माउस और कीबोर्ड इंजेक्शन के लिए ऑपरेटिंग सिस्टम की अपनी इनपुट पाइपलाइन इस्तेमाल करता है। OS इंसान और Remio में फ़र्क़ नहीं कर सकता। AI एजेंट को भी यही क्षमता विरासत में मिलती है।

स्क्रीनशॉट कैप्चर

Remio होस्ट पहले से स्क्रीन कैप्चर करता है — 120 FPS पर 6K तक — और माँग पर अलग-अलग फ़्रेम दे सकता है। AI एजेंट को पूरा फ़्रेम रेट नहीं चाहिए — उसे हर क्रिया पर एक साफ़ स्क्रीनशॉट चाहिए, तेज़ी से पहुँचा हुआ। जब कैप्चर पाइपलाइन पहले से चल रही हो तो यह बेहद आसान है।

रफ़्तार के लिए डिज़ाइन किया प्रोटोकॉल

क्लाइंट और होस्ट के बीच हर कमांड एक ज़ीरो-कॉपी बाइनरी फ़ॉर्मेट में चलती है जो मिलीसेकंड से भी कम में पार्स हो जाती है। जब AI एजेंट "(500, 300) पर क्लिक करो" भेजता है, तो वह कमांड नगण्य ओवरहेड के साथ पार्स और निष्पादित हो जाती है। न JSON पार्सिंग, न XML।

सीधा एन्क्रिप्टेड कनेक्शन

सब कुछ दोनों डिवाइसों के बीच एंड-टू-एंड एन्क्रिप्टेड है — डिफ़ॉल्ट रूप से सीधा पीयर-टू-पीयर, और एन्क्रिप्टेड रिले सिर्फ़ तब जब आपका नेटवर्क माँगे। एजेंट की कमांड और स्क्रीन का डेटा पढ़ने लायक रूप में हमारे सर्वरों को कभी नहीं छूते; रिले को भी सिर्फ़ सिफ़रटेक्स्ट दिखता है। जब कोई एजेंट आपके असली काम के कंप्यूटर, आपकी फ़ाइलों, आपके ऐप्लिकेशन के साथ काम कर रहा हो, तब यह बहुत मायने रखता है।

ऐप लॉन्च करना

Remio जुड़े हुए क्लाइंट के लिए होस्ट मशीन पर ऐप्लिकेशन पहले से लॉन्च कर सकता है। जब एजेंट के लिए API बन जाए, तो एजेंट कह सकेगा "Terminal खोलो" और Remio उसे कर दे — ऐप-लॉन्च की वह प्लंबिंग दोबारा गढ़े बिना जो पहले से बनी हुई है।

यह कैसा दिख सकता है

इस वर्कफ़्लो की कल्पना कीजिए:

आप Claude से कहते हैं: "मेरे Mac पर जाओ, Excel में वित्तीय रिपोर्ट खोलो, इस डेटा से Q4 के आँकड़े अपडेट करो, PDF के रूप में एक्सपोर्ट करो, और टीम को ईमेल कर दो।"

Claude Remio के API से आपके Mac से जुड़ता है। उसे आपका डेस्कटॉप दिखता है। वह Excel खोलता है। सही फ़ाइल तक जाता है। सेल अपडेट करता है। एक्सपोर्ट करता है। Mail खोलता है। ईमेल भेज देता है। हर क़दम दिखता है, ऑडिट हो सकता है, और एंड-टू-एंड एन्क्रिप्टेड है।

न वर्चुअल मशीन। न सिर्फ़-ब्राउज़र की सीमा। आपका असली कंप्यूटर, आपके असली ऐप, आपकी असली फ़ाइलें — AI के नियंत्रण में, एक ऐसी सुरक्षित सुरंग से जो पहले से मौजूद है।

कठिन हिस्से पहले ही हो चुके हैं

भरोसेमंद रिमोट डेस्कटॉप बनाने में सालों का काम लगता है। स्क्रीन कैप्चर पाइपलाइन। वीडियो एनकोडिंग। इनपुट इंजेक्शन जो हर OS की सनक के पार चले। घरेलू राउटर और फ़ायरवॉल के पार सीधे पीयर-टू-पीयर कनेक्शन। एन्क्रिप्शन। लेटेंसी का ऑप्टिमाइज़ेशन।

यह सब Remio में पहले से मौजूद है। एजेंट के लिए प्लेटफ़ॉर्म को शून्य से बना कोई नया प्रोडक्ट नहीं होना पड़ेगा — वह उस इंफ़्रास्ट्रक्चर का एक नया इंटरफ़ेस होगा जो पहले से मौजूद है। स्क्रीन को इंसान के देखने की जगह AI एजेंट फ़्रेम प्रोसेस करेगा। माउस को इंसान के हिलाने की जगह एक API कॉल निर्देशांक भेजेगी।

बनाना जो बाक़ी है, वह है API परत ख़ुद: एक साफ़, प्रमाणित इंटरफ़ेस जो AI एजेंट को जुड़ने, स्क्रीनशॉट माँगने, कमांड भेजने और नतीजे पाने देता है। वह अभी मौजूद नहीं है। यह ठोस इंजीनियरिंग है, लेकिन नीचे के इंफ़्रास्ट्रक्चर की जटिलता का एक छोटा हिस्सा।

एक ईमानदार आकलन

हम इस पर शुरुआती रिसर्च में हैं। असली चुनौतियाँ हैं:

• सिक्योरिटी मॉडल — AI एजेंट को अपने कंप्यूटर तक पहुँच सुरक्षित ढंग से कैसे दें? उसे कौन-सी अनुमतियाँ मिलें? पहुँच वापस कैसे लें? इसके लिए सावधानी से डिज़ाइन चाहिए।
• स्क्रीनशॉट की दर — AI मॉडल तस्वीरें उससे धीमे प्रोसेस करते हैं जितना इंसान वीडियो प्रोसेस करता है। इंटरैक्शन का पैटर्न अलग है: स्क्रीनशॉट भेजो, एजेंट के फ़ैसले का इंतज़ार करो, चलाओ, दोहराओ। इस लूप को ऑप्टिमाइज़ करना मायने रखता है।
• गड़बड़ी से रिकवरी — जब AI एजेंट ग़लत बटन दबा दे, तो वह उबरे कैसे? यह Remio की समस्या से ज़्यादा AI की समस्या है, लेकिन प्लेटफ़ॉर्म को इसे सहजता से सँभालना आना चाहिए।

हम यह नहीं दिखा रहे कि ये हल हो चुकी हैं। लेकिन इंफ़्रास्ट्रक्चर की नींव — यानी कठिन हिस्सा — पहले से मौजूद है।

संयोग से बना प्लेटफ़ॉर्म

हमने Remio AI एजेंट के लिए नहीं बनाया था। लेकिन जो हमने बनाया है उसे देखें — नेटिव इनपुट इंजेक्शन, रीयल-टाइम स्क्रीन कैप्चर, सीधा एंड-टू-एंड एन्क्रिप्टेड कनेक्शन, रफ़्तार के लिए ट्यून किया बाइनरी प्रोटोकॉल — तो AI के कंप्यूटर इस्तेमाल के लिए इससे बेहतर नींव की कल्पना करना मुश्किल है।

कभी-कभी सबसे अच्छे प्रोडक्ट अनपेक्षित मेल से निकलते हैं। रिमोट डेस्कटॉप तकनीक और AI एजेंट का साथ आना पहली नज़र में स्वाभाविक नहीं लगता। पर जितना आप देखते हैं कि दोनों तरफ़ को क्या चाहिए, यह मेल उतना ही अवश्यंभावी लगता है।

AI एजेंट को स्क्रीन चाहिए। Remio स्क्रीन देता है — सुरक्षित रूप से, नेटिव रूप से, रीयल-टाइम में, किसी भी नेटवर्क पर। खोई हुई कड़ी हमेशा से वहीं थी। हमें बस पता नहीं था कि वह किस चीज़ के लिए खोई हुई थी।

हम इस क्षेत्र को सक्रिय रूप से परख रहे हैं। अगर आप ऐसे AI एजेंट बना रहे हैं जिन्हें असली कंप्यूटर के साथ काम करना है, तो हमें आपसे सुनकर ख़ुशी होगी। भविष्य हममें से किसी की उम्मीद से जल्दी आ सकता है।