نماذج ومنصات الذكاء الاصطناعي
دمج التكرار في تطبيقات الذكاء الاصطناعي باستخدام Auto-GPT ومشروع BabyAGI المفتوح
أضف Unite.AI إلى مصادرك المفضلة على Google
تشير التطورات الحديثة المتعلقة بـ Auto-GPT و BabyAGI إلى إمكانيات كبيرة للوكلاء المستقلين، مما أثار حماسًا كبيرًا داخل مجالات البحث عن الذكاء الاصطناعي وتطوير البرمجيات. هذه الوكلاء، التي تعتمد على نماذج اللغة الكبيرة (LLM)، قادرة على أداء تسلسلات مهام معقدة استجابةً لتحفيزات المستخدم. من خلال استخدام مجموعة متنوعة من الموارد مثل الوصول إلى الإنترنت والملفات المحلية وواجهات برمجة التطبيقات الأخرى والهياكل الأساسية للذاكرة، تعرض هذه الوكلاء تقدمًا مبكرًا في دمج التكرار في تطبيقات الذكاء الاصطناعي.
ما هو BabyAGI؟
تم تقديم BabyAGI من قبل Yohei Nakajima عبر تويتر في 28 مارس 2023، وهو نسخة مبسطة من الوكيل المستقل الأصلي الموجه بالمهام. باستخدام قدرات معالجة اللغة الطبيعية من OpenAI و Pinecone لتخزين واسترجاع نتائج المهام في السياق، يوفر BabyAGI تجربة فعالة وسهلة الاستخدام. مع 140 سطرًا من الشفرة، يُعتبر BabyAGI سهل الفهم والتوسيع.
اسم BabyAGI هو بالفعل مهم لأن هذه الأدوات تدفع باستمرار المجتمع نحو أنظمة الذكاء الاصطناعي التي، على الرغم من أنها لم تصل بعد إلى الذكاء الاصطناعي العام (AGI)، فإنها تزداد قوة بشكل كبير. يتجرب نظام البيئة الذكاء الاصطناعي الجديد كل يوم، ومع الانجازات المستقبلية والاحتمال لنسخة من GPT قادرة على تحفيز نفسها لمواجهة مشاكل معقدة، تعطي هذه الأنظمة للمستخدمين انطباعًا بالتفاعل مع أنظمة AGI.
ما هو Auto-GPT؟
Auto-GPT هو وكيل ذكاء اصطناعي مصمم لتحقيق الأهداف المعبّرة باللغة الطبيعية من خلال تقسيمها إلى مهام فرعية واستخدام الموارد مثل الإنترنت والأدوات الأخرى في حلقة آلية. يستخدم هذا الوكيل واجهات برمجة التطبيقات GPT-4 أو GPT-3.5 من OpenAI ويتميز بأنه واحد من التطبيقات الرائدة التي تستخدم GPT-4 لأداء مهام مستقلة.
على عكس الأنظمة التفاعلية مثل ChatGPT، التي تعتمد على تعليمات يدوية لكل مهمة، يحدد Auto-GPT أهدافًا جديدة لنفسه لتحقيق هدف أكبر، دون الحاجة إلى تدخل بشري دائم. يمكن لـ Auto-GPT توليد استجابات لتحفيزات لتحقيق مهمة محددة، كما يمكنه إنشاء وتعديل تحفيزاته الخاصة للحالات التكرارية بناءً على المعلومات الجديدة المكتسبة.
ما يعنيه هذا التطور للمستقبل
على الرغم من أن هذه التقنيات لا تزال في مرحلة التجريب وتحمل بعض القيود، فإن الوكلاء المستقلين يعتبرون محفزين لتحقيق مكاسب في الإنتاجية بفضل انخفاض تكاليف الأجهزة والبرمجيات الذكاء الاصطناعي. وفقًا لبحث ARK Invest، يمكن للبرمجيات الذكاء الاصطناعي أن تُنتج ما يصل إلى 14 تريليون دولار في الإيرادات و 90 تريليون دولار في قيمة الشركات بحلول عام 2030. مع استمرار تقدم النماذج الأساسية مثل GPT-4، يتجه العديد من الشركات إلى تدريب نماذجها الخاصة الصغيرة والمختصة. في حين أن النماذج الأساسية لها نطاق واسع من التطبيقات، فإن النماذج الصغيرة المختصة توفر مزايا مثل تقليل تكاليف الاستدلال.
علاوة على ذلك، يختار العديد من الأعمال التي تقلق بشأن قضايا حقوق النشر وحوكمة البيانات تطوير نماذجها الخاصة باستخدام مزيج من البيانات العامة والخاصة. مثال ملحوظ هو نموذج LLM ذو 2.7 مليار معامل تم تدريبه على بيانات PubMed البيولوجية، والتي حققت نتائج واعدة في اختبار الأسئلة والإجابات لامتحان الترخيص الطبي الأمريكي (USMLE). كان تكلفة التدريب khoảng 38,000 دولار على منصة MosaicML، مع مدة حسابية بلغت 6.25 أيام. في المقابل، يُقدر أن تكلفة التشغيل النهائية ل GPT-3 قد بلغت ما يقرب من 5 ملايين دولار في الحوسبة.
