التكامل المفتوح المصدر Auto-GPT & BabyAGI للتركيبية في تطبيقات الذكاء الاصطناعي

تتطور التطورات الحديثة المتعلقة بـ Auto-GPT و BabyAGI بإظهار الإمكانيات الممتازة للوكلاء المستقلين، مما يولد حماسًا كبيرًا داخل مجالات أبحاث 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 التطورات المبكرة في دمج التركيبية 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 الموجه بالمهام الأصلية. باستخدام قدرات معالجة اللغة الطبيعية (NLP) من OpenAI وتخزين واسترجاع نتائج المهام في السياق باستخدام Pinecone، يوفر BabyAGI تجربة فعالة وسهلة الاستخدام. مع 140 سطرًا من الشفرة، يُعتبر BabyAGI سهل الفهم والتوسع.
اسم BabyAGI مهم حقًا، حيث تدفع هذه الأدوات المجتمع باستمرار نحو أنظمة الذكاء الاصطناعي التي، على الرغم من عدم تحقيقها بعد الذكاء الاصطناعي العام (AGI)، تزداد قوتها أسيًا. يمر نظام البيئة بتقدم يومي جديد، ومع الانجازات المستقبلية والاحتمال لإصدار من GPT يمكنه تحفيز نفسه لمواجهة مشكلات معقدة، تعطي هذه الأنظمة للمستخدمين الانطباع بالتفاعل مع 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 وأدوات أخرى في حلقة آلية. يستخدم هذا الوكيل واجهات برمجة التطبيقات GPT-4 أو GPT-3.5 من OpenAI ويتميز بأنه أحد التطبيقات الرائدة التي تستخدم GPT-4 لتنفيذ مهام مستقلة.
على عكس الأنظمة التفاعلية مثل ChatGPT، التي تعتمد على التوجيهات اليدوية لكل مهمة، يحدد Auto-GPT أهدافًا جديدة لتحقيق هدف أكبر، دون الحاجة إلى تدخل بشري ضروري. يمكن لـ Auto-GPT توليد استجابات لتحفيزات لتحقيق مهمة محددة، كما يمكنه إنشاء وتعديل تحفيزاته الخاصة لحالات التكرار بناءً على المعلومات الجديدة المكتسبة.

ما يعنيه هذا التطور للمستقبل

على الرغم من كونها ما زالت في مرحلة التجريب وبعض القيود، فإن الوكلاء مستعدون لتعزيز المكاسب الإنتاجية التي تسهلها التكاليف المتزايدة لعتاد وبرمجيات الذكاء الاصطناعي. وفقًا لبحث ARK Invest، يمكن لبرمجيات الذكاء الاصطناعي إنتاج ما يصل إلى 14 تريليون دولار في الإيرادات و90 تريليون دولار في القيمة التجارية بحلول عام 2030. مع استمرار تقدم النماذج الأساسية مثل GPT-4، يختار العديد من الشركات تدريب نماذجها الخاصة الأصغر والأكثر تخصصًا. بينما تتمتع النماذج الأساسية بمجالات تطبيق واسعة، فإن النماذج الأصغر المتخصصة توفر مزايا مثل تقليل تكاليف الاستدلال.
علاوة على ذلك، يختار العديد من الأعمال التي تقلق بشأن قضايا حقوق النشر وإدارة البيانات تطوير نماذجها الخاصة باستخدام مزيج من البيانات العامة والخاصة. مثال ملحوظ هو نموذج LLM ذو 2.7 مليار معامل مدرب على بيانات PubMed البيولوجية، والتي حقق نتائج واعدة في اختبار الأسئلة والإجابات لامتحان الترخيص الطبي الأمريكي (USMLE). كان تكلفتها حوالي 38,000 دولار على منصة MosaicML، مع مدة حسابية مدتها 6.25 يومًا. في المقابل، يُقدر أن تكلفة تشغيل GPT-3 النهائي قد بلغت تقريبًا 5 ملايين دولار في الحوسبة.