Open-Source Auto-Gpt & BabyAGI integrerer rekursion i AI-applikationer

Den seneste udvikling indebærer Auto-GPT og BabyAGI har demonstreret det imponerende potentiale af autonome agenter, hvilket genererer betydelig entusiasme inden for AI-forskning og softwareudviklingssfærer. Disse agenter, baseret på store sprogmodeller (LLM'er), er i stand til at udføre indviklede opgavesekvenser som svar på brugerprompter. Ved at anvende en række ressourcer såsom internet og lokal filadgang, andre API'er og grundlæggende hukommelsesstrukturer, viser disse agenter tidlige fremskridt med at integrere rekursion i AI-applikationer.

Hvad er BabyAGI?

BabyAGI, introduceret af Yohei Nakajima via Twitter den 28. marts 2023, er en strømlinet iteration af den originale Task-Driven Autonomous Agent. Ved at udnytte OpenAI's naturlige sprogbehandlingsfunktioner (NLP) og Pinecone til at gemme og hente opgaveresultater i kontekst, giver BabyAGI en effektiv og brugervenlig oplevelse. Med kun 140 præcise kodelinjer er BabyAGI let at forstå og udvide.

Navnet BabyAGI er virkelig vigtigt, da disse værktøjer vedvarende driver samfundet mod AI-systemer, der, selv om de endnu ikke opnår Kunstig generel intelligens (AGI), er eksponentielt stigende i magt. AI-økosystemet oplever nye fremskridt dagligt, og med fremtidige gennembrud og potentialet for en version af GPT, der kan tilskynde sig selv til at tackle komplekse problemer, giver disse systemer nu brugerne indtryk af at interagere med AGI'er.

Hvad er Auto-GPT?

Auto-GPT er en AI-agent designet til at opnå mål udtrykt i naturligt sprog ved at opdele dem i mindre delopgaver og bruge ressourcer som internettet og andre værktøjer i et automatiseret loop. Denne agent anvender OpenAI's GPT-4 eller GPT-3.5 API'er og skiller sig ud som en af ​​de banebrydende applikationer, der bruger GPT-4 til at udføre autonome opgaver.

I modsætning til interaktive systemer såsom ChatGPT, der afhænger af manuelle instruktioner for hver opgave, sætter Auto-GPT sig selv nye mål for at opnå et større mål uden nødvendigvis at kræve menneskelig indgriben. Auto-GPT er i stand til at generere svar på prompter for at udføre en specifik opgave og kan også oprette og ændre sine egne prompter for rekursive forekomster baseret på nyligt erhvervet information.

Hvad det betyder at bevæge sig fremad

Selvom de stadig er i den eksperimentelle fase og med nogle begrænsninger, er agenter klar til at øge produktivitetsgevinster lettet af de faldende omkostninger til AI-hardware og -software. Ifølge ARK Invests forskning, AI-software kunne potentielt producere op til $14 billioner i omsætning og $90 billioner i virksomhedsværdi i 2030. Efterhånden som grundlæggende modeller som GPT-4 fortsætter med at udvikle sig, vælger adskillige virksomheder at træne deres egne mindre, specialiserede modeller. Mens grundlæggende modeller har en bred vifte af applikationer, tilbyder mindre specialiserede modeller fordele såsom reducerede slutningsomkostninger.

Desuden vælger mange virksomheder, der er bekymrede over copyright-spørgsmål og datastyring, at udvikle deres proprietære modeller ved hjælp af en blanding af offentlige og private data. Et bemærkelsesværdigt eksempel er en 2.7 milliarder parameter LLM trænet på PubMed biomedicinske data, som opnåede lovende resultater på den amerikanske lægelicenseringseksamens (USMLE) spørgsmål-og-svar-test. Uddannelsesomkostningerne var cirka $38,000 på MosaicML platform, med en beregningsvarighed på 6.25 dage. I modsætning hertil anslås det endelige træningsforløb af GPT-3 at have kostet næsten 5 millioner dollars i beregning.