Åben-kilde-Auto-GPT & BabyAGI integrerer rekursion i AI-applikationer

Seneste udviklinger med Auto-GPT og BabyAGI har demonstreret den imponerende potentiale for autonome agenter, og har genereret betydelig entusiasme inden for AI-forskning og softwareudvikling. Disse agenter, der er baseret på store sprogmodeller (LLM), er i stand til at udføre komplekse opgavekæder som svar på brugerprompter. Ved at anvende en række ressourcer som internet og lokal filadgang, andre API’er og grundlæggende hukommelsesstrukturer, viser disse agenter tidlige fremskridt i integration af rekursion i AI-applikationer.

Hvad er BabyAGI?

BabyAGI, der blev introduceret af Yohei Nakajima via Twitter den 28. marts 2023, er en strømlinet iteration af den originale opgave-drevne autonome agent. Ved at anvende OpenAI’s naturlige sprogbehandlingsevner (NLP) og Pinecone til at gemme og hente opgaveresultater i kontekst, giver BabyAGI en effektiv og brugervenlig oplevelse. Med en koncis 140 linjer kode er BabyAGI let at forstå og udvide.
Navnet BabyAGI er virkelig betydningsfuldt, da disse værktøjer vedvarende driver samfundet mod AI-systemer, der, selvom de endnu ikke opnår Artificielt Generelt Intelligens (AGI), eksponentielt øger i kraft. AI-økosystemet oplever nye fremskridt dagligt, og med fremtidige gennembrud og potentialet for en version af GPT, der kan prompte sig selv til at løse 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 underopgaver og anvende ressourcer som internet og andre værktøjer i en automatiseret løkke. Denne agent anvender OpenAI’s GPT-4 eller GPT-3.5 API’er og udgør en af de pionerende anvendelser, der anvender GPT-4 til at udføre autonome opgaver.
I modsætning til interaktive systemer som ChatGPT, der afhænger af manuelle instruktioner for hver opgave, sætter Auto-GPT nye mål for sig selv for at opnå et større formål, uden nødvendigvis at kræve menneskelig indgriben. I stand til at generere svar på prompter for at opfylde en bestemt opgave, kan Auto-GPT også oprette og ændre sine egne prompter for rekursive eksempler baseret på nyt erhvervet information.

Hvad dette betyder fremad

Selvom de stadig er i den eksperimentelle fase og har visse begrænsninger, er agenterne parat til at øge produktivitetsgevinster, der faciliteres af de faldende omkostninger til AI-hardware og -software. Ifølge ARK Invest’s forskning, kunne AI-software potentielt producere op til 14 billioner dollars i omsætning og 90 billioner dollars i virksomhedsverdi i 2030. Da grundlæggende modeller som GPT-4 fortsætter med at udvikle sig, vælger mange virksomheder at træne deres egne mindre, specialiserede modeller. Mens grundlæggende modeller har en bred række af anvendelser, tilbyder mindre specialiserede modeller fordelene som reducerede inferensomkostninger.

Desuden vælger mange virksomheder, der er bekymrede over ophavsretssager og datastyring, at udvikle deres egne proprietære modeller ved hjælp af en blanding af offentlige og private data. Et bemærkelsesværdigt eksempel er en 2,7 milliarder parameter LLM, der er trænet på PubMed biomedicinsk data, som opnåede lovende resultater på den amerikanske medicinske licensprøves (USMLE) spørgsmål- og svar-test. Træningsomkostningerne var på ca. 38.000 dollars på MosaicML-platformen, med en beregningsvarighed på 6,25 dage. I modsætning hertil er den endelige træningsløb for GPT-3 estimeret til at have kostet næsten 5 millioner dollars i beregning.