Open-Source-Auto-GPT- & BabyAGI-Integration von Rekursion in KI-Anwendungen

Aktuelle Entwicklungen im Bereich von Auto-GPT und BabyAGI haben das beeindruckende Potenzial autonomer Agenten demonstriert und erhebliche Begeisterung in der KI-Forschung und der Software-Entwicklung ausgelöst. Diese Agenten, die auf großen Sprachmodellen (LLMs) basieren, sind in der Lage, komplexe Aufgabenfolgen als Reaktion auf Benutzereingaben auszuführen. Durch die Nutzung verschiedener Ressourcen wie Internet- und lokalen Dateizugriff, andere APIs und grundlegende Speicherstrukturen zeigen diese Agenten frühe Fortschritte bei der Integration von Rekursion in KI-Anwendungen.

Was ist BabyAGI?

BabyAGI, das von Yohei Nakajima am 28. März 2023 über Twitter vorgestellt wurde, ist eine gestreamte Version des ursprünglichen Task-Driven Autonomous Agent. Durch die Nutzung von OpenAIs Fähigkeiten im Bereich der natürlichen Sprachverarbeitung (NLP) und Pinecone für die Speicherung und Abrufung von Aufgabenresultaten im Kontext bietet BabyAGI eine effiziente und benutzerfreundliche Erfahrung. Mit nur 140 Codezeilen ist BabyAGI leicht verständlich und erweiterbar.

Der Name BabyAGI ist tatsächlich bedeutungsvoll, da diese Tools die Gesellschaft kontinuierlich in Richtung KI-Systeme vorantreiben, die, obwohl sie noch nicht das Niveau der künstlichen Allgemeinen Intelligenz (AGI) erreicht haben, exponentiell an Leistung zunehmen. Das KI-Ökosystem erlebt täglich neue Fortschritte, und mit zukünftigen Durchbrüchen und der Möglichkeit, eine Version von GPT zu entwickeln, die sich selbst auffordern kann, komplexe Probleme zu lösen, vermitteln diese Systeme den Benutzern den Eindruck, mit AGIs zu interagieren.

Was ist Auto-GPT?

Auto-GPT ist ein KI-Agent, der darauf ausgelegt ist, Ziele zu erreichen, die in natürlicher Sprache ausgedrückt werden, indem er sie in kleinere Teilziele unterteilt und Ressourcen wie das Internet und andere Werkzeuge in einer automatisierten Schleife nutzt. Dieser Agent nutzt die OpenAI-GPT-4- oder GPT-3.5-APIs und zeichnet sich als eine der Pionieranwendungen aus, die GPT-4 zur Ausführung autonomer Aufgaben einsetzen.

Im Gegensatz zu interaktiven Systemen wie ChatGPT, die für jede Aufgabe manuelle Anweisungen erfordern, setzt Auto-GPT neue Ziele für sich selbst, um ein größeres Ziel zu erreichen, ohne notwendigerweise menschliche Intervention zu erfordern. Auto-GPT kann Antworten auf Eingaben generieren, um eine bestimmte Aufgabe zu erfüllen, und kann auch eigene Eingaben für rekursive Instanzen auf der Grundlage neu erlangter Informationen erstellen und ändern.

Was bedeutet dies für die Zukunft?

Obwohl noch in der experimentellen Phase und mit einigen Einschränkungen, sind Agenten in der Lage, Produktivitätsgewinne zu steigern, die durch die sinkenden Kosten von KI-Hardware und -Software ermöglicht werden. Laut ARK Invests Forschung könnte KI-Software bis 2030 möglicherweise 14 Billionen US-Dollar an Umsatz und 90 Billionen US-Dollar an Unternehmenswert erzeugen. Da grundlegende Modelle wie GPT-4 weiter fortschreiten, entscheiden sich viele Unternehmen dafür, ihre eigenen kleineren, spezialisierten Modelle auszubilden. Während grundlegende Modelle eine breite Palette von Anwendungen haben, bieten kleinere spezialisierte Modelle Vorteile wie reduzierte Inferenzkosten.

Darüber hinaus entscheiden sich viele Unternehmen, die sich um Urheberrechtsfragen und Datenverwaltung sorgen, dafür, ihre eigenen proprietären Modelle mithilfe einer Kombination aus öffentlichen und privaten Daten zu entwickeln. Ein bemerkenswertes Beispiel ist ein LLM mit 2,7 Milliarden Parametern, das auf PubMed-biomedizinischen Daten trainiert wurde, das vielversprechende Ergebnisse im Frage- und Antwort-Test der US-Ärztlichen Lizenzprüfung (USMLE) erzielte. Die Trainingskosten betrugen etwa 38.000 US-Dollar auf der MosaicML-Plattform mit einer Rechenzeit von 6,25 Tagen. Im Vergleich dazu wird der finale Trainingslauf von GPT-3 auf etwa 5 Millionen US-Dollar an Rechenkosten geschätzt.