Open-Source-Auto-Gpt und BabyAGI integrieren Rekursion in KI-Anwendungen

Aktuelle Entwicklungen im Zusammenhang mit Auto-GPT und BabyAGI haben das beeindruckende Potenzial autonomer Agenten demonstriert und in den Bereichen KI-Forschung und Softwareentwicklung für große Begeisterung gesorgt. Diese auf großen Sprachmodellen (LLMs) basierenden Agenten sind in der Lage, als Reaktion auf Benutzeraufforderungen komplexe Aufgabensequenzen auszuführen. Durch den Einsatz verschiedener Ressourcen wie Internet- und lokaler Dateizugriff, andere APIs und grundlegende Speicherstrukturen zeigen diese Agenten frühe Fortschritte bei der Integration der Rekursion in KI-Anwendungen.

Was ist BabyAGI?

BabyAGI, eingeführt von Yohei Nakajima über Twitter am 28. März 2023, ist eine optimierte Iteration des ursprünglichen Task-Driven Autonomous Agent. Durch die Nutzung der NLP-Fähigkeiten (Natural Language Processing) von OpenAI und Pinecone zum Speichern und Abrufen von Aufgabenergebnissen im Kontext bietet BabyAGI ein effizientes und benutzerfreundliches Erlebnis. Mit knapp 140 Codezeilen ist BabyAGI leicht zu verstehen und zu erweitern.

Der Name BabyAGI ist in der Tat bedeutsam, da diese Tools die Gesellschaft kontinuierlich in Richtung KI-Systeme treiben, die dies zwar noch nicht erreichen Künstliche allgemeine Intelligenz (AGI) nehmen exponentiell an Leistung zu. Das KI-Ökosystem erlebt täglich neue Fortschritte, und mit zukünftigen Durchbrüchen und dem Potenzial für eine Version von GPT, die in der Lage ist, komplexe Probleme selbst zu lösen, vermitteln diese Systeme den Benutzern nun den Eindruck, mit AGIs zu interagieren.

Was ist Auto-GPT?

Auto-GPT ist ein KI-Agent, der in natürlicher Sprache ausgedrückte Ziele erreichen soll, indem er sie in kleinere Unteraufgaben aufteilt und Ressourcen wie das Internet und andere Tools in einer automatisierten Schleife nutzt. Dieser Agent nutzt die GPT-4- oder GPT-3.5-APIs von OpenAI und gilt als eine der bahnbrechenden Anwendungen, die GPT-4 zur Ausführung autonomer Aufgaben nutzen.

Im Gegensatz zu interaktiven Systemen wie ChatGPT, die für jede Aufgabe auf manuelle Anweisungen angewiesen sind, setzt sich Auto-GPT neue Ziele, um ein größeres Ziel zu erreichen, ohne dass unbedingt menschliches Eingreifen erforderlich ist. Auto-GPT ist in der Lage, Antworten auf Eingabeaufforderungen zur Erfüllung einer bestimmten Aufgabe zu generieren und kann auch eigene Eingabeaufforderungen für rekursive Instanzen basierend auf neu erfassten Informationen erstellen und ändern.

Was das für die Zukunft bedeutet

Obwohl sie sich noch in der experimentellen Phase und mit einigen Einschränkungen befinden, sind Agenten bereit, die Produktivitätssteigerungen zu steigern, die durch die sinkenden Kosten für KI-Hardware und -Software erleichtert werden. Entsprechend Forschung von ARK Invest, könnte KI-Software bis 14 möglicherweise einen Umsatz von bis zu 90 Billionen US-Dollar und einen Unternehmenswert von 2030 Billionen US-Dollar generieren. Während grundlegende Modelle wie GPT-4 weiter voranschreiten, entscheiden sich zahlreiche Unternehmen dafür, ihre eigenen kleineren, spezialisierten Modelle zu trainieren. Während grundlegende Modelle ein breites Anwendungsspektrum haben, bieten kleinere Spezialmodelle Vorteile wie geringere Inferenzkosten.

Darüber hinaus entscheiden sich viele Unternehmen, die über Urheberrechtsfragen und Datenverwaltung besorgt sind, dafür, ihre proprietären Modelle unter Verwendung einer Mischung aus öffentlichen und privaten Daten zu entwickeln. Ein bemerkenswertes Beispiel ist ein LLM mit 2.7 Milliarden Parametern, auf dem trainiert wird PubMed biomedizinische Daten, die beim Frage-und-Antwort-Test des US Medical Licensing Exam (USMLE) vielversprechende Ergebnisse erzielten. Die Schulungskosten beliefen sich auf etwa 38,000 US-Dollar MosaikML-Plattform, mit einer Rechendauer von 6.25 Tagen. Im Gegensatz dazu hat der letzte Trainingslauf von GPT-3 schätzungsweise fast 5 Millionen US-Dollar an Rechenleistung gekostet.