Integración de Recursividad en Aplicaciones de IA con Auto-GPT y BabyAGI de Código Abierto

Los desarrollos recientes que involucran a Auto-GPT y BabyAGI han demostrado el impresionante potencial de los agentes autónomos, generando un considerable entusiasmo dentro de la investigación de IA y el desarrollo de software. Estos agentes, basados en grandes modelos de lenguaje (LLM), son capaces de realizar secuencias de tareas intrincadas en respuesta a las instrucciones del usuario. Al emplear una variedad de recursos como el acceso a internet y archivos locales, otras API y estructuras de memoria básicas, estos agentes muestran avances tempranos en la integración de la recursividad en las aplicaciones de IA.

¿Qué es BabyAGI?

BabyAGI, presentado por Yohei Nakajima a través de Twitter el 28 de marzo de 2023, es una iteración simplificada del Agente Autónomo Orientado a Tareas original. Utilizando las capacidades de procesamiento de lenguaje natural (NLP) de OpenAI y Pinecone para almacenar y recuperar resultados de tareas en contexto, BabyAGI proporciona una experiencia eficiente y amigable para el usuario. Con un conciso código de 140 líneas, BabyAGI es fácil de comprender y expandir.

El nombre BabyAGI es indeed significativo, ya que estas herramientas impulsan persistentemente a la sociedad hacia sistemas de IA que, aunque no han alcanzado aún la Inteligencia Artificial General (AGI), están aumentando exponencialmente en poder. El ecosistema de IA experimenta nuevos avances diariamente, y con futuros avances y la posibilidad de una versión de GPT capaz de auto-estimularse para abordar problemas complejos, estos sistemas ahora dan a los usuarios la impresión de interactuar con AGI.

¿Qué es Auto-GPT?

Auto-GPT es un agente de IA diseñado para lograr objetivos expresados en lenguaje natural dividiéndolos en subtareas más pequeñas y utilizando recursos como internet y otras herramientas en un bucle automatizado. Este agente emplea las API de GPT-4 o GPT-3.5 de OpenAI y se destaca como una de las aplicaciones pioneras que utilizan GPT-4 para realizar tareas autónomas.

A diferencia de los sistemas interactivos como ChatGPT, que dependen de instrucciones manuales para cada tarea, Auto-GPT establece nuevos objetivos para sí mismo para alcanzar un objetivo más amplio, sin necesariamente requerir intervención humana. Capaz de generar respuestas a instrucciones para cumplir una tarea específica, Auto-GPT también puede crear y modificar sus propias instrucciones para instancias recursivas basadas en la información recién adquirida.

¿Qué Significa Esto para el Futuro?

Aunque todavía se encuentra en la fase experimental y con algunas limitaciones, los agentes están listos para aumentar las ganancias de productividad facilitadas por la disminución de los costos de hardware y software de IA. Según la investigación de ARK Invest, el software de IA podría producir hasta $14 billones en ingresos y $90 billones en valor empresarial para 2030. A medida que los modelos fundamentales como GPT-4 continúan progresando, numerosas empresas optan por entrenar sus propios modelos especializados más pequeños. Mientras que los modelos fundamentales tienen una amplia gama de aplicaciones, los modelos especializados más pequeños ofrecen ventajas como los costos de inferencia reducidos.

Además, muchas empresas preocupadas por cuestiones de derechos de autor y gobernanza de datos optan por desarrollar sus propios modelos propietarios utilizando una mezcla de datos públicos y privados. Un ejemplo notable es un LLM de 2.7 mil millones de parámetros entrenado en PubMed con datos biomédicos, que logró resultados prometedores en la prueba de preguntas y respuestas del Examen de Licencia Médica de EE. UU. (USMLE). El costo de entrenamiento fue de aproximadamente $38,000 en la plataforma MosaicML, con una duración de cómputo de 6.25 días. En contraste, la última ejecución de entrenamiento de GPT-3 se estima que costó cerca de $5 millones en cómputo.