Open-Source Auto-Gpt & BabyAGI Mengintegrasikan Rekursi ke Aplikasi AI

Pengembangan terkini yang melibatkan Auto-GPT dan BabyAGI telah menunjukkan potensi luar biasa dari agen otonom, menghasilkan antusiasme besar dalam penelitian AI dan pengembangan perangkat lunak. Agen-agen ini, yang berbasis pada model bahasa besar (LLM), mampu melakukan urutan tugas yang rumit sebagai respons terhadap prompt pengguna. Dengan menggunakan berbagai sumber daya seperti akses internet dan file lokal, API lain, dan struktur memori dasar, agen-agen ini menampilkan kemajuan awal dalam mengintegrasikan rekursi ke aplikasi AI.

Apa itu BabyAGI?

BabyAGI, yang diperkenalkan oleh Yohei Nakajima melalui Twitter pada 28 Maret 2023, adalah iterasi yang disederhanakan dari Agen Otonom Berbasis Tugas Asli. Menggunakan kemampuan pemrosesan bahasa alami (NLP) OpenAI dan Pinecone untuk menyimpan dan mengambil hasil tugas dalam konteks, BabyAGI menyediakan pengalaman yang efisien dan ramah pengguna. Dengan kode yang ringkas 140 baris, BabyAGI mudah dipahami dan diperluas.

Nama BabyAGI memang signifikan karena alat-alat ini terus mendorong masyarakat menuju sistem AI yang, meskipun belum mencapai Kecerdasan Umum Buatan (AGI), meningkat secara eksponensial dalam kekuatan. Ekosistem AI mengalami kemajuan baru setiap hari, dan dengan terobosan di masa depan dan potensi versi GPT yang dapat memicu dirinya sendiri untuk menangani masalah kompleks, sistem-sistem ini sekarang memberi pengguna kesan berinteraksi dengan AGI.

Apa itu Auto-GPT?

Auto-GPT adalah agen AI yang dirancang untuk mencapai tujuan yang diekspresikan dalam bahasa alami dengan membagi mereka menjadi sub-tugas yang lebih kecil dan menggunakan sumber daya seperti internet dan alat lain dalam loop otomatis. Agen ini menggunakan API GPT-4 atau GPT-3.5 OpenAI dan menonjol sebagai salah satu aplikasi pelopor yang menggunakan GPT-4 untuk melakukan tugas otonom.

Tidak seperti sistem interaktif seperti ChatGPT, yang bergantung pada instruksi manual untuk setiap tugas, Auto-GPT menetapkan tujuan baru untuk dirinya sendiri untuk mencapai tujuan yang lebih besar, tanpa memerlukan intervensi manusia. Mampu menghasilkan respons terhadap prompt untuk memenuhi tugas tertentu, Auto-GPT juga dapat membuat dan memodifikasi promptnya sendiri untuk instance rekursif berdasarkan informasi baru yang diperoleh.

Apa yang Dimaksud Ini ke Depan

Meskipun masih dalam fase eksperimental dan dengan beberapa keterbatasan, agen-agen ini siap untuk meningkatkan produktivitas yang difasilitasi oleh biaya perangkat keras dan perangkat lunak AI yang menurun. Menurut penelitian ARK Invest, perangkat lunak AI dapat menghasilkan pendapatan hingga $14 triliun dan nilai perusahaan hingga $90 triliun pada tahun 2030. Ketika model dasar seperti GPT-4 terus berkembang, banyak perusahaan memilih untuk melatih model yang lebih kecil dan khusus. Sementara model dasar memiliki berbagai aplikasi, model khusus yang lebih kecil menawarkan kelebihan seperti biaya inferensi yang berkurang.

Lebih lanjut, banyak bisnis yang khawatir tentang masalah hak cipta dan tata kelola data memilih untuk mengembangkan model proprietary mereka sendiri menggunakan campuran data publik dan pribadi. Contoh yang menonjol adalah LLM dengan 2,7 miliar parameter yang dilatih pada data biomedis PubMed, yang mencapai hasil yang menjanjikan pada tes pertanyaan dan jawaban Ujian Lisensi Medis AS (USMLE). Biaya pelatihan sekitar $38.000 pada platform MosaicML, dengan durasi komputasi 6,25 hari. Sebaliknya, pelatihan akhir GPT-3 diperkirakan telah menelan biaya sekitar $5 juta dalam komputasi.