Open-Source Auto-Gpt & BabyAGI Integrano La Ricorsione Nelle Applicazioni AI

Recentissimi sviluppi che coinvolgono Auto-GPT e BabyAGI hanno dimostrato il potenziale impressionante di agenti autonomi, generando un notevole entusiasmo all’interno della sfera della ricerca e dello sviluppo software AI. Questi agenti, basati su grandi modelli linguistici (LLM), sono in grado di eseguire intricate sequenze di attività in risposta a prompt dell’utente. Utilizzando una varietà di risorse come accesso a internet e file locali, altre API e strutture di memoria di base, questi agenti mostrano i primi progressi nell’integrare la ricorsione nelle applicazioni AI.

Cosa è BabyAGI?

BabyAGI, introdotto da Yohei Nakajima via Twitter il 28 marzo 2023, è un’iterazione semplificata dell’originale Task-Driven Autonomous Agent. Utilizzando le capacità di elaborazione del linguaggio naturale (NLP) di OpenAI e Pinecone per archiviare e recuperare i risultati delle attività nel contesto, BabyAGI fornisce un’esperienza efficiente e facile da usare. Con un conciso codice di 140 righe, BabyAGI è facile da comprendere e ampliare.
Il nome BabyAGI è effettivamente significativo poiché questi strumenti spingono costantemente la società verso sistemi AI che, sebbene non raggiungano ancora l’Intelligenza Artificiale Generale (AGI), aumentano esponenzialmente di potenza. L’ecosistema AI sperimenta nuove avanzate quotidianamente e, con future scoperte e la possibilità di una versione di GPT in grado di auto-promptare per affrontare problemi complessi, questi sistemi danno ora agli utenti l’impressione di interagire con AGI.

Cosa è Auto-GPT?

Auto-GPT è un agente AI progettato per raggiungere obiettivi espressi in linguaggio naturale dividendo gli obiettivi in attività più piccole e utilizzando risorse come internet e altri strumenti in un ciclo automatizzato. Questo agente utilizza le API di OpenAI GPT-4 o GPT-3.5 e si distingue come una delle applicazioni pioniere che utilizzano GPT-4 per eseguire attività autonome.
A differenza dei sistemi interattivi come ChatGPT, che dipendono da istruzioni manuali per ogni attività, Auto-GPT si pone nuovi obiettivi da raggiungere per un obiettivo più ampio, senza richiedere necessariamente l’intervento umano. In grado di generare risposte a prompt per soddisfare un’attività specifica, Auto-GPT può anche creare e modificare i propri prompt per istanze ricorsive in base alle nuove informazioni acquisite.

Cosa Significa Ciò Per Il Futuro

Sebbene ancora nella fase sperimentale e con alcune limitazioni, gli agenti sono pronti a aumentare i guadagni di produttività facilitati dal calo dei costi di hardware e software AI. Secondo la ricerca di ARK Invest, il software AI potrebbe potenzialmente produrre fino a 14 trilioni di dollari di entrate e 90 trilioni di dollari di valore aziendale entro il 2030. Mentre i modelli fondamentali come GPT-4 continuano a progredire, numerose aziende optano per l’addestramento dei propri modelli più piccoli e specializzati. Sebbene i modelli fondamentali abbiano una vasta gamma di applicazioni, i modelli specializzati più piccoli offrono vantaggi come i costi di inferenza ridotti.
Inoltre, molte aziende preoccupate per questioni di copyright e governance dei dati scelgono di sviluppare i propri modelli proprietari utilizzando una combinazione di dati pubblici e privati. Un esempio notevole è un LLM da 2,7 miliardi di parametri addestrato su PubMed dati biomedici, che ha ottenuto risultati promettenti nel test di domande e risposte dell’esame di licenza medica degli Stati Uniti (USMLE). Il costo di addestramento è stato di circa 38.000 dollari sulla piattaforma MosaicML, con una durata di calcolo di 6,25 giorni. Al contrario, l’ultimo run di addestramento di GPT-3 è stimato aver costato quasi 5 milioni di dollari in calcolo.