בינה מלאכותית
Auto-Gpt ו-BabyAGI בקוד פתוח משלבים רקורסיה ביישומי בינה מלאכותית
התפתחויות אחרונות הכוללות אוטומטי-GPT ו BabyAGI הוכיחו את הפוטנציאל המרשים של סוכנים אוטונומיים, ויצרו התלהבות רבה בתחומי המחקר והפיתוח של הבינה המלאכותית. סוכנים אלה, המבוססים על מודלים של שפה גדולה (LLMs), מסוגלים לבצע רצפי משימות מורכבים בתגובה להנחיות המשתמש. על ידי שימוש במגוון משאבים כגון גישה לאינטרנט וקבצים מקומיים, ממשקי API אחרים ומבני זיכרון בסיסיים, סוכנים אלה מציגים התקדמות מוקדמת בשילוב הרקורסיה ביישומי AI.
מה זה BabyAGI?
BabyAGI, שהוצג על ידי Yohei Nakajima באמצעות טוויטר ב-28 במרץ 2023, הוא איטרציה יעילה של הסוכן האוטונומי המקורי מונחה משימות. תוך שימוש ביכולות עיבוד השפה הטבעית (NLP) של OpenAI ו- Pinecone לאחסון ושליפה של תוצאות משימות בהקשר, BabyAGI מספקת חוויה יעילה וידידותית למשתמש. עם קוד תמציתי של 140 שורות, קל להבין ולהרחיב את BabyAGI.
השם BabyAGI אכן משמעותי שכן הכלים הללו דוחפים את החברה בהתמדה לעבר מערכות בינה מלאכותית שאמנם עדיין לא מגיעות להישגים בינה כללית מלאכותית (AGI), גדלים באופן אקספוננציאלי בכוחם. המערכת האקולוגית של AI חווה התקדמות חדשות מדי יום, ועם פריצות דרך עתידיות והפוטנציאל לגרסה של GPT המסוגלת לעודד את עצמה להתמודד עם בעיות מורכבות, מערכות אלו נותנות למשתמשים כעת רושם של אינטראקציה עם AGIs.
מה זה Auto-GPT?
Auto-GPT הוא סוכן בינה מלאכותית שנועד להשיג מטרות המבוטאות בשפה טבעית על ידי חלוקתן למשימות משנה קטנות יותר וניצול משאבים כמו האינטרנט וכלים אחרים בלולאה אוטומטית. סוכן זה משתמש בממשקי API של GPT-4 או GPT-3.5 של OpenAI ובולט כאחד מהיישומים החלוציים המשתמשים ב-GPT-4 לביצוע משימות אוטונומיות.
בניגוד למערכות אינטראקטיביות כמו ChatGPT, התלויות בהוראות ידניות לכל משימה, Auto-GPT מגדירה לעצמה יעדים חדשים כדי להשיג מטרה גדולה יותר, מבלי להידרש בהכרח התערבות אנושית. Auto-GPT מסוגל לייצר תגובות להנחיות למילוי משימה ספציפית, Auto-GPT יכול גם ליצור ולשנות הנחיות משלה עבור מופעים רקורסיביים בהתבסס על מידע חדש שנרכש.
מה זה אומר להתקדם
למרות שעדיין בשלב הניסוי ועם מגבלות מסוימות, סוכנים מוכנים להגביר את רווחי הפרודוקטיביות בהקלה על הירידה בעלויות החומרה והתוכנה של AI. לפי המחקר של ARK Invest, תוכנת בינה מלאכותית עשויה לייצר עד 14 טריליון דולר בהכנסות ו-90 טריליון דולר בשווי ארגוני עד 2030. ככל שמודלים בסיסיים כמו GPT-4 ממשיכים להתקדם, חברות רבות בוחרות להכשיר דגמים קטנים יותר ומתמחים משלהן. בעוד שלדגמים בסיסיים יש מגוון רחב של יישומים, דגמים מיוחדים קטנים יותר מציעים יתרונות כמו עלויות מסקנות מופחתות.
יתרה מכך, עסקים רבים המודאגים בנושאי זכויות יוצרים וניהול נתונים בוחרים לפתח את המודלים הקנייניים שלהם תוך שימוש בשילוב של נתונים ציבוריים ופרטיים. דוגמה בולטת היא פרמטר של 2.7 מיליארד LLM שאומן עליו PubMed נתונים ביו-רפואיים, שהשיגו תוצאות מבטיחות במבחן השאלות והתשובות של בחינת הרישוי הרפואי האמריקאי (USMLE). עלות ההכשרה הייתה כ-$38,000 על פלטפורמת MosaicML, עם משך חישוב של 6.25 ימים. לעומת זאת, ריצת האימונים הסופית של GPT-3 מוערכת בעלות חישוב של כמעט 5 מיליון דולר.
