ປັນຍາປະດິດ
Open-Source Auto-Gpt & BabyAGI ລວມເອົາ Recursion ເຂົ້າໄປໃນແອັບພລິເຄຊັນ AI
ການພັດທະນາທີ່ຜ່ານມາທີ່ກ່ຽວຂ້ອງກັບ ອັດຕະໂນມັດ-GPT ແລະ BabyAGI ໄດ້ສະແດງໃຫ້ເຫັນທ່າແຮງທີ່ຫນ້າປະທັບໃຈຂອງຕົວແທນເອກະລາດ, ສ້າງຄວາມກະຕືລືລົ້ນຢ່າງຫຼວງຫຼາຍພາຍໃນການຄົ້ນຄວ້າ AI ແລະການພັດທະນາຊອບແວ. ຕົວແທນເຫຼົ່ານີ້, ໂດຍອີງໃສ່ຮູບແບບພາສາຂະຫນາດໃຫຍ່ (LLMs), ມີຄວາມສາມາດໃນການປະຕິບັດລໍາດັບຫນ້າວຽກທີ່ສັບສົນໃນການຕອບສະຫນອງຕໍ່ການເຕືອນຂອງຜູ້ໃຊ້. ໂດຍການໃຊ້ຊັບພະຍາກອນທີ່ຫຼາກຫຼາຍເຊັ່ນ: ອິນເຕີເນັດແລະການເຂົ້າເຖິງໄຟລ໌ທ້ອງຖິ່ນ, APIs ອື່ນໆ, ແລະໂຄງສ້າງຫນ່ວຍຄວາມຈໍາພື້ນຖານ, ຕົວແທນເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນຄວາມກ້າວຫນ້າເບື້ອງຕົ້ນໃນການລວມເອົາ recursion ເຂົ້າໄປໃນຄໍາຮ້ອງສະຫມັກ AI.
BabyAGI ແມ່ນຫຍັງ?
BabyAGI, ແນະນຳໂດຍ Yohei Nakajima ຜ່ານທາງ Twitter ໃນວັນທີ 28 ມີນາ 2023, ແມ່ນການປ່ຽນໃໝ່ຂອງຕົວແທນທີ່ຂັບເຄື່ອນໂດຍ Task-Driven Autonomous Agent ຕົ້ນສະບັບ. ການນໍາໃຊ້ຄວາມສາມາດປະມວນຜົນພາສາທໍາມະຊາດ (NLP) ຂອງ OpenAI ແລະ Pinecone ສໍາລັບການເກັບຮັກສາແລະດຶງຜົນໄດ້ຮັບຂອງວຽກງານໃນສະພາບການ, BabyAGI ໃຫ້ປະສົບການທີ່ມີປະສິດທິພາບແລະເປັນມິດກັບຜູ້ໃຊ້. ດ້ວຍລະຫັດຫຍໍ້ 140 ແຖວ, BabyAGI ງ່າຍທີ່ຈະເຂົ້າໃຈ ແລະຂະຫຍາຍອອກ.
ຊື່ BabyAGI ມີຄວາມສໍາຄັນຢ່າງແທ້ຈິງຍ້ອນວ່າເຄື່ອງມືເຫຼົ່ານີ້ສືບຕໍ່ຊຸກຍູ້ສັງຄົມໄປສູ່ລະບົບ AI ທີ່, ໃນຂະນະທີ່ຍັງບໍ່ທັນບັນລຸໄດ້. ປັນຍາທຽມທົ່ວໄປ (AGI), ກໍາລັງເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ. ລະບົບນິເວດ AI ປະສົບກັບຄວາມກ້າວຫນ້າໃຫມ່ປະຈໍາວັນ, ແລະມີຄວາມກ້າວຫນ້າໃນອະນາຄົດແລະທ່າແຮງສໍາລັບລຸ້ນຂອງ GPT ທີ່ສາມາດກະຕຸ້ນຕົວເອງເພື່ອແກ້ໄຂບັນຫາທີ່ສັບສົນ, ໃນປັດຈຸບັນລະບົບເຫຼົ່ານີ້ເຮັດໃຫ້ຜູ້ໃຊ້ປະທັບໃຈໃນການພົວພັນກັບ AGIs.
Auto-GPT ແມ່ນຫຍັງ?
Auto-GPT ແມ່ນຕົວແທນ AI ທີ່ຖືກອອກແບບເພື່ອບັນລຸເປົ້າຫມາຍທີ່ສະແດງອອກໃນພາສາທໍາມະຊາດໂດຍການແບ່ງອອກເປັນວຽກຍ່ອຍຂະຫນາດນ້ອຍກວ່າແລະນໍາໃຊ້ຊັບພະຍາກອນເຊັ່ນອິນເຕີເນັດແລະເຄື່ອງມືອື່ນໆໃນວົງອັດຕະໂນມັດ. ຕົວແທນນີ້ໃຊ້ APIs GPT-4 ຫຼື GPT-3.5 ຂອງ OpenAI ແລະຢືນອອກເປັນຫນຶ່ງໃນຄໍາຮ້ອງສະຫມັກບຸກເບີກທີ່ໃຊ້ GPT-4 ເພື່ອປະຕິບັດວຽກງານທີ່ເປັນເອກະລາດ.
ບໍ່ເຫມືອນກັບລະບົບການໂຕ້ຕອບເຊັ່ນ ChatGPT, ເຊິ່ງຂຶ້ນກັບຄໍາແນະນໍາຄູ່ມືສໍາລັບແຕ່ລະວຽກງານ, Auto-GPT ກໍານົດເປົ້າຫມາຍໃຫມ່ສໍາລັບຕົວມັນເອງເພື່ອບັນລຸຈຸດປະສົງທີ່ໃຫຍ່ກວ່າ, ບໍ່ຈໍາເປັນຕ້ອງມີການແຊກແຊງຂອງມະນຸດ. ຄວາມສາມາດໃນການສ້າງການຕອບສະຫນອງຕໍ່ການກະຕຸ້ນເຕືອນເພື່ອປະຕິບັດວຽກງານສະເພາະໃດຫນຶ່ງ, Auto-GPT ຍັງສາມາດສ້າງແລະດັດແປງການກະຕຸ້ນເຕືອນຂອງຕົນເອງສໍາລັບຕົວຢ່າງ recursive ໂດຍອີງໃສ່ຂໍ້ມູນທີ່ໄດ້ມາໃຫມ່.
ນີ້ຫມາຍຄວາມວ່າການກ້າວໄປຂ້າງຫນ້າ
ເຖິງແມ່ນວ່າຍັງຢູ່ໃນຂັ້ນຕອນການທົດລອງແລະມີຂໍ້ຈໍາກັດບາງຢ່າງ, ຕົວແທນແມ່ນກຽມພ້ອມທີ່ຈະເພີ່ມຜົນຜະລິດທີ່ສະດວກສະບາຍໂດຍຄ່າໃຊ້ຈ່າຍທີ່ຫຼຸດລົງຂອງຮາດແວ AI ແລະຊອບແວ. ອີງຕາມ ການຄົ້ນຄວ້າຂອງ ARK Invest, ຊອບແວ AI ສາມາດສ້າງລາຍຮັບໄດ້ເຖິງ 14 ພັນຕື້ໂດລາ ແລະ ມູນຄ່າວິສາຫະກິດ 90 ພັນຕື້ໂດລາໃນປີ 2030. ເນື່ອງຈາກຕົວແບບພື້ນຖານເຊັ່ນ GPT-4 ສືບຕໍ່ກ້າວໄປ, ບໍລິສັດຈໍານວນຫລາຍກໍາລັງເລືອກທີ່ຈະຝຶກອົບຮົມແບບຈໍາລອງແບບພິເສດຂອງຕົນເອງ. ໃນຂະນະທີ່ຕົວແບບພື້ນຖານມີການນໍາໃຊ້ຢ່າງກວ້າງຂວາງ, ຮູບແບບພິເສດຂະຫນາດນ້ອຍສະເຫນີຂໍ້ໄດ້ປຽບເຊັ່ນຄ່າໃຊ້ຈ່າຍໃນການ inference ຫຼຸດລົງ.
ຍິ່ງໄປກວ່ານັ້ນ, ທຸລະກິດຈໍານວນຫຼາຍທີ່ກັງວົນກ່ຽວກັບບັນຫາລິຂະສິດແລະການຄຸ້ມຄອງຂໍ້ມູນກໍາລັງເລືອກທີ່ຈະພັດທະນາແບບຈໍາລອງທີ່ເປັນເຈົ້າຂອງຂອງພວກເຂົາໂດຍໃຊ້ການປະສົມປະສານຂອງຂໍ້ມູນສາທາລະນະແລະເອກະຊົນ. ຕົວຢ່າງທີ່ໂດດເດັ່ນແມ່ນ 2.7 ຕື້ພາລາມິເຕີ LLM ທີ່ໄດ້ຮັບການຝຶກອົບຮົມ PubMed ຂໍ້ມູນທາງຊີວະພາບ, ເຊິ່ງບັນລຸໄດ້ຜົນດີໃນການທົດສອບການສອບຖາມ ແລະ ຄໍາຕອບຂອງ US Medical Licensing Exam (USMLE). ຄ່າໃຊ້ຈ່າຍໃນການຝຶກອົບຮົມແມ່ນປະມານ 38,000 ໂດລາ ເວທີ MosaicML, ມີໄລຍະເວລາຄອມພິວເຕີ້ 6.25 ມື້. ໃນທາງກົງກັນຂ້າມ, ການຝຶກອົບຮົມຂັ້ນສຸດທ້າຍຂອງ GPT-3 ຄາດວ່າຈະມີມູນຄ່າເກືອບ 5 ລ້ານໂດລາໃນຄອມພິວເຕີ້.