AI-modellen en platforms
Open-Source Auto-Gpt & BabyAGI Integreren Recursie in AI-Toepassingen
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Recent ontwikkelingen met betrekking tot Auto-GPT en BabyAGI hebben het indrukwekkende potentieel van autonome agenten gedemonstreerd, waardoor er aanzienlijke enthousiasme is ontstaan binnen de AI-onderzoeks- en softwareontwikkelingsgebieden. Deze agenten, gebaseerd op grote taalmodellen (LLM’s), zijn in staat om complexe taaksequenties uit te voeren in reactie op gebruikersprompts. Door het gebruik van een verscheidenheid aan bronnen zoals internet- en lokale bestands-toegang, andere API’s en basisgeheugenstructuren, tonen deze agenten vroege vooruitgang in het integreren van recursie in AI-toepassingen.
Wat is BabyAGI?
BabyAGI, geïntroduceerd door Yohei Nakajima via Twitter op 28 maart 2023, is een gestroomlijnde iteratie van de oorspronkelijke Taak-Gedreven Autonome Agent. Met behulp van OpenAI’s natuurlijke taalverwerking (NLP) en Pinecone voor het opslaan en ophalen van taakresultaten in context, biedt BabyAGI een efficiënte en gebruikersvriendelijke ervaring. Met een concies 140 regels code is BabyAGI gemakkelijk te begrijpen en uit te breiden.
De naam BabyAGI is inderdaad significant, aangezien deze tools de samenleving voortdurend naar AI-systemen duwen die, hoewel ze nog niet het niveau van Artificiële Algemene Intelligentie (AGI) hebben bereikt, exponentieel in kracht toenemen. Het AI-ecosysteem ervaart dagelijks nieuwe vooruitgang, en met toekomstige doorbraken en het potentieel voor een versie van GPT die zichzelf kan aanzetten om complexe problemen aan te pakken, geven deze systemen gebruikers nu de indruk dat ze met AGI’s communiceren.
Wat is Auto-GPT?
Auto-GPT is een AI-agent ontworpen om doelen uitgedrukt in natuurlijke taal te bereiken door ze op te delen in kleinere subtaken en het gebruik van bronnen zoals internet en andere tools in een geautomatiseerde lus. Deze agent maakt gebruik van OpenAI’s GPT-4- of GPT-3.5-API’s en staat uit als een van de pionierstoepassingen die GPT-4 gebruiken om autonome taken uit te voeren.
In tegenstelling tot interactieve systemen zoals ChatGPT, die afhankelijk zijn van handmatige instructies voor elke taak, stelt Auto-GPT nieuwe doelen voor zichzelf om een groter doel te bereiken, zonder noodzakelijkerwijs menselijke tussenkomst te vereisen. In staat om antwoorden te genereren op prompts om een specifieke taak te voltooien, kan Auto-GPT ook zijn eigen prompts creëren en modificeren voor recursieve instanties op basis van nieuw verworven informatie.
Wat dit betekent voor de Toekomst
Hoewel nog steeds in het experimentele stadium en met enkele beperkingen, zijn agenten klaar om productiviteitswinsten te verhogen die worden gefaciliteerd door de dalende kosten van AI-hardware en -software. Volgens ARK Invest’s onderzoek kan AI-software mogelijk tot $14 biljoen aan omzet en $90 biljoen aan ondernemingswaarde produceren tegen 2030. Terwijl fundamentele modellen zoals GPT-4 voortdurend vooruitgang boeken, kiezen veel bedrijven ervoor om hun eigen kleinere, gespecialiseerde modellen te trainen. Hoewel fundamentele modellen een breed scala aan toepassingen hebben, bieden kleinere gespecialiseerde modellen voordelen zoals verlaagde inferentiekosten.
Daarnaast kiezen veel bedrijven die bezorgd zijn over auteursrechtskwesties en gegevensbeheer ervoor om hun eigen propriëtaire modellen te ontwikkelen met een mengsel van openbare en particuliere gegevens. Een opvallend voorbeeld is een 2,7 miljard parameter LLM getraind op PubMed biomedische gegevens, die veelbelovende resultaten behaalde op de vraag- en antwoordtest van het US Medical Licensing Exam (USMLE). De trainingskosten waren ongeveer $38.000 op het MosaicML-platform, met een berekeningsduur van 6,25 dagen. In tegenstelling tot de finale trainingsrun van GPT-3, die naar schatting bijna $5 miljoen aan berekeningskosten had,
