Åpne kilde Auto-GPT og BabyAGI integrerer rekursjon i AI-applikasjoner

Nylige utviklingsprosesser med Auto-GPT og BabyAGI har demonstrert den imponerende potensialet til autonome agenter, og har generert betydelig entusiasme innen AI-forskning og programvareutvikling. Disse agentene, basert på store språkmodeller (LLM), er i stand til å utføre komplekse oppgavesequenser som svar på brukerforespørsler. Ved å bruke en rekke ressurser som internett og lokal filtilgang, andre API-er og grunnleggende minnestrukturer, viser disse agentene tidlige fremskritt i å integrere rekursjon i AI-applikasjoner.

Hva er BabyAGI?

BabyAGI, introdusert av Yohei Nakajima via Twitter 28. mars 2023, er en strømlinjeformet iterasjon av den opprinnelige oppgave-drevne autonome agent. Ved å bruke OpenAI sine naturlige språkbehandlingsmuligheter (NLP) og Pinecone for å lagre og hente oppgaveresultater i kontekst, tilbyr BabyAGI en effektiv og brukervennlig erfaring. Med en konsis 140 linjer med kode, er BabyAGI lett å forstå og utvide.
Navnet BabyAGI er virkelig betydningsfullt, da disse verktøyene kontinuerlig driver samfunnet mot AI-systemer som, selv om de ennå ikke har nådd Artificial General Intelligence (AGI), øker eksponentielt i kraft. AI-økosystemet opplever nye fremskritt daglig, og med fremtidige gjennombrudd og muligheten for en versjon av GPT som kan fremme seg selv til å løse komplekse problemer, gir disse systemene nå brukerne inntrykk av å samhandle med AGI-er.

Hva er Auto-GPT?

Auto-GPT er en AI-agent designet til å oppnå mål uttrykt i naturlig språk ved å dele dem inn i mindre underoppgaver og bruke ressurser som internett og andre verktøy i en automatisert løkke. Denne agenten bruker OpenAI sine GPT-4 eller GPT-3.5 API-er og skiller seg ut som en av de pionerende applikasjonene som bruker GPT-4 til å utføre autonome oppgaver.
I motsetning til interaktive systemer som ChatGPT, som avhenger av manuelle instruksjoner for hver oppgave, setter Auto-GPT nye mål for seg selv for å oppnå et større mål, uten å nødvendigvis kreve menneskelig inngripen. I stand til å generere svar på forespørsler for å fullføre en bestemt oppgave, kan Auto-GPT også lage og modifisere sine egne forespørsler for rekursive eksempler basert på nytt tilegnet informasjon.

Hva dette betyr fremover

Selv om de ennå er i eksperimentalfasen og har noen begrensninger, er agentene i stand til å øke produktivitetsgevinstene som muliggjøres av de synkende kostnadene til AI-hardware og -programvare. Ifølge ARK Invests forskning, kan AI-programvare potensielt produsere opptil 14 billioner dollar i omsetning og 90 billioner dollar i bedriftsverdi innen 2030. Etter hvert som grunnleggende modeller som GPT-4 fortsetter å utvikle seg, velger mange selskaper å trene sine egne mindre, spesialiserte modeller. Mens grunnleggende modeller har et bredt spekter av anvendelser, tilbyr mindre spesialiserte modeller fordeler som reduserte inferenskostnader.

I tillegg velger mange bedrifter som er bekymret for opphavsrettsproblemer og datastyring å utvikle sine egne proprietære modeller ved å bruke en blanding av offentlige og private data. Et bemerkelsesverdig eksempel er en 2,7 milliarder parameter LLM trent på PubMed biomedisinske data, som oppnådde lovende resultater på den amerikanske medisinske lisensprøven (USMLE) spørsmål-og-svar-test. Treningkostnadene var omtrent 38 000 dollar på MosaicML-plattformen, med en beregningsvarighet på 6,25 dager. I kontrast er den endelige treningssyklusen til GPT-3 anslått å ha kostet nærmere 5 millioner dollar i beregning.