Open-Source Auto-Gpt e BabyAGI Integram Recursividade em Aplicações de IA

Desenvolvimentos recentes envolvendo Auto-GPT e BabyAGI demonstraram o impressionante potencial de agentes autônomos, gerando considerável entusiasmo dentro das esferas de pesquisa e desenvolvimento de software de IA. Esses agentes, baseados em grandes modelos de linguagem (LLMs), são capazes de realizar sequências de tarefas intricadas em resposta a prompts do usuário. Ao empregar uma variedade de recursos, como acesso à internet e a arquivos locais, outras APIs e estruturas de memória básicas, esses agentes exibem avanços iniciais na integração de recursividade em aplicações de IA.

O que é BabyAGI?

BabyAGI, introduzido por Yohei Nakajima via Twitter em 28 de março de 2023, é uma iteração simplificada do agente autônomo original baseado em tarefas. Utilizando as capacidades de processamento de linguagem natural (NLP) da OpenAI e Pinecone para armazenar e recuperar resultados de tarefas em contexto, BabyAGI fornece uma experiência eficiente e amigável ao usuário. Com um código conciso de 140 linhas, BabyAGI é fácil de compreender e expandir.

O nome BabyAGI é de fato significativo, pois essas ferramentas impulsionam persistentemente a sociedade em direção a sistemas de IA que, embora ainda não tenham alcançado Inteligência Artificial Geral (AGI), estão aumentando exponencialmente em poder. O ecossistema de IA experimenta novos avanços diariamente, e com futuros avanços e o potencial para uma versão do GPT capaz de se auto-promptar para lidar com problemas complexos, esses sistemas agora dão aos usuários a impressão de interagir com AGIs.

O que é Auto-GPT?

Auto-GPT é um agente de IA projetado para alcançar metas expressas em linguagem natural, dividindo-as em sub-tarefas menores e utilizando recursos como a internet e outras ferramentas em um loop automatizado. Esse agente emprega as APIs GPT-4 ou GPT-3.5 da OpenAI e se destaca como uma das aplicações pioneiras que usam GPT-4 para realizar tarefas autônomas.

Ao contrário de sistemas interativos, como ChatGPT, que dependem de instruções manuais para cada tarefa, Auto-GPT define novas metas para si mesmo para alcançar um objetivo maior, sem necessariamente exigir intervenção humana. Capaz de gerar respostas a prompts para cumprir uma tarefa específica, Auto-GPT também pode criar e modificar seus próprios prompts para instâncias recursivas com base em informações recém-adquiridas.

O que isso Significa para o Futuro

Embora ainda esteja na fase experimental e com algumas limitações, os agentes estão prestes a impulsionar ganhos de produtividade facilitados pela diminuição dos custos de hardware e software de IA. De acordo com a pesquisa da ARK Invest, o software de IA pode potencialmente produzir até 14 trilhões de dólares em receita e 90 trilhões de dólares em valor de empresa até 2030. À medida que os modelos fundamentais, como o GPT-4, continuam a progredir, numerousas empresas estão optando por treinar seus próprios modelos menores e especializados. Embora os modelos fundamentais tenham uma ampla gama de aplicações, os modelos menores e especializados oferecem vantagens, como custos de inferência reduzidos.

Além disso, muitas empresas preocupadas com questões de direitos autorais e governança de dados estão escolhendo desenvolver seus próprios modelos proprietários usando uma combinação de dados públicos e privados. Um exemplo notável é um LLM de 2,7 bilhões de parâmetros treinado em dados biomédicos do PubMed, que alcançou resultados promissores no teste de perguntas e respostas do Exame de Licenciamento Médico dos EUA (USMLE). O custo de treinamento foi de aproximadamente 38.000 dólares na plataforma MosaicML, com uma duração de computação de 6,25 dias. Em contraste, a execução final do treinamento do GPT-3 é estimada em quase 5 milhões de dólares em computação.