Auto-Gpt de código aberto e BabyAGI integram recursão em aplicativos de IA

Desenvolvimentos recentes envolvendo Auto-GPT e BebêAGI demonstraram o impressionante potencial de agentes autônomos, gerando considerável entusiasmo nas esferas de pesquisa e desenvolvimento de software em IA. Esses agentes, baseados em modelos de linguagem grandes (LLMs), são capazes de executar sequências de tarefas intrincadas em resposta a solicitações do usuário. Ao empregar uma variedade de recursos, como internet e acesso a arquivos locais, outras APIs e estruturas básicas de memória, esses agentes exibem avanços iniciais na integração da recursão em aplicativos de IA.

O que é BabyAGI?

BabyAGI, apresentado por Yohei Nakajima via Twitter em 28 de março de 2023, é uma iteração simplificada do agente autônomo orientado a tarefas original. Utilizando as habilidades de processamento de linguagem natural (PNL) do OpenAI e o Pinecone para armazenar e recuperar resultados de tarefas no contexto, o BabyAGI oferece uma experiência eficiente e fácil de usar. Com 140 linhas de código concisas, BabyAGI é fácil de compreender e expandir.

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

O que é Auto-GPT?

O Auto-GPT é um agente de IA projetado para atingir objetivos expressos em linguagem natural, dividindo-os em subtarefas menores e utilizando recursos como a Internet e outras ferramentas em um loop automatizado. Este agente emprega as APIs GPT-4 ou GPT-3.5 da OpenAI e se destaca como uma das aplicações pioneiras que utilizam GPT-4 para realizar tarefas autônomas.

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

O que isso significa seguir em frente

Embora ainda em fase experimental e com algumas limitações, os agentes estão preparados para aumentar os ganhos de produtividade facilitados pela diminuição dos custos de hardware e software de IA. De acordo com Pesquisa da ARK Invest, o software de IA pode gerar até US$ 14 trilhões em receita e US$ 90 trilhões em valor empresarial até 2030. À medida que modelos fundamentais como o GPT-4 continuam a progredir, várias empresas estão optando por treinar seus próprios modelos menores e especializados. Embora os modelos fundamentais tenham uma ampla gama de aplicações, os modelos especializados menores oferecem vantagens, como custos de inferência reduzidos.

Além disso, muitas empresas preocupadas com questões de direitos autorais e governança de dados estão optando por desenvolver seus modelos proprietários usando uma mistura de dados públicos e privados. Um exemplo notável é um LLM de 2.7 bilhões de parâmetros treinado em PubMed dados biomédicos, que obtiveram resultados promissores no teste de perguntas e respostas do US Medical Licensing Exam (USMLE). O custo do treinamento foi de aproximadamente US$ 38,000 no Plataforma MosaicML, com uma duração de computação de 6.25 dias. Por outro lado, estima-se que a execução final do treinamento do GPT-3 tenha custado quase US$ 5 milhões em computação.