Открытое Авто-GPT и BabyAGI Интегрируют Рекурсию в Приложения ИИ

Недавние разработки, связанные с Авто-GPT и BabyAGI, продемонстрировали впечатляющий потенциал автономных агентов, вызвав значительный энтузиазм в сфере исследований ИИ и разработки программного обеспечения. Эти агенты, основанные на больших языковых моделях (LLM), способны выполнять сложные последовательности задач в ответ на запросы пользователей. Используя различные ресурсы, такие как доступ к интернету и локальным файлам, другие API и базовые структуры памяти, эти агенты демонстрируют ранние достижения в интеграции рекурсии в приложения ИИ.

Что такое BabyAGI?

BabyAGI, представленный Yohei Nakajima в Twitter 28 марта 2023 года, является упрощенной версией исходного автономного агента, управляемого задачами. Используя возможности обработки естественного языка (NLP) OpenAI и Pinecone для хранения и извлечения результатов задач в контексте, BabyAGI обеспечивает эффективный и удобный пользовательский опыт. С компактным кодом из 140 строк, BabyAGI легко понимается и может быть расширен.

Название BabyAGI действительно значимо, поскольку эти инструменты постоянно продвигают общество к системам ИИ, которые, хотя еще не достигают Искусственного Общего Интеллекта (AGI), экспоненциально увеличиваются в мощности. Экосистема ИИ переживает новые достижения каждый день, и с будущими прорывами и потенциалом для версии GPT, способной самостоятельно формулировать запросы для решения сложных задач, эти системы теперь дают пользователям впечатление взаимодействия с AGI.

Что такое Авто-GPT?

Авто-GPT – это агент ИИ, предназначенный для достижения целей, выраженных в естественном языке, путем деления их на более мелкие подзадачи и использования ресурсов, таких как интернет и другие инструменты, в автоматизированном цикле. Этот агент использует API GPT-4 или GPT-3.5 от OpenAI и выделяется как одно из пионерских приложений, использующих GPT-4 для выполнения автономных задач.

В отличие от интерактивных систем, таких как ChatGPT, которые полагаются на ручные инструкции для каждой задачи, Авто-GPT задает новые цели для себя, чтобы достичь более крупной цели, без необходимости человеческого вмешательства. Способный генерировать ответы на запросы для выполнения конкретной задачи, Авто-GPT также может создавать и изменять свои собственные запросы для рекурсивных случаев на основе новой информации.

Что это значит дальше

Хотя все еще находятся в экспериментальной фазе и имеют некоторые ограничения, агенты готовы повысить производительность, облегченную снижением затрат на оборудование и программное обеспечение ИИ. Согласно исследованиям ARK Invest, программное обеспечение ИИ может потенциально произвести до 14 триллионов долларов дохода и 90 триллионов долларов стоимости предприятия к 2030 году. Поскольку основные модели, такие как GPT-4, продолжают прогрессировать, многие компании выбирают обучение своих собственных более мелких, специализированных моделей. Хотя основные модели имеют широкий спектр применения, более мелкие специализированные модели предлагают такие преимущества, как снижение затрат на вывод.

Более того, многие компании, обеспокоенные вопросами авторских прав и управления данными, выбирают разработку своих собственных проприетарных моделей, используя смесь публичных и частных данных. Заметным примером является LLM с 2,7 миллиардами параметров, обученный на биомедицинских данных PubMed, который показал перспективные результаты на тесте вопросов и ответов экзамена на медицинскую лицензию США (USMLE). Стоимость обучения составила примерно 38 000 долларов на платформе MosaicML, с продолжительностью вычислений 6,25 дней. В отличие от этого, окончательный запуск обучения GPT-3, как估计, обошелся примерно в 5 миллионов долларов в вычислительных затратах.