Öppen-källkods-Auto-GPT och BabyAGI integrerar rekursion i AI-applikationer

Senaste utvecklingen som involverar Auto-GPT och BabyAGI har demonstrerat den imponerande potentialen hos autonoma agenter, vilket har genererat betydande entusiasm inom AI-forskning och mjukvaruutveckling. Dessa agenter, som bygger på stora språkmodeller (LLM), kan utföra invecklade uppgiftssekvenser som svar på användarprompt. Genom att använda en mängd olika resurser, såsom internet och lokal filåtkomst, andra API:er och grundläggande minnesstrukturer, visar dessa agenter tidiga framsteg i att integrera rekursion i AI-applikationer.

Vad är BabyAGI?

BabyAGI, som introducerades av Yohei Nakajima via Twitter den 28 mars 2023, är en strömlinjeformad version av den ursprungliga uppgiftsdrivna autonoma agenten. Genom att använda OpenAI:s naturliga språkbehandling (NLP) och Pinecone för att lagra och hämta uppgiftsresultat i sammanhang, erbjuder BabyAGI en effektiv och användarvänlig upplevelse. Med en koncis 140 rader kod är BabyAGI lätt att förstå och bygga vidare på.

Namnet BabyAGI är verkligen betydelsefullt, eftersom dessa verktyg beständigt driver samhället mot AI-system som, även om de ännu inte uppnår Artificiell Allmän Intelligens (AGI), ökar exponentiellt i kraft. AI-ekosystemet upplever nya framsteg varje dag, och med framtida genombrott och möjligheten till en version av GPT som kan prompta sig själv att hantera komplexa problem, ger dessa system nu användarna intrycket av att interagera med AGI.

Vad är Auto-GPT?

Auto-GPT är en AI-agent som är utformad för att uppnå mål som uttrycks i naturligt språk genom att dela upp dem i mindre underuppgifter och använda resurser som internet och andra verktyg i en automatiserad loop. Denna agent använder OpenAI:s GPT-4 eller GPT-3.5 API:er och utmärker sig som en av de banbrytande applikationerna som använder GPT-4 för att utföra autonoma uppgifter.

Till skillnad från interaktiva system som ChatGPT, som är beroende av manuella instruktioner för varje uppgift, ställer Auto-GPT upp nya mål för sig själv för att uppnå ett större mål, utan att nödvändigtvis kräva mänskligt ingripande. Kapabel att generera svar på prompt för att uppfylla en specifik uppgift, kan Auto-GPT också skapa och modifiera sina egna prompt för rekursiva instanser baserat på nytt förvärvat information.

Vad detta betyder för framtiden

Även om de fortfarande är i experimentell fas och har vissa begränsningar, är agenter redo att öka produktivitetsvinster som underlättas av de minskande kostnaderna för AI-hårdvara och -mjukvara. Enligt ARK Invests forskning kan AI-mjukvara potentiellt producera upp till 14 biljoner dollar i intäkter och 90 biljoner dollar i företagsvärde till 2030. När grundläggande modeller som GPT-4 fortsätter att utvecklas, väljer många företag att utbilda sina egna mindre, specialiserade modeller. Medan grundläggande modeller har ett brett utbud av applikationer, erbjuder mindre specialiserade modeller fördelar som minskade inferenskostnader.

Dessutom väljer många företag som är oroliga för upphovsrättsfrågor och datastyrning att utveckla sina egna proprietära modeller med en blandning av offentliga och privata data. Ett anmärkningsvärt exempel är en 2,7 miljarder parametrar LLM som tränats på PubMed biomedicinska data, som uppnådde lovande resultat på den amerikanska läkarlicensprovet (USMLE) fråga-och-svar-test. Träningskostnaden var ungefär 38 000 dollar på MosaicML-plattformen, med en beräkningsvaraktighet på 6,25 dagar. I kontrast beräknas den slutliga träningskörningen av GPT-3 ha kostat nästan 5 miljoner dollar i beräkning.