ไปไกลกว่า ChatGPT; AI Agent: โลกใหม่ของคนงาน

ด้วยความก้าวหน้าในด้านการเรียนรู้ลึก การประมวลผลภาษา自然 (NLP) และ AI เรากำลังอยู่ในยุคที่เอเย่นต์ AI สามารถสร้างสรรค์เป็นส่วนสำคัญของกำลังแรงงานทั่วโลก เอเย่นต์ AI เหล่านี้ซึ่ง超越ไปกว่าชัตบอทและผู้ช่วยเสียง กำลังสร้างพาราได้มใหม่สำหรับทั้งอุตสาหกรรมและชีวิตประจำวันของเรา แต่สิ่งที่แท้จริงหมายถึงการอยู่ในโลกที่เพิ่มขึ้นด้วย “คนงาน” เหล่านี้ บทความนี้จะลึกเข้าไปในภูมิทัศน์ที่กำลังพัฒนา โดยประเมินผลกระทบ ความเป็นไปได้ และความท้าทายที่อยู่ข้างหน้า

สรุปย่อ: การพัฒนาของคนงาน AI

ก่อนที่จะเข้าใจถึงการปฏิวัติที่กำลังจะเกิดขึ้น มันสำคัญที่จะต้องรับรู้ถึงการเปลี่ยนแปลงที่ได้รับแรงผลักดันจาก AI ที่เกิดขึ้นแล้ว

• ระบบคอมพิวเตอร์แบบดั้งเดิม: จากอัลกอริทึมการคำนวณพื้นฐาน การเดินทางเริ่มต้นขึ้น ระบบเหล่านี้สามารถแก้ปัญหาได้ตามกฎที่กำหนดไว้ล่วงหน้า
• ชัตบอทและผู้ช่วยเสียงในช่วงแรก: เมื่อเทคโนโลยีก้าวหน้า อินเทอร์เฟซของเราก็พัฒนาไปด้วย เครื่องมืออย่าง Siri, Cortana และชัตบอทในช่วงแรกทำให้การโต้ตอบระหว่างผู้ใช้และ AI ง่ายขึ้น แต่มีความเข้าใจและความสามารถที่จำกัด
• เครือข่ายประสาทและการเรียนรู้ลึก: เครือข่ายประสาทเป็นจุดเปลี่ยนสำคัญ โดยเลียนแบบการทำงานของสมองมนุษย์และพัฒนาผ่านประสบการณ์ เทคนิคการเรียนรู้ลึกทำให้สามารถรับรู้ภาพและเสียงที่ซับซ้อนได้
• โมเดล Transformer และ NLP ขั้นสูง: การแนะนำสถาปัตยกรรม Transformer เปลี่ยนแปลงภูมิทัศน์ของ NLP ระบบอย่าง ChatGPT ของ OpenAI, BERT และ T5 ทำให้เกิดการผ่านพื้นที่ใหม่ๆ ในการสื่อสารระหว่างมนุษย์และ AI ด้วยความเข้าใจภาษาและบริบทที่ลึกซึ้ง โมเดลเหล่านี้สามารถสนทนาอย่างมีความหมาย เขียนเนื้อหา และตอบคำถามที่ซับซ้อนได้ด้วยความแม่นยำที่ไม่เคยเกิดขึ้นมาก่อน

เข้าสู่เอเย่นต์ AI: มากกว่าการสนทนา

ภูมิทัศน์ AI ของวันนี้บ่งบอกถึงสิ่งที่กว้างขวางกว่าเครื่องมือสนทนา เอเย่นต์ AI สามารถทำงานได้มากกว่าการพูดคุย พวกมันสามารถเรียนรู้จากสภาพแวดล้อม ตัดสินใจ และแสดงความสร้างสรรค์ พวกมันไม่ได้เพียงตอบคำถาม แต่กำลังแก้ปัญหา

แบบจำลองซอฟต์แวร์แบบดั้งเดิมทำงานบนเส้นทางที่ชัดเจน ผู้มีส่วนได้ส่วนเสียแสดงเป้าหมายให้กับผู้จัดการซอฟต์แวร์ ซึ่งจากนั้นออกแบบแผนเฉพาะ วิศวกรจะดำเนินการตามแผนผ่านโค้ด ซอฟต์แวร์แบบ ‘ยุคเก่า’ ของฟังก์ชันซอฟต์แวร์มีเส้นทางที่ชัดเจน ซึ่งเกี่ยวข้องกับการแทรกแซงของผู้คนมากมาย

เอเย่นต์ AI อย่างไรก็ตาม ทำงานต่างออกไป เอเย่นต์:

1. มี เป้าหมาย ที่ต้องการบรรลุ
2. สามารถ โต้ตอบ กับ สภาพแวดล้อม ของมัน
3. สร้าง แผน ตามการสังเกตเพื่อบรรลุเป้าหมาย
4. ดำเนินการ การกระทำ ที่จำเป็น ปรับเปลี่ยนแนวทาง ตามสถานะที่เปลี่ยนแปลงของสภาพแวดล้อม

สิ่งที่ทำให้เอเย่นต์ AI แตกต่างจากโมเดลแบบดั้งเดิมคือความสามารถในการสร้างแผนขั้นตอนต่อขั้นตอนเพื่อบรรลุเป้าหมาย โดยสรุป ในขณะที่นักเขียนโปรแกรมให้แผนในยุคก่อน เอเย่นต์ AI ของวันนี้วางแผนการเดินทางของตนเอง

พิจารณาตัวอย่างในชีวิตประจำวัน ในการออกแบบซอฟต์แวร์แบบดั้งเดิม โปรแกรมจะแจ้งให้ผู้ใช้ทราบเกี่ยวกับงานที่ล่าช้าตามเงื่อนไขที่กำหนดไว้ล่วงหน้า ผู้พัฒนาจะตั้งค่าเงื่อนไขเหล่านี้ตามข้อกำหนดที่ให้โดยผู้จัดการผลิตภัณฑ์

ในยุคเอเย่นต์ AI เอเย่นต์เองตัดสินใจว่าเมื่อไหร่และจะแจ้งให้ผู้ใช้ทราบอย่างไร มันประเมินสภาพแวดล้อม (นิสัยของผู้ใช้ สภาพแอปพลิเคชัน) และตัดสินใจวิธีการดำเนินการที่ดีที่สุด กระบวนการดังนี้จึงกลายเป็นแบบไดนามิกมากขึ้น

ChatGPT เป็นการเปลี่ยนแปลงจากการใช้งานแบบดั้งเดิมด้วยการรวมปลั๊กอิน ทำให้สามารถใช้เครื่องมือภายนอกเพื่อทำงานหลายอย่างได้ มันเป็นการแสดงออกในยุคแรกของแนวคิดเอเย่นต์ หากพิจารณาตัวอย่างง่ายๆ เช่น ผู้ใช้ถามเกี่ยวกับสภาพอากาศในนิวยอร์กซิตี้ ChatGPT โดยใช้ปลั๊กอิน สามารถโต้ตอบกับ API สภาพอากาศภายนอก แปลข้อมูล และแม้แต่ปรับเปลี่ยนตามคำตอบที่ได้รับ

Current Landscape of AI Agents

เอเย่นต์ AI รวมถึง Auto-GPT, AgentGPT และ BabyAGI กำลังเปิดยุคใหม่ในจักรวาล AI ที่กว้างขวาง ในขณะที่ ChatGPT ได้รับความนิยมใน AI ที่สร้างสรรค์โดยต้องการอินพุตจากมนุษย์ วิสัยทัศน์เบื้องหลังเอเย่นต์ AI คือการทำให้ AI สามารถทำงานได้อย่างอิสระ โดยมุ่งหน้าสู่เป้าหมายด้วยการแทรกแซงจากมนุษย์น้อยที่สุด ความสามารถในการเปลี่ยนแปลงนี้ถูกเน้นย้ำโดยการเพิ่มขึ้นอย่างรวดเร็วของ Auto-GPT ซึ่งได้รับดาวมากกว่า 107,000 ดาวบน GitHub ในเพียงหกสัปดาห์หลังจากเริ่มโครงการ ซึ่งเป็นการเติบโตที่ไม่เคยเกิดขึ้นมาก่อนเมื่อเทียบกับโครงการที่มีชื่อเสียงอย่าง ‘pandas’

เอเย่นต์ AI เทียบกับ ChatGPT

เอเย่นต์ AI ที่ทันสมัยหลายตัว เช่น Auto-GPT และ BabyAGI ใช้สถาปัตยกรรม GPT เป็นหลัก จุดสนใจหลักของพวกมันคือการลดความจำเป็นในการแทรกแซงจากมนุษย์ในการทำงานของ AI คำอธิบายเช่น “GPT ในลูป” อธิบายการทำงานของโมเดลอย่าง AgentGPT และ BabyAGI พวกมันทำงานในรอบการวนซ้ำเพื่อเข้าใจคำขอของผู้ใช้และปรับปรุงเอาต์พุต ในขณะที่ Auto-GPT ขยายขอบเขตการแก้ปัญหาโดยการรวมการเข้าถึงอินเทอร์เน็ตและการดำเนินการโค้ด

นวัตกรรมในเอเย่นต์ AI

1. หน่วยความจำระยะยาว: โมเดล LLM แบบดั้งเดิมมีหน่วยความจำที่จำกัด โดยเก็บเฉพาะส่วนของการโต้ตอบที่เกิดขึ้นล่าสุด สำหรับงานที่ครอบคลุม การระลึกถึงการโต้ตอบทั้งหมดหรือแม้แต่การโต้ตอบก่อนหน้านี้เป็นสิ่งสำคัญ เพื่อเอาชนะข้อจำกัดเหล่านี้ เอเย่นต์ AI ได้นำกระบวนการทำงานแบบฝังตัวมาใช้ โดยแปลงการโต้ตอบทางข้อความเป็นแถวตัวเลข ซึ่งนำเสนอวิธีแก้ปัญหาสำหรับข้อจำกัดของหน่วยความจำ
2. ความสามารถในการท่องเว็บ: เพื่อให้สามารถติดตามเหตุการณ์ใหม่ๆ Auto-GPT ได้รับการติดตั้งด้วยความสามารถในการท่องเว็บ โดยใช้ API การค้นหา Google ซึ่งได้ทำให้เกิดการถกเถียงภายในชุมชน AI เกี่ยวกับขอบเขตของความรู้ของ AI
3. การรันโค้ด: นอกเหนือจากการสร้างโค้ด Auto-GPT ยังสามารถดำเนินการโค้ดได้ทั้งแบบเชลล์และ Python ซึ่งช่วยให้สามารถเชื่อมต่อกับซอฟต์แวร์อื่นๆ และขยายโดเมนการทำงานของมัน

แผนภาพแสดงสถาปัตยกรรมของระบบ AI ที่ขับเคลื่อนด้วยโมเดลภาษาขนาดใหญ่และเอเย่นต์

• อินพุต: ระบบได้รับข้อมูลจากแหล่งต่างๆ เช่น คำสั่งผู้ใช้โดยตรง ฐานข้อมูลที่มีโครงสร้าง เนื้อหาเว็บ และเซ็นเซอร์สภาพแวดล้อมแบบเรียลไทม์
• LLM และเอเย่นต์: ที่แกนกลาง LLM ประมวลผลอินพุตเหล่านี้ โดยทำงานร่วมกับเอเย่นต์เฉพาะทาง เช่น Auto-GPT สำหรับการเชื่อมโยงความคิด AgentGPT สำหรับงานเฉพาะทางบนเว็บ BabyAGI สำหรับการกระทำเฉพาะงาน และ HuggingGPT สำหรับการประมวลผลแบบทีม
• เอาต์พุต: หลังจากประมวลผลแล้ว ข้อมูลจะถูกแปลงเป็นรูปแบบที่ผู้ใช้สามารถเข้าใจได้ และส่งไปยังอุปกรณ์ที่สามารถกระทำหรือมีอิทธิพลต่อสภาพแวดล้อมภายนอก
• ส่วนประกอบหน่วยความจำ: ระบบเก็บข้อมูลทั้งในระยะสั้นและระยะยาว โดยใช้แคชแบบชั่วคราวและฐานข้อมูลระยะยาว
• สภาพแวดล้อม: นี่คือโดเมนภายนอกที่ส่งผลกระทบต่อเซ็นเซอร์และได้รับผลกระทบจากการกระทำของระบบ

เอเย่นต์ AI ขั้นสูง: Auto-GPT, BabyAGI และอื่นๆ

AutoGPT และ AgentGPT

AutoGPT เป็นการเปิดตัวบน GitHub ในเดือนมีนาคม 2023 เป็นแอปพลิเคชัน Python ที่ใช้พลังของ GPT โมเดลสร้างสรรค์ของ OpenAI สิ่งที่ทำให้ Auto-GPT แตกต่างจากตัวก่อนหน้าคือความเป็นอิสระ มันถูกออกแบบมาเพื่อทำงานโดยมีการกำกับดูแลจากมนุษย์น้อยที่สุด ผู้ใช้เพียงต้องกำหนดวัตถุประสงค์โดยรวม และ Auto-GPT จะสร้างคำสั่งให้เพื่อบรรลุวัตถุประสงค์นั้น ทำให้เป็นขั้นตอนสำคัญที่มีศักยภาพในการนำไปสู่ความฉลาดที่แท้จริงของ AI (AGI)

ด้วยคุณสมบัติที่ครอบคลุมตั้งแต่การเชื่อมต่ออินเทอร์เน็ต การจัดการหน่วยความจำ และความสามารถในการจัดเก็บไฟล์โดยใช้ GPT-3.5 เครื่องมือนี้มีความสามารถในการจัดการงานหลากหลาย ตั้งแต่งานทั่วไปอย่างการเขียนอีเมลไปจนถึงงานที่ซับซ้อนซึ่งต้องการการมีส่วนร่วมของมนุษย์มากขึ้น

ในทางกลับกัน AgentGPT ซึ่งสร้างขึ้นบนเฟรมเวิร์ก GPT เช่นกัน เป็นอินเทอร์เฟซที่ผู้ใช้สามารถกำหนดเป้าหมาย AI ซึ่งจากนั้นจะถูกแบ่งออกเป็นงานที่จัดการได้

AgentGPT UI

นอกจากนี้ AgentGPT ยังโดดเด่นด้วยความสามารถในการปรับเปลี่ยน มันไม่ได้จำกัดอยู่แค่การสร้างชัตบอทเท่านั้น แต่ยังสามารถสร้างแอปพลิเคชันต่างๆ เช่น บอท Discord และรวมเข้ากับ Auto-GPT ได้อย่างราบรื่น ทำให้ผู้ที่ไม่มีพื้นฐานการเขียนโค้ดสามารถทำงานได้หลากหลาย เช่น การเขียนโค้ดอัตโนมัติ การสร้างข้อความ การแปลภาษา และการแก้ปัญหา

LangChain เป็นเฟรมเวิร์กที่เชื่อมโมเดลภาษาขนาดใหญ่ (LLMs) กับเครื่องมือต่างๆ และใช้เอเย่นต์ ซึ่งมักถูกมองว่าเป็น ‘บอท’ เพื่อกำหนดและดำเนินการงานโดยเลือกเครื่องมือที่เหมาะสม เอเย่นต์เหล่านี้ทำงานร่วมกับทรัพยากรภายนอก ในขณะที่ฐานข้อมูลเวกเตอร์ใน LangChain เก็บข้อมูลที่ไม่มีโครงสร้าง ทำให้การดึงข้อมูลสำหรับ LLMs มีประสิทธิภาพ

BabyAGI

จากนั้น มี BabyAGI ซึ่งเป็นเอเย่นต์ที่มีพลังแต่เรียบง่าย เพื่อเข้าใจความสามารถของ BabyAGI ให้ลองนึกถึงผู้จัดการโครงการดิจิทัลที่สร้าง จัดระเบียบ และดำเนินการงานโดยมุ่งเน้นไปที่วัตถุประสงค์ที่กำหนดไว้ ในขณะที่แพลตฟอร์ม AI ส่วนใหญ่ถูกจำกัดด้วยความรู้ที่ได้รับการฝึกฝนมา BabyAGI โดดเด่นด้วยความสามารถในการปรับตัวและเรียนรู้จากประสบการณ์ มันสามารถตีความคำติชมและตัดสินใจตามการลองผิดลองถูก เช่นเดียวกับมนุษย์

จุดแข็งหลักของ BabyAGI ไม่ใช่แค่ความสามารถในการปรับตัว แต่ยังรวมถึงความสามารถในการรันโค้ดสำหรับวัตถุประสงค์เฉพาะด้วย มันแสดงศักยภาพในโดเมนที่ซับซ้อน เช่น การซื้อขายคริปโตเคอร์เรนซี โรบอท และการขับขี่อัตโนมัติ ทำให้เป็นเครื่องมือที่มีประโยชน์หลากหลาย

https://yoheinakajima.com/task-driven-autonomous-agent-utilizing-gpt-4-pinecone-and-langchain-for-diverse-applications/

กระบวนการสามารถแบ่งออกเป็นสามเอเย่นต์:

1. เอเย่นต์ในการดำเนินการ: จุดศูนย์กลางของระบบ เอเย่นต์นี้ใช้ API ของ OpenAI สำหรับการประมวลผลงาน
2. เอเย่นต์ในการสร้างงาน: ฟังก์ชันนี้สร้างงานใหม่ตามผลลัพธ์ก่อนหน้าและวัตถุประสงค์ปัจจุบัน
3. เอเย่นต์ในการจัดลำดับความสำคัญของงาน: ขั้นตอนสุดท้ายเกี่ยวข้องกับการจัดลำดับความสำคัญของงานตามความสำคัญ เอเย่นต์นี้ใช้ API ของ OpenAI เพื่อจัดเรียงงานใหม่เพื่อให้งานที่สำคัญที่สุดได้รับการดำเนินการก่อน

BabyAGI ทำงานร่วมกับโมเดลภาษาของ OpenAI โดยใช้ Pinecone สำหรับการจัดเก็บและดึงผลลัพธ์งานตามบริบท

ด้านล่างนี้เป็นตัวอย่างการทำงานของ BabyAGI ผ่าน ลิงก์นี้

เพื่อเริ่มต้น คุณจะต้องมีキー OpenAPI ที่ถูกต้อง สำหรับการเข้าถึงที่ง่ายขึ้น UI มีหน้าต่างการตั้งค่าซึ่งคุณสามารถป้อนキー OpenAPI ได้ นอกจากนี้ หากคุณต้องการจัดการค่าใช้จ่าย อย่าลืมกำหนดขีดจำกัดจำนวนการวนซ้ำ

หลังจากที่ฉันตั้งค่าแอปพลิเคชันแล้ว ฉันทำการทดลองเล็กๆ ฉันส่งคำสั่งให้กับ BabyAGI: “สร้างเส้นข้อความทวิตเตอร์ที่เน้นเรื่องการเติบโตส่วนบุคคล โดยสัมผัสถึง 里程碑 ความท้าทาย และพลังการเรียนรู้อย่างต่อเนื่อง”

BabyAGI ตอบกลับด้วยแผนการที่คิดมาอย่างดี มันไม่ใช่แค่เทมเพลตทั่วไป แต่เป็นเส้นทางที่ครอบคลุมซึ่งบ่งชี้ว่า AI พื้นฐานได้เข้าใจถึงความซับซ้อนของคำขอ

Deepnote AI Copilot

Deepnote AI Copilot เปลี่ยนแปลงพลวัตของการสำรวจข้อมูลในノートบุ๊ก แต่สิ่งที่ทำให้มันแตกต่างคืออะไร

ในแก่นกลาง Deepnote AI มุ่งหวังที่จะเพิ่มประสิทธิภาพการทำงานของนักวิทยาศาสตร์ข้อมูล เมื่อคุณให้คำแนะนำพื้นฐาน AI จะเริ่มทำงาน โดยวางแผน วิเคราะห์ข้อมูลด้วย Python และนำเสนอผลลัพธ์อย่างชัดเจน

จุดแข็งของ Deepnote AI คือความเข้าใจที่ครอบคลุมเกี่ยวกับพื้นที่ทำงานของคุณ โดยเข้าใจโครงสร้างไฟล์และฐานข้อมูล ทำให้แผนการดำเนินงานของมันสอดคล้องกับบริบทขององค์กร

การผสมผสาน AI กับสื่อนotebook สร้างวงจรการให้ข้อมูลกลับมา มันประเมินผลลัพธ์ของโค้ดและปรับปรุงให้แน่ใจว่าผลลัพธ์เป็นไปตามวัตถุประสงค์ที่กำหนด

Deepnote AI โดดเด่นด้วยการดำเนินการที่โปร่งใส โดยให้ข้อมูลเชิงลึกเกี่ยวกับกระบวนการของมัน การเชื่อมโยงระหว่างโค้ดและผลลัพธ์ทำให้การดำเนินการของมันเป็นไปอย่างรับผิดชอบและสามารถทำซ้ำได้

CAMEL

CAMEL เป็นเฟรมเวิร์กที่มุ่งหวังที่จะส่งเสริมการทำงานร่วมกันระหว่างเอเย่นต์ AI เพื่อให้ทำงานเสร็จสิ้นด้วยการดูแลจากมนุษย์น้อยที่สุด

https://github.com/camel-ai/camel

มันแบ่งการดำเนินการออกเป็นสองประเภทหลักของเอเย่นต์:

• เอเย่นต์ผู้ใช้ AI วางแผนการ
• เอเย่นต์ผู้ช่วย AI ดำเนินการตามคำสั่ง

CAMEL มีเป้าหมายที่จะแก้ปัญหาความซับซ้อนของกระบวนการคิดของ AI โดยมุ่งหวังที่จะเพิ่มประสิทธิภาพของการทำงานร่วมกันระหว่างเอเย่นต์หลายตัว ด้วยคุณสมบัติอย่างการแสดงบทบาทและการส่งคำสั่ง มันทำให้แน่ใจว่างานของ AI สอดคล้องกับวัตถุประสงค์ของมนุษย์

Westworld Simulation: ชีวิตใน AI

พัฒนามาจากแรงบันดาลใจเช่น Unity และปรับให้เหมาะสมใน Python การจำลอง Westworld เป็นขั้นตอนสำคัญในการสร้างและปรับปรุงสภาพแวดล้อมที่เอเย่นต์ AI หลายตัวโต้ตอบกัน เช่นเดียวกับสังคมดิจิทัล

Generative Agents

เอเย่นต์เหล่านี้ไม่ใช่แค่เอนทิตีดิจิทัลเท่านั้น แต่ยังแสดงพฤติกรรมมนุษย์ที่น่าเชื่อถือ ตั้งแต่การทำกิจกรรมประจำวันไปจนถึงการโต้ตอบทางสังคมที่ซับซ้อน สถาปัตยกรรมของพวกมันขยายโมเดลภาษาขนาดใหญ่เพื่อจัดเก็บประสบการณ์ สะท้อนถึงประสบการณ์ และใช้เพื่อวางแผนพฤติกรรมแบบไดนามิก

สภาพแวดล้อมแบบ sandbox ของ Westworld ซึ่งคล้ายกับ The Sims นำเมืองที่มี generative agents มาให้เราได้เห็น ผู้ใช้สามารถโต้ตอบ ดู และชี้แนะเอเย่นต์เหล่านี้ตลอดวัน โดยสังเกตพฤติกรรมที่เกิดขึ้นและพลวัตทางสังคมที่ซับซ้อน

การจำลอง Westworld แสดงให้เห็นถึงการผสมผสานที่ลงตัวระหว่างความสามารถในการคำนวณและความซับซ้อนของมนุษย์ โดยการรวมโมเดลภาษาขนาดใหญ่เข้ากับการจำลองเอเย่นต์แบบไดนามิก มันสร้างเส้นทางที่มุ่งสู่การสร้างประสบการณ์ AI ที่ไม่สามารถแยกแยะจากความเป็นจริงได้

สรุป