นอกเหนือจาก ChatGPT; เอไอเอเจนต์: โลกใหม่ของคนงาน

ด้วยความก้าวหน้าในด้านการเรียนรู้ลึก การประมวลผลภาษาที่เป็นธรรมชาติ (NLP) และเอไอ เรากำลังอยู่ในยุคที่เอไอเอเจนต์สามารถประกอบเป็นส่วนสำคัญของกำลังแรงงานทั่วโลกได้ เอไอเอเจนต์เหล่านี้ซึ่งล้ำกว่าชัตบอทและผู้ช่วยเสียง กำลังสร้างพาราได้มใหม่สำหรับทั้งอุตสาหกรรมและชีวิตประจำวันของเรา แต่สิ่งที่เป็นจริงในการอาศัยอยู่ในโลกที่เพิ่มขึ้นด้วย “คนงาน” เหล่านี้คืออะไร บทความนี้จะเจาะลึกเข้าไปในภูมิทัศน์ที่เปลี่ยนแปลงนี้ โดยประเมินผลกระทบ ความเป็นไปได้ และความท้าทายที่รออยู่ข้างหน้า

การเรียกคืนย่อ: การพัฒนาของคนงานเอไอ

ก่อนที่จะเข้าใจถึงการปฏิวัติที่กำลังจะเกิดขึ้น มันสำคัญที่จะต้องรับรู้ถึงการเปลี่ยนแปลงที่ขับเคลื่อนด้วยเอไอที่เกิดขึ้นแล้ว

• ระบบคอมพิวเตอร์แบบดั้งเดิม: จากอัลกอริทึมคอมพิวเตอร์แบบพื้นฐาน การเดินทางเริ่มต้นขึ้น ระบบเหล่านี้สามารถแก้ปัญหาได้ตามที่กำหนดไว้ล่วงหน้าโดยใช้ชุดกฎที่กำหนดไว้
• ชัตบอทและผู้ช่วยเสียงต้นแบบ: เมื่อเทคโนโลยีปรับปรุงขึ้น อินเทอร์เฟซของเราก็มีการเปลี่ยนแปลงเช่นกัน เครื่องมืออย่าง Siri, Cortana และชัตบอทต้นแบบทำให้การโต้ตอบระหว่างผู้ใช้และเอไอเป็นเรื่องที่ง่ายขึ้น แต่มีการทำความเข้าใจและความสามารถที่จำกัด
• เครือข่ายประสาทและการเรียนรู้ลึก: เครือข่ายประสาทเป็นจุดเปลี่ยน โดยเลียนแบบการทำงานของสมองมนุษย์และพัฒนาขึ้นผ่านประสบการณ์ เทคนิคการเรียนรู้ลึกยังเพิ่มขีดความสามารถนี้ ทำให้สามารถรับรู้ภาพและเสียงที่ซับซ้อนได้
• โมเดลทรานส์ฟอร์เมอร์และ NLP ขั้นสูง: การแนะนำสถาปัตยกรรมทรานส์ฟอร์เมอร์ปฏิวัติภูมิทัศน์ของ NLP ระบบอย่าง ChatGPT โดย OpenAI, BERT และ T5 ได้ทำให้เกิดการผ่านพ้นไปสู่ความก้าวหน้าในการสื่อสารระหว่างมนุษย์และเอไอ ด้วยความเข้าใจภาษาและบริบทที่ลึกซึ้ง โมเดลเหล่านี้สามารถสนทนาอย่างมีความหมาย สร้างเนื้อหา และตอบคำถามที่ซับซ้อนได้ด้วยความแม่นยำที่ไม่เคยเกิดขึ้นมาก่อน

เข้าสู่เอไอเอเจนต์: มากกว่าแค่การสนทนา

ภูมิทัศน์เอไอในปัจจุบันบ่งบอกถึงบางสิ่งที่กว้างขวางกว่าเครื่องมือสนทนา เอไอเอเจนต์ ซึ่งมากกว่าแค่ฟังก์ชันชัตบอท สามารถทำงานได้แล้ว เรียนรู้จากสภาพแวดล้อม ตัดสินใจ และแสดงความสร้างสรรค์ พวกมันไม่ได้เพียงตอบคำถามเท่านั้น แต่ยังแก้ปัญหา

แบบจำลองซอฟต์แวร์แบบดั้งเดิมทำงานบนเส้นทางที่ชัดเจน ผู้มีส่วนได้ส่วนเสียแสดงเป้าหมายให้กับผู้จัดการซอฟต์แวร์ ซึ่งจากนั้นออกแบบแผนเฉพาะ วิศวกรจะดำเนินการตามแผนผ่านโค้ด ซอฟต์แวร์ ‘พาราได์ม์’ แบบดั้งเดิมของฟังก์ชันซอฟต์แวร์นี้ชัดเจน และเกี่ยวข้องกับการแทรกแซงของมนุษย์มากมาย

เอไอเอเจนต์ทำงานแตกต่างออกไป เอเจนต์:

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

สิ่งที่ทำให้เอไอเอเจนต์แตกต่างจากโมเดลแบบดั้งเดิมคือความสามารถในการสร้างแผนขั้นตอนต่อขั้นตอนเพื่อให้บรรลุเป้าหมายโดยอัตโนมัติ ใน본质 การที่โปรแกรมเมอร์ให้แผนไว้แล้ว เอไอเอเจนต์ในปัจจุบันจัดทำเส้นทางของตนเอง

ลองพิจารณาตัวอย่างในชีวิตประจำวัน ในการออกแบบซอฟต์แวร์แบบดั้งเดิม โปรแกรมจะแจ้งให้ผู้ใช้ทราบเกี่ยวกับงานที่ล่าช้าตามเงื่อนไขที่กำหนดไว้ล่วงหน้า ผู้พัฒนาจะตั้งค่าเงื่อนไขเหล่านี้ตามข้อกำหนดที่ให้ไว้โดยผู้จัดการผลิตภัณฑ์

ในพาราได้ม์เอไอเอเจนต์ เอเจนต์เองตัดสินใจว่าเมื่อไหร่และจะแจ้งให้ผู้ใช้ทราบอย่างไร มันประเมินสภาพแวดล้อม (นิสัยของผู้ใช้ สภาพแอปพลิเคชัน) และตัดสินใจวิธีการดำเนินการที่ดีที่สุด กระบวนการดังนั้นจึงมีความ动态มากขึ้น มากขึ้นในขณะนั้น

ChatGPT เป็นการออกตัวจากการใช้งานแบบดั้งเดิมด้วยการรวมปลั๊กอิน ทำให้สามารถใช้เครื่องมือภายนอกเพื่อทำงานหลายอย่างได้ มันกลายเป็นการแสดงออกในยุคแรกของแนวคิดเอเจนต์ หากเราพิจารณาตัวอย่างง่ายๆ: ผู้ใช้สอบถามเกี่ยวกับสภาพอากาศในนิวยอร์กซิตี้ ChatGPT โดยใช้ปลั๊กอินสามารถโต้ตอบกับ API สภาพอากาศภายนอก ตีความข้อมูล และแม้แต่ปรับเปลี่ยนเส้นทางตามการตอบรับที่ได้รับ

Current Landscape of AI Agents

เอไอเอเจนต์ รวมถึง Auto-GPT, AgentGPT และ BabyAGI กำลังเป็นสัญญาณแห่งยุคใหม่ในจักรวาลเอไอที่กว้างขวาง ในขณะที่ ChatGPT ได้รับความนิยม Generative AI โดยต้องการอินพุตจากมนุษย์ วิสัยทัศน์เบื้องหลังเอไอเอเจนต์คือการทำให้เอไอทำงานอิสระ โดยมุ่งหน้าไปสู่เป้าหมายด้วยการแทรกแซงของมนุษย์น้อยที่สุด ความสามารถในการเปลี่ยนแปลงนี้ได้รับการเน้นย้ำโดยการเติบโตอย่างรวดเร็วของ Auto-GPT ซึ่งได้รับมากกว่า 107,000 ดาวบน GitHub ในเพียงหกสัปดาห์หลังจากเริ่มต้น ซึ่งเป็นการเติบโตที่ไม่เคยเกิดขึ้นมาก่อนเมื่อเทียบกับโครงการที่มีมายาวนาน เช่น แพ็คเกจวิทยาศาสตร์ข้อมูล ‘pandas’

เอไอเอเจนต์ เทียบกับ ChatGPT

เอไอเอเจนต์หลายตัวที่ทันสมัย เช่น Auto-GPT และ BabyAGI ใช้โครงสร้าง GPT เป็นหลัก จุดมุ่งเน้นหลักคือการลดความจำเป็นในการแทรกแซงของมนุษย์ในงานเอไอให้เหลือน้อยที่สุด คำศัพท์อธิบายเช่น “GPT ในวงจร” อธิบายการทำงานของโมเดลอย่าง AgentGPT และ BabyAGI พวกมันทำงานในวงจรแบบวนซ้ำเพื่อทำความเข้าใจคำขอของผู้ใช้และปรับปรุงเอาต์พุต ในขณะที่ Auto-GPT ขยายขอบเขตไปไกลกว่านั้นโดยการรวมการเข้าถึงอินเทอร์เน็ตและความสามารถในการรันโค้ด ทำให้ขยายขอบเขตการแก้ปัญหาได้อย่างมาก

นวัตกรรมในเอไอเอเจนต์

1. หน่วยความจำระยะยาว: LLM แบบดั้งเดิมมีหน่วยความจำที่จำกัด โดยเก็บเฉพาะส่วนล่าสุดของการโต้ตอบเท่านั้น สำหรับงานที่ครอบคลุม การระลึกถึงการสนทナทั้งหมดหรือแม้แต่การสนทนาครั้งก่อนเป็นสิ่งสำคัญ เพื่อเอาชนะสิ่งนี้ เอไอเอเจนต์ได้นำกระบวนการฝังตัวมาใช้ โดยแปลงการสนทนาทางข้อความเป็นแถวตัวเลข ทำให้ได้คำตอบสำหรับข้อจำกัดของหน่วยความจำ
2. ความสามารถในการเล่นเว็บ: เพื่อให้สามารถอัปเดตกับเหตุการณ์ล่าสุด Auto-GPT ได้รับการติดตั้งความสามารถในการเล่นเว็บ โดยใช้ Google Search API สิ่งนี้ทำให้เกิดการถกเถียงภายในชุมชนเอไอเกี่ยวกับขอบเขตของความรู้ของเอไอ
3. การรันโค้ด: นอกเหนือจากการสร้างโค้ด Auto-GPT สามารถรันโค้ดได้ทั้งเชลล์และ Python สิ่งนี้ทำให้สามารถโต้ตอบกับซอฟต์แวร์อื่นๆ ได้ ทำให้โดเมนการทำงานกว้างขึ้น

แผนภาพแสดงสถาปัตยกรรมของระบบเอไอที่ได้รับการสนับสนุนจากโมเดลภาษาขนาดใหญ่และเอเจนต์

• อินพุต: ระบบได้รับข้อมูลจากแหล่งต่างๆ: คำสั่งผู้ใช้โดยตรง ฐานข้อมูลที่มีโครงสร้าง เนื้อหาเว็บ และเซ็นเซอร์สภาพแวดล้อมแบบเรียลไทม์
• LLM & เอเจนต์: ในแก่นกลาง LLM ประมวลผลอินพุตเหล่านี้ โดยร่วมมือกับเอเจนต์เฉพาะทางอย่าง Auto-GPT สำหรับการเชื่อมโยงความคิด AgentGPT สำหรับงานที่เกี่ยวข้องกับเว็บ BabyAGI สำหรับการกระทำที่เกี่ยวข้องกับงาน และ HuggingGPT สำหรับการประมวลผลแบบทีม
• เอาต์พุต: เมื่อประมวลผลแล้ว ข้อมูลจะถูกแปลงเป็นรูปแบบที่ผู้ใช้สามารถเข้าใจได้ และส่งไปยังอุปกรณ์ที่สามารถกระทำหรือมีอิทธิพลต่อสภาพแวดล้อมภายนอกได้
• ส่วนประกอบหน่วยความจำ: ระบบเก็บข้อมูลทั้งในรูปแบบชั่วคราวและถาวร โดยใช้แคชชอร์ตเทอมและฐานข้อมูลระยะยาว
• สภาพแวดล้อม: นี่คือโดเมนภายนอกซึ่งได้รับผลกระทบจากเซ็นเซอร์และได้รับผลกระทบจากการกระทำของระบบ

เอไอเอเจนต์ขั้นสูง: Auto-GPT, BabyAGI และอื่นๆ

AutoGPT และ AgentGPT

AutoGPT เป็นผลงานอันชาญฉลาดที่ปล่อยออกมาใน GitHub ในเดือนมีนาคม 2023 เป็นแอปพลิเคชัน Python ที่ใช้พลังของ GPT โมเดลสร้างสรรค์ของ OpenAI สิ่งที่ทำให้ Auto-GPT แตกต่างจากบรรพบุรุษของมันคือความเป็นอิสระ – มันถูกออกแบบมาเพื่อดำเนินงานด้วยการกำกับดูแลของมนุษย์น้อยที่สุด และมีความสามารถพิเศษในการเริ่มต้นพรอมต์แบบอัตโนมัติ ผู้ใช้เพียงต้องกำหนดวัตถุประสงค์หลัก และ Auto-GPT จะสร้างพรอมต์ที่จำเป็นเพื่อบรรลุจุดนั้น ทำให้เป็นขั้นตอนสำคัญที่มีศักยภาพในการก้าวไปสู่ความฉลาดทั่วไปของเอไอ (AGI) ที่แท้จริง

ด้วยคุณสมบัติที่ครอบคลุมตั้งแต่การเชื่อมต่ออินเทอร์เน็ต การจัดการหน่วยความจำ และความสามารถในการจัดเก็บไฟล์โดยใช้ GPT-3.5 เครื่องมือนี้มีความสามารถในการจัดการงานหลากหลาย ตั้งแต่งานทั่วไปอย่างการเขียนอีเมล ไปจนถึงงานที่ซับซ้อนซึ่งโดยปกติจะต้องมีการมีส่วนร่วมของมนุษย์มากขึ้น

ในทางกลับกัน AgentGPT ซึ่งสร้างขึ้นบนเฟรมเวิร์ก GPT เช่นกัน เป็นอินเทอร์เฟซที่มุ่งเน้นผู้ใช้ซึ่งไม่ต้องการความเชี่ยวชาญในการเขียนโค้ดมากนักในการตั้งค่าและใช้งาน AgentGPT ช่วยให้ผู้ใช้สามารถกำหนดเป้าหมายเอไอ ซึ่งจากนั้นจะถูกแบ่งออกเป็นงานที่จัดการได้

AgentGPT UI

นอกจากนี้ AgentGPT ยังโดดเด่นด้วยความสามารถในการปรับเปลี่ยนได้ มันไม่ได้จำกัดอยู่แค่การสร้างชัตบอทเท่านั้น แพลตฟอร์มนี้ขยายความสามารถไปสู่การสร้างแอปพลิเคชันต่างๆ เช่น บอท Discord และแม้แต่การผสานรวมกับ Auto-GPT ได้อย่างราบรื่น แนวทางนี้รับประกันว่าแม้แต่ผู้ที่ไม่มีพื้นฐานการเขียนโค้ดก็สามารถทำงานได้ เช่น การเขียนโค้ดอัตโนมัติ การสร้างข้อความ การแปลภาษา และการแก้ปัญหา

LangChain เป็นเฟรมเวิร์กที่เชื่อมโมเดลภาษาขนาดใหญ่ (LLMs) กับเครื่องมือต่างๆ และใช้เอเจนต์ ซึ่งมักถูกมองว่าเป็น ‘บอท’ เพื่อกำหนดและดำเนินการงานโดยเลือกเครื่องมือที่เหมาะสม เอเจนต์เหล่านี้รวมเข้ากับทรัพยากรภายนอกได้อย่างราบรื่น ในขณะที่ฐานข้อมูลเวกเตอร์ใน LangChain เก็บข้อมูลที่ไม่มีโครงสร้าง ทำให้การดึงข้อมูลสำหรับ LLMs เป็นไปอย่างรวดเร็ว

BabyAGI

จากนั้นก็มี BabyAGI ซึ่งเป็นเอเจนต์ที่เรียบง่ายแต่มีพลัง หากต้องการเข้าใจความสามารถของ BabyAGI ให้ลองนึกถึงผู้จัดการโครงการดิจิทัลที่สร้าง จัดระเบียบ และดำเนินการงานโดยอัตโนมัติ โดยมุ่งเน้นไปที่วัตถุประสงค์ที่กำหนด ในขณะที่แพลตฟอร์มเอไอส่วนใหญ่ถูกจำกัดด้วยความรู้ที่ได้รับการฝึกอบรม BabyAGI โดดเด่นด้วยความสามารถในการปรับตัวและเรียนรู้จากประสบการณ์ มันมีความสามารถที่ลึกซึ้งในการแยกแยะการให้ข้อเสนอแนะและตัดสินใจตามความผิดพลาดและความสำเร็จ เช่นเดียวกับมนุษย์

ที่สำคัญ ความแข็งแกร่งที่แท้จริงของ BabyAGI ไม่ใช่แค่ความสามารถในการปรับตัวเท่านั้น แต่ยังรวมถึงความสามารถในการรันโค้ดสำหรับวัตถุประสงค์เฉพาะด้วย มันส่องแสงในการใช้งานที่ซับซ้อน เช่น การซื้อขายคริปโตเคอร์เรนซี่ โรบอท และการขับขี่อัตโนมัติ ทำให้เป็นเครื่องมือที่หลากหลายในหลายๆ ด้าน

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

กระบวนการสามารถแบ่งออกเป็นสามเอเจนต์:

1. เอเจนต์การดำเนินการ: จุดศูนย์กลางของระบบ เอเจนต์นี้ใช้ API ของ OpenAI สำหรับการประมวลผลงาน
2. เอเจนต์ในการสร้างงาน: ฟังก์ชันนี้สร้างงานใหม่ตามผลลัพธ์ก่อนหน้าและวัตถุประสงค์ปัจจุบัน พรอมต์จะถูกส่งไปยัง API ของ OpenAI ซึ่งจากนั้นจะส่งกลับงานที่เป็นไปได้ซึ่งจัดระเบียบเป็นรายการของดิกชันนารี
3. เอเจนต์ในการจัดลำดับความสำคัญของงาน: ขั้นตอนสุดท้ายเกี่ยวข้องกับการจัดลำดับงานตามความสำคัญ เอเจนต์นี้ใช้ API ของ OpenAI เพื่อจัดเรียงงานใหม่เพื่อให้แน่ใจว่างานที่สำคัญที่สุดจะได้รับการดำเนินการก่อน

BabyAGI ร่วมมือกับโมเดลภาษาของ OpenAI โดยใช้ความสามารถของ Pinecone สำหรับการจัดเก็บและดึงข้อมูลงานตามบริบท

ด้านล่างนี้เป็นการแสดงตัวอย่างของ BabyAGI โดยใช้ ลิงก์นี้.

ในการเริ่มต้น คุณจะต้องมีคีย์ OpenAPI ที่ถูกต้อง สำหรับการเข้าถึงที่ง่าย คุณสามารถป้อนคีย์ OpenAPI ในส่วนการตั้งค่าของ UI

เมื่อฉันได้ตั้งค่าแอปพลิเคชัน ฉันทำการทดลองเล็กๆ ฉันโพสต์พรอมต์ไปยัง BabyAGI: “สร้างเธรดทวิตเตอร์ที่เน้นไปที่การเดินทางของการเติบโตส่วนบุคคล โดยสัมผัสถึง 里程碑 ความท้าทาย และพลังการเปลี่ยนแปลงของการเรียนรู้อย่างต่อเนื่อง”

BabyAGI ตอบกลับด้วยแผนการที่คิดไว้อย่างดี มันไม่ใช่แค่เทมเพลตทั่วไป แต่เป็นแผนผังที่ครอบคลุมซึ่งบ่งชี้ว่าเอไอเบื้องหลังได้เข้าใจความหมายของคำขออย่างแท้จริง

Deepnote AI Copilot

Deepnote AI Copilot เปลี่ยนแปลงพลวัตของการสำรวจข้อมูลในโน้ตบุ๊ก แต่สิ่งที่ทำให้มันแตกต่างคืออะไร?

ในแก่นกลาง Deepnote AI มุ่งหวังที่จะเพิ่มประสิทธิภาพการทำงานของนักวิทยาศาสตร์ข้อมูล ช่วงเวลาใดๆ ที่คุณให้คำแนะนำพื้นฐาน เอไอจะเริ่มทำงาน โดยวางแผน วิเคราะห์ข้อมูลโดยใช้ Python และนำเสนอผลลัพธ์อย่างชัดเจน

จุดแข็งอย่างหนึ่งของ Deepnote AI คือความเข้าใจที่ครอบคลุมเกี่ยวกับพื้นที่ทำงานของคุณ โดยการเข้าใจโครงสร้างการผสานรวมและระบบไฟล์ มันจัดแผนการดำเนินการให้เหมาะสมกับบริบทขององค์กร เพื่อให้แน่ใจว่าข้อมูลเชิงลึกของมันจะเกี่ยวข้องกับวัตถุประสงค์ที่ตั้งไว้เสมอ

การผสานรวมของ AI กับสื่อโน้ตบุ๊กสร้างวงจรการให้ข้อเสนอแนะที่เป็นเอกลักษณ์ มันประเมินเอาต์พุตของโค้ดอย่างแข็งขัน ทำให้มันสามารถแก้ไขตนเองได้ และรับประกันว่าผลลัพธ์จะสอดคล้องกับวัตถุประสงค์ที่กำหนด

Deepnote AI โดดเด่นด้วยการดำเนินการที่โปร่งใส โดยให้ข้อมูลเชิงลึกที่ชัดเจนเกี่ยวกับกระบวนการของมัน การเชื่อมโยงระหว่างโค้ดและเอาต์พุตทำให้การกระทำของมันสามารถตรวจสอบและทำซ้ำได้

CAMEL

CAMEL เป็นเฟรมเวิร์กที่มุ่งหวังที่จะส่งเสริมการทำงานร่วมกันระหว่างเอไอเอเจนต์ โดยมุ่งเป้าไปที่การเสร็จสิ้นงานด้วยการกำกับดูแลของมนุษย์ที่น้อยที่สุด

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

มันแบ่งการดำเนินการออกเป็นสองประเภทเอเจนต์หลัก:

• เอเจนต์ผู้ใช้เอไอ วางแผนคำแนะนำ
• เอเจนต์ผู้ช่วยเอไอ ดำเนินการงานตามคำแนะนำที่ให้ไว้

หนึ่งในความตั้งใจของ CAMEL คือการคลี่คลายความซับซ้อนของกระบวนการคิดของเอไอ โดยมุ่งหวังที่จะเพิ่มประสิทธิภาพของการทำงานร่วมกันระหว่างเอเจนต์หลายตัว โดยใช้ฟีเจอร์อย่างการแสดงบทบาทและการส่งคำแนะนำที่เริ่มต้น มันรับประกันว่าการกระทำของเอไอจะสอดคล้องกับวัตถุประสงค์ของมนุษย์

Westworld Simulation: Life into AI

ที่ได้รับแรงบันดาลใจจากสิ่งเช่นซอฟต์แวร์ Unity และปรับให้เหมาะสมใน Python การจำลอง Westworld คือการก้าวไปสู่การจำลองและปรับปรุงสภาพแวดล้อมที่เอไอเอเจนต์หลายตัวโต้ตอบกัน เหมือนสังคมดิจิทัล

Generative Agents

เอเจนต์เหล่านี้ไม่ใช่แค่หน่วยดิจิทัลเท่านั้น พวกมันจำลองพฤติกรรมมนุษย์ที่น่าเชื่อถือ ตั้งแต่การทำกิจกรรมประจำวันไปจนถึงการโต้ตอบทางสังคมที่ซับซ้อน พวกมันขยายโครงสร้างโมเดลภาษาขนาดใหญ่เพื่อจัดเก็บประสบการณ์ สะท้อนถึงพวกมัน และใช้พวกมันเพื่อวางแผนพฤติกรรมไดนามิก

การจำลอง Westworld แสดงให้เห็นถึงการผสมผสานที่ลงตัวระหว่างความสามารถในการคำนวณและความซับซ้อนที่เหมือนมนุษย์ โดยการรวมโมเดลภาษาขนาดใหญ่เข้ากับการจำลองเอเจนต์แบบไดนามิก มันสร้างเส้นทางไปสู่การสร้างประสบการณ์เอไอที่ไม่สามารถแยกแยะจากความเป็นจริงได้

สรุป

เอไอเอเจนต์สามารถมีความหลากหลายและกำลังเปลี่ยนแปลงอุตสาหกรรม การทำงาน และทำให้ความเป็นไปได้ที่เคยดูเหมือนเป็นไปไม่ได้กลายเป็นจริง แต่เช่นเดียวกับนวัตกรรมที่เปลี่ยนแปลงโลก พวกมันก็ไม่สมบูรณ์แบบ

ในขณะที่มีพลังในการเปลี่ยนแปลงพื้นฐานของการดำรงอยู่ดิจิทัลของเรา เอไอเอเจนต์เหล่านี้ยังคงเผชิญกับความท้าทายบางอย่าง ซึ่งบางส่วนเป็นเรื่องที่มนุษย์เข้าใจได้ เช่น การทำความเข้าใจบริบทในสถานการณ์ที่ละเอียดอ่อน หรือการแก้ไขปัญหาที่อยู่นอกชุดข้อมูลที่ได้รับการฝึกอบรม

ในบทความถัดไป เราจะเจาะลึกไปที่ AutoGPT และ GPT Engineer โดยตรวจสอบวิธีการตั้งค่าและใช้งานพวกมัน นอกจากนี้เรายังจะสำรวจสาเหตุที่เอไอเอเจนต์เหล่านี้อาจล้มเหลวเป็นครั้งคราว เช่น การติดอยู่ในวงจร หรือปัญหาอื่นๆ ดังนั้น โปรดติดตาม!