Відкритий Auto-GPT та BabyAGI: інтеграція рекурсії в додатки штучного інтелекту

Нещодавні розробки, пов’язані з Auto-GPT та BabyAGI, продемонстрували вражаючий потенціал автономних агентів, викликаючи значний ентузіазм у сфері дослідження штучного інтелекту та розробки програмного забезпечення. Ці агенти, засновані на великих моделях мови (LLM), здатні виконувати складні послідовності завдань у відповідь на запити користувача. Використовуючи різноманітні ресурси, такі як інтернет, доступ до локальних файлів, інші API та базові структури пам’яті, ці агенти демонструють ранній прогрес у інтеграції рекурсії в додатки штучного інтелекту.

Що таке BabyAGI?

BabyAGI, представлений Йоєю Накадзіма через Twitter 28 березня 2023 року, є потоковою ітерацією оригінального автономного агента, керованого завданнями. Використовуючи можливості обробки природної мови OpenAI та Pinecone для зберігання та відновлення результатів завдань у контексті, BabyAGI забезпечує ефективний та зручний досвід. З компактними 140 рядками коду BabyAGI легко зрозуміти та розширити.

Назва BabyAGI дійсно значима, оскільки ці інструменти постійно сприяють розвитку суспільства до систем штучного інтелекту, які, хоча ще не досягають штучного загального інтелекту (AGI), експоненціально зростають у потужності. Екосистема штучного інтелекту переживає нові досягнення щодня, а з майбутніми проривами та потенційною можливістю версії GPT, здатної ініціювати себе для вирішення складних проблем, ці системи зараз дають користувачам враження взаємодії з AGI.

Що таке Auto-GPT?

Auto-GPT – це агент штучного інтелекту, призначений для виконання цілей, виражених у природній мові, шляхом розділення їх на менші підзадачі та використання ресурсів, таких як інтернет та інші інструменти в автоматичному циклі. Цей агент використовує API GPT-4 або GPT-3.5 від OpenAI та виділяється як один із піонерських застосунків, які використовують GPT-4 для виконання автономних завдань.

На відміну від інтерактивних систем, таких як ChatGPT, які залежать від ручних інструкцій для кожного завдання, Auto-GPT встановлює нові цілі для себе для досягнення більшої мети, без необхідності людського втручання. Здатний генерувати відповіді на запити для виконання конкретного завдання, Auto-GPT також може створювати та модифікувати свої власні запити для рекурсивних випадків на основі нової інформації.

Що це означає для майбутнього

Хоча все ще перебуває в експериментальній фазі та має деякі обмеження, агенти готуються до підвищення продуктивності завдяки зниженню вартості апаратного та програмного забезпечення штучного інтелекту. Згідно з дослідженням ARK Invest, програмне забезпечення штучного інтелекту потенційно може виробляти до 14 трильйонів доларів доходу та 90 трильйонів доларів вартості підприємств до 2030 року. Коли фундаментальні моделі, такі як GPT-4, продовжують розвиватися, багато компаній обирають навчання своїх власних менших, спеціалізованих моделей. Хоча фундаментальні моделі мають широкий спектр застосунків, менші спеціалізовані моделі пропонують переваги, такі як зниження витрат на висновок.

Крім того, багато підприємств, які турбуються про питання авторських прав та управління даними, обирають розробку своїх власних моделей, використовуючи суміш публічних та приватних даних. Видатним прикладом є модель LLM з 2,7 мільярдами параметрів, навчена на PubMed біомедичних даних, яка досягла перспективних результатів на тесті питань та відповідей іспиту з ліцензування лікарів США (USMLE). Вартість навчання становила приблизно 38 000 доларів на платформі MosaicML, з тривалістю обчислень 6,25 днів. Для порівняння, остатній навчальний запуск GPT-3, як оцінюється, коштував майже 5 мільйонів доларів обчислень.