开源 Auto-GPT 和 BabyAGI 将递归集成到 AI 应用中

最近关于 Auto-GPT 和 BabyAGI 的发展已经展示了自治代理的令人印象深刻的潜力，在 AI 研究和软件开发领域内引起了巨大的热情。这些基于大型语言模型（LLM）的代理能够对用户提示执行复杂的任务序列。通过利用各种资源，如互联网和本地文件访问、其他 API 和基本内存结构，这些代理展示了早期在将递归集成到 AI 应用中的进展。

什么是 BabyAGI？

BabyAGI 由 Yohei Nakajima 于 2023 年 3 月 28 日通过 Twitter 推出，是原始任务驱动自治代理的简化版本。利用 OpenAI 的自然语言处理（NLP）能力和 Pinecone 存储和检索任务结果的上下文，BabyAGI 提供了高效和用户友好的体验。凭借仅 140 行代码，BabyAGI 易于理解和扩展。
BabyAGI 的名称确实很重要，因为这些工具不断推动社会向 AI 系统发展，虽然尚未达到 人工通用智能（AGI），但其能力正在指数级增加。AI 生态系统每天都在经历新的进步，随着未来突破和可能出现的 GPT 版本，它可以自我提示来解决复杂问题，这些系统现在让用户感觉像是在与 AGI 交互。

什么是 Auto-GPT？

Auto-GPT 是一种 AI 代理，旨在通过将目标分解为较小的子任务并利用资源如互联网和其他工具的自动循环来实现用自然语言表达的目标。该代理使用 OpenAI 的 GPT-4 或 GPT-3.5 API，并以其开创性的使用 GPT-4 执行自治任务而著称。
与依赖手动指令的交互式系统（如 ChatGPT）不同，Auto-GPT 为实现更大目标设定了自己的目标，而无需人类干预。能够生成响应以完成特定任务，Auto-GPT 还可以根据新获得的信息为递归实例创建和修改自己的提示。

这对未来的意义是什么？

尽管仍处于实验阶段并有一些限制，但这些代理有望通过降低 AI 硬件和软件成本来提高生产力。根据 ARK Invest 的研究，AI 软件可能会产生高达 14 万亿美元的收入和 90 万亿美元的企业价值。随着基础模型如 GPT-4 的进步，许多公司选择训练自己的较小、专门的模型。虽然基础模型具有广泛的应用，但较小的专门模型提供了诸如降低推理成本等优势。
此外，许多对版权问题和数据治理感到担忧的企业选择使用公共和私有数据的混合来开发自己的专有模型。一个值得注意的例子是，一个 2.7 亿参数的 LLM 在 PubMed 生物医学数据上进行训练，取得了美国医师执照考试（USMLE）问答测试的良好成绩。训练成本约为 38,000 美元，计算持续时间为 6.25 天，使用 MosaicML 平台。相比之下，GPT-3 的最终训练运行估计花费了近 500 万美元的计算成本。