开源 Auto-GPT 和 BabyAGI 将递归集成到 AI 应用程序中

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。这些代理基于大型语言模型（LLM），能够对用户提示做出复杂的任务序列响应。通过使用各种资源，如互联网和本地文件访问、其他 API 和基本内存结构，这些代理显示出早期在将递归集成到 AI 应用程序中的进步。

什么是 BabyAGI？

BabyAGI 由 Yohei Nakajima 于 2023 年 3 月 28 日通过 Twitter 推出，是原始任务驱动的自治代理的简化版本。利用 OpenAI 的自然语言处理（NLP）能力和 Pinecone 来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。具有简洁的 140 行代码，BabyAGI 易于理解和扩展。

BabyAGI 的名称确实很重要，因为这些工具持续推动社会向 AI 系统发展，而这些系统虽然尚未达到 人工通用智能（AGI），但其能力却呈指数级增长。AI 生态系统每天都在经历新的进步，并且随着未来的突破和可能出现的能够自我提示来解决复杂问题的 GPT 版本，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以自动化循环来实现自然语言表达的目标的 AI 代理。该代理使用 OpenAI 的 GPT-4 或 GPT-3.5 API，并且作为使用 GPT-4 执行自治任务的开创性应用程序之一脱颖而出。

与依赖手动指令的交互式系统（如 ChatGPT）不同，Auto-GPT 为自己设定目标以实现更大的目标，而无需人工干预。能够对提示做出响应以完成特定任务，Auto-GPT 还可以根据新获取的信息创建和修改自己的提示以进行递归实例。

这对未来的意义是什么？

尽管仍处于实验阶段并且有一些局限性，但这些代理有望通过降低 AI 硬件和软件的成本来提高生产力。根据 ARK Invest 的研究，到 2030 年，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。随着像 GPT-4 这样的基础模型的不断进步，许多公司正在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正在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了训练，并在美国医师执照考试（USMLE）的问答测试中取得了有希望的结果。该模型在 MosaicML 平台 上的训练成本约为 38,000 美元，计算持续时间为 6.25 天。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。