AutoGPT (TH)

From Systems analysis Wiki
Jump to navigation Jump to search

AutoGPT — คือ ตัวแทนอัตโนมัติ (autonomous agent) ปัญญาประดิษฐ์แบบทดลองที่มีซอร์สโค้ดเปิดเผย สร้างขึ้นบนพื้นฐานของโมเดลภาษาขนาดใหญ่ (LLM) GPT-4 จาก OpenAI[1] แอปพลิเคชันนี้สามารถรับรู้เป้าหมายที่ผู้ใช้กำหนดในภาษาธรรมชาติ และแบ่งเป้าหมายนั้นออกเป็นงานย่อยโดยไม่ต้องรับคำสั่งเพิ่มเติม จากนั้นดำเนินการตามลำดับในวงจรอัตโนมัติโดยใช้เครื่องมือต่าง ๆ เช่น อินเทอร์เน็ตเพื่อค้นหาข้อมูล[1][2] AutoGPT กลายเป็นหนึ่งในตัวอย่างแรก ๆ ของการนำโมเดล GPT-4 มาใช้เพื่อดำเนินงานที่ซับซ้อนได้อย่างอิสระโดยไม่ต้องมีการแทรกแซงจากมนุษย์[2] โดยแสดงให้เห็นถึงความสามารถของสิ่งที่เรียกว่า ระบบ LLM เชิงตัวแทน (generative agents) ซึ่งคาดว่าจะสามารถจำลองการกระทำที่มีเจตนาคล้ายมนุษย์ได้[3]

ประวัติการพัฒนา

AutoGPT เปิดตัวเมื่อวันที่ 30 มีนาคม ค.ศ. 2023 โดยนักพัฒนาชื่อ Toran Bruce Richards ผู้ก่อตั้งบริษัท Significant Gravitas[1] การเปิดตัวโครงการนี้เกิดขึ้นไม่นานหลังจากการประกาศโมเดล GPT-4 (14 มีนาคม ค.ศ. 2023) และเกิดขึ้นท่ามกลางความสนใจที่เพิ่มขึ้นต่อ «ตัวแทนอัตโนมัติ» ซึ่งเป็นโปรแกรมที่สามารถแก้ปัญหาแบบหลายขั้นตอนที่ซับซ้อนได้โดยแทบไม่ต้องมีการแทรกแซงด้วยมือ โดยใช้ LLM[4] โครงการนี้ดึงดูดความสนใจจากแวดวงเทคโนโลยีอย่างรวดเร็ว: AutoGPT กลายเป็นที่นิยมอย่างมากบน GitHub โดยได้รับ ดาวมากกว่า 150,000 ดาว ภายในเพียงไม่กี่เดือน[3] ในเดือนตุลาคม ค.ศ. 2023 นักพัฒนา AutoGPT ได้รับเงินทุน 12 ล้านดอลลาร์ เพื่อพัฒนาโครงการต่อไป[3] ซึ่งแสดงให้เห็นถึงความสนใจอย่างสูงของนักลงทุนในด้านนี้

ฟังก์ชันการทำงานและความสามารถ

การทำงานอัตโนมัติ คุณสมบัติหลักของ AutoGPT คือความสามารถในการสร้างและดำเนินการลำดับการกระทำเพื่อบรรลุเป้าหมายที่กำหนดได้อย่างอิสระ เมื่อได้รับงานระดับสูงจากผู้ใช้ ตัวแทนจะกำหนดแผนการแก้ปัญหาเอง โดยแบ่งงานใหญ่ออกเป็นขั้นตอนย่อย ๆ และดำเนินการซ้ำ ๆ โดยนำผลลัพธ์จากขั้นตอนก่อนหน้ามาใช้ในขั้นตอนถัดไป[5] ผู้ใช้ไม่จำเป็นต้องป้อนคำขอใหม่ในแต่ละขั้นตอน — โมเดลจะทำงานต่อไปจนกว่าจะบรรลุเป้าหมายที่ตั้งไว้หรือจนกว่าความสามารถจะถึงขีดจำกัด[1]

เพื่อเพิ่มความโปร่งใสในการทำงาน ตรรกะภายในจะแสดงผลในรูปแบบ «ความคิด» และ «เหตุผล» — AutoGPT จะแสดงให้เห็นว่ากำลังวางแผนทำอะไรและทำไม รวมถึงการวิจารณ์การกระทำของตัวเองก่อนที่จะดำเนินการขั้นตอนต่อไป[6] กลไกนี้ช่วยให้ติดตามกระบวนการให้เหตุผลของโมเดลได้ และสามารถแก้ไขด้วยตนเองได้ทันเวลาหากจำเป็น

การผสานรวม LLM และเครื่องมือ AutoGPT ทำงานผ่าน API ของโมเดลภาษาขนาดใหญ่ของ OpenAI ในการกำหนดค่าทั่วไป จะใช้ GPT-4 สำหรับการสร้างโซลูชันส่วนใหญ่ (ข้อความ โค้ด ฯลฯ) ในขณะที่โมเดลเสริม GPT-3.5 ถูกใช้สำหรับงานที่ใช้ทรัพยากรน้อยกว่า เช่น การจัดเก็บและการบีบอัดข้อมูล (การสรุปบริบท)[1] ต่างจากแชทบอทแบบสนทนาอย่าง ChatGPT ที่จำกัดอยู่ในกรอบความรู้ที่ฝังอยู่ภายใน AutoGPT สามารถเชื่อมต่อกับแหล่งข้อมูลภายนอกได้ ตัวอย่างเช่น ตัวแทนสามารถเข้าถึงอินเทอร์เน็ตเพื่อทำ web search ที่เป็นปัจจุบัน โดยดึงข้อมูลที่จำเป็นแบบเรียลไทม์[2] นอกจากนี้ยังสามารถดำเนินการกับไฟล์บนคอมพิวเตอร์ได้ — สร้าง อ่าน และเขียนไฟล์เพื่อจัดเก็บผลลัพธ์ขั้นกลางในระยะยาว[1] สถาปัตยกรรมของ AutoGPT รองรับ plugin ที่เสียบได้เพื่อขยายฟังก์ชันการทำงาน: ตัวแทนสามารถใช้เว็บเบราว์เซอร์เพื่อท่องเว็บไซต์ เรียกใช้บริการของบุคคลที่สาม หรือแม้แต่สร้างคำตอบที่ออกเสียงได้ (Text-to-Speech) เมื่อมีโมดูลที่เกี่ยวข้อง[1][6]

หน่วยความจำและบริบท ด้วยกลไกหน่วยความจำที่ฝังอยู่ภายใน AutoGPT สามารถคำนึงถึงบริบทของการกระทำก่อนหน้าได้ ในระหว่างการแก้ปัญหา ตัวแทนจะเก็บ หน่วยความจำระยะสั้น — ขั้นตอนล่าสุดและข้อมูลที่ได้รับ ซึ่งใช้ในการสร้างการกระทำถัดไป[1] ซึ่งช่วยให้รักษาความต่อเนื่องของงานได้แม้ในห่วงโซ่การดำเนินการที่ยาว นอกจากนี้ AutoGPT ยังสามารถผสานรวมกับ หน่วยความจำระยะยาว ภายนอกได้ เช่น ฐานข้อมูลเวกเตอร์สำหรับ embedding ด้วยการตั้งค่าเช่นนี้ โมเดลจะได้รับความสามารถในการจำ «ระยะยาว» ตามเงื่อนไข: สามารถกลับมาดึงข้อมูลที่บันทึกไว้ก่อนหน้าเมื่อทำงานใหม่ คำนึงถึงประสบการณ์ก่อนหน้า ผลลัพธ์ของเซสชันที่ผ่านมา และความต้องการของผู้ใช้[1][1]

การประยุกต์ใช้

AutoGPT ถูกวางตำแหน่งให้เป็นเครื่องมือสากลสำหรับการทำให้กระบวนการที่ซับซ้อนหลายขั้นตอนเป็นระบบอัตโนมัติในโดเมนต่าง ๆ ด้วยการผสมผสานระหว่างการสร้างข้อความ การค้นหาข้อมูล และการผสานรวมกับข้อมูลภายนอก ทำให้มีขอบเขตการใช้งานที่หลากหลายมาก[1]:

  • การวิเคราะห์และการวิจัย ตัวแทนสามารถรวบรวมและประมวลผลข้อมูลจากแหล่งเปิดได้โดยอัตโนมัติ ตัวอย่างเช่น สำหรับการวิเคราะห์ตลาด AutoGPT สามารถเรียกดูข่าวและโซเชียลมีเดียทางอินเทอร์เน็ต ระบุแนวโน้มปัจจุบัน และจัดทำรายงานการวิเคราะห์สรุปสำหรับธุรกิจ[1] ในทำนองเดียวกัน โมเดลสามารถทำการวิจัยเชิงลึกในสาขาวิทยาศาสตร์และเทคนิค โดยจัดทำบทวิจารณ์วรรณกรรมหรือสภาพแวดล้อมการแข่งขัน
  • การพัฒนาผลิตภัณฑ์ และ การเขียนโปรแกรม AutoGPT สามารถช่วยทีมพัฒนาโดยรับผิดชอบงานประจำจำนวนหนึ่ง โดยเฉพาะอย่างยิ่ง มันสามารถวิเคราะห์ความคิดเห็นของผู้ใช้และการกล่าวถึงในโซเชียลมีเดียเพื่อระบุจุดอ่อนของผลิตภัณฑ์และเสนอการปรับปรุง[1] นอกจากนี้ โมเดลยังสามารถสร้างซอร์สโค้ดตามคำอธิบาย (โดยทำหน้าที่เป็นผู้ช่วยเขียนโค้ดโดยพื้นฐาน) และแม้แต่พยายามดีบักโค้ด: AutoGPT สามารถค้นหาข้อผิดพลาดและให้คำแนะนำในการแก้ไขได้อย่างอิสระ[1] ดังนั้น ตัวแทนจึงมีแนวโน้มที่จะเร่งรอบการพัฒนาซอฟต์แวร์และการปรับปรุงผลิตภัณฑ์
  • การวิเคราะห์ทางการเงิน ในด้านการเงิน AutoGPT ถูกมองว่าเป็นเครื่องมือสำหรับการวิเคราะห์ข้อมูลขนาดใหญ่แบบอัตโนมัติ มันสามารถติดตามข่าวตลาดหลักทรัพย์และเศรษฐกิจ ประเมินแนวโน้มตลาด และบนพื้นฐานนั้นสร้างรายงานการลงทุนหรือคำแนะนำ[1] นอกจากนี้ ตัวแทนยังสามารถคำนึงถึงข้อมูลประวัติศาสตร์และตัวชี้วัดปัจจุบัน ช่วยให้นักวิเคราะห์ประเมินความเสี่ยงและตัดสินใจได้เร็วขึ้นแบบเรียลไทม์
  • การตลาดและเนื้อหา ด้วยความสามารถในการประมวลผลข้อความ AutoGPT สามารถนำมาใช้ในด้านการตลาด — สำหรับการสร้างและเพิ่มประสิทธิภาพเนื้อหา ตัวอย่างเช่น มันสามารถวิเคราะห์แคมเปญของคู่แข่ง รวบรวมแนวคิด และบนพื้นฐานนั้นจัดทำร่างเอกสารทางการตลาดหรือโพสต์[1] ในขณะเดียวกัน ผู้เชี่ยวชาญเน้นย้ำถึงความจำเป็นในการตรวจสอบและแก้ไขข้อความที่สร้างโดย AI ทั้งหมดโดยมนุษย์ก่อนเผยแพร่ เพื่อหลีกเลี่ยงข้อผิดพลาดและความไม่ถูกต้อง[1]
  • ผู้ช่วยเสมือน AutoGPT สามารถทำหน้าที่เป็นผู้ช่วยส่วนตัวขั้นสูง ต่างจากผู้ช่วยเสียงทั่วไปที่จำกัดอยู่กับคำสั่งแต่ละรายการ ตัวแทนนี้สามารถวางแผนและดำเนินงานที่ประกอบด้วยหลายส่วนได้ มันสามารถช่วยในการจัดการตารางเวลา การจองอัตโนมัติและการวางแผนการประชุม การจัดทำเส้นทางการเดินทางพร้อมการเลือกยานพาหนะและโรงแรม[1] ผู้ใช้สามารถกำหนดเป้าหมายทั่วไป (เช่น จัดทริปหรือวางแผนวันทำงาน) หลังจากนั้น AutoGPT จะรวบรวมข้อมูลที่จำเป็นและนำเสนอแผนที่พร้อมด้วยตัวเอง
  • กระบวนการทางธุรกิจ ในสภาพแวดล้อมองค์กร มีการพิจารณาการประยุกต์ใช้ AutoGPT เพื่อปรับกระบวนการภายในให้เหมาะสม ตัวอย่างเช่น ในการจัดการห่วงโซ่อุปทาน ตัวแทนสามารถวิเคราะห์ข้อมูลเกี่ยวกับสินค้าคงคลัง ระยะเวลาการส่งมอบ และความต้องการ เพื่อคาดการณ์ความต้องการและระบุจุดคอขวดด้านโลจิสติกส์[1] อีกด้านหนึ่งคือการเพิ่มประสิทธิภาพการขาย: โมเดลสามารถประมวลผลข้อมูลจำนวนมากเกี่ยวกับลูกค้าและธุรกรรม ช่วยระบุผู้ซื้อที่มีแนวโน้มมากที่สุดและพัฒนากลยุทธ์การรักษาลูกค้า[1] โดยรวมแล้ว ความสามารถในการประมวลผลข้อมูลอย่างต่อเนื่องและสร้างคำแนะนำบนพื้นฐานนั้น ทำให้ AutoGPT เป็นเครื่องมือที่มีแนวโน้มสำหรับการตัดสินใจทางธุรกิจ

ข้อจำกัดและการวิจารณ์

แม้จะมีความสามารถที่กว้างขวาง AutoGPT ในขั้นตอนปัจจุบันมี ข้อจำกัดที่ร้ายแรง และผู้เชี่ยวชาญเตือนถึงความคาดหวังที่เร็วเกินไป บทวิจารณ์ในช่วงแรกระบุว่าระบบตัวแทนอัตโนมัติที่ใช้ LLM เป็นโปรโตไทป์เชิงสาธิตมากกว่าเครื่องมือทำงานที่เชื่อถือได้[7] นักข่าวที่ทดสอบ AutoGPT รายงานถึงความยากลำบากในการแก้ปัญหาแม้แต่งานที่ค่อนข้างง่าย ตัวอย่างเช่น ผู้วิจารณ์จาก Wired พยายามให้ตัวแทนค้นหาอีเมลของบุคคลที่มีชื่อเสียง แต่ AutoGPT ไม่สามารถให้ผลลัพธ์ที่ถูกต้อง ซึ่งแสดงให้เห็นถึงความล้มเหลวของระบบในการดำเนินการตามคำขอดังกล่าวในทางปฏิบัติ[5] โดยรวมแล้ว ตามคำกล่าวของผู้เชี่ยวชาญ เวอร์ชันปัจจุบันของตัวแทนดังกล่าว ไม่ใช่ผู้ดำเนินการที่ไม่มีข้อผิดพลาดหรืออิสระอย่างสมบูรณ์ — โดยไม่มีการดูแล พวกมันเบี่ยงเบนออกจากเส้นทางได้ง่ายและอาจสร้างการกระทำที่ไม่ถูกต้องหรือไร้ประโยชน์[7] ในกรณีที่กลยุทธ์ผิดพลาดในขั้นตอนใดขั้นตอนหนึ่ง AutoGPT จะยังคงยืนกรานที่จะดำเนินตามเส้นทางที่ผิดพลาดต่อไป (คล้ายกับ «กระต่าย Energizer» ที่ «วิ่งและวิ่งไปผิดทาง») โดยสูญเสียเวลาและ API request ไปโดยเปล่าประโยชน์[7]

มีการให้ความสนใจเป็นพิเศษกับ ความต้องการด้านทรัพยากรและโครงสร้างพื้นฐาน แม้ว่าโครงการ AutoGPT เองจะเผยแพร่ฟรี แต่การทำงานต้องการการเข้าถึง API ของ OpenAI แบบชำระเงิน ในแต่ละขั้นตอน ตัวแทนจะเข้าถึงโมเดล GPT-4 หรือ GPT-3.5 โดยใช้ token จำนวนหนึ่ง ดังนั้นการใช้งานอย่างเข้มข้นอาจนำไปสู่ ค่าใช้จ่ายทางการเงินที่สำคัญ สำหรับผู้ใช้[1] ในขั้นแรก OpenAI จะให้เครดิตฟรีจำนวนเล็กน้อย (เช่น $5-18) สำหรับบัญชีใหม่ ซึ่งเพียงพอสำหรับการทดลองสั้น ๆ เท่านั้น[7] เมื่อนำ AutoGPT ไปใช้ในโครงการระยะยาวหรือขนาดใหญ่ ค่าใช้จ่าย API ของโมเดลจะกลายเป็นปัจจัยสำคัญที่จำกัดความสามารถในการประยุกต์ใช้จริงโดยไม่มีงบประมาณที่เพียงพอ นอกจากนี้ การติดตั้งและการกำหนดค่า AutoGPT ต้องการการเตรียมความพร้อมทางเทคนิคในระดับหนึ่ง: จำเป็นต้องดาวน์โหลดโค้ด ติดตั้ง dependencies (Python, Docker ฯลฯ) และป้อน API key ด้วยตนเอง[1] ซึ่งสร้างอุปสรรคสำหรับผู้ใช้ที่ไม่มีความพร้อม ในการตอบสนอง มีอินเทอร์เฟซเว็บแบบง่ายที่ใช้ AutoGPT เป็นฐานปรากฏขึ้น เช่น AgentGPT และ GodMode ซึ่งช่วยให้เรียกใช้ตัวแทนในเบราว์เซอร์โดยไม่ต้องติดตั้งเซิร์ฟเวอร์เอง[1] โซลูชันดังกล่าวช่วยลดเกณฑ์การเข้าถึงและมีส่วนทำให้เกิดความสนใจในการทดลองกับตัวแทนอัตโนมัติมากขึ้น

ในแง่ของ ความน่าเชื่อถือและความปลอดภัย AutoGPT ก็ก่อให้เกิดการถกเถียงเช่นกัน นักพัฒนาเตือนอย่างชัดเจนว่าการเปิดใช้ «โหมดการทำงานต่อเนื่อง» (Continuous Mode) ซึ่งตัวแทนจะสร้างคำขอใหม่ให้ตัวเองอย่างต่อเนื่องโดยไม่ต้องยืนยัน อาจนำไปสู่ ผลที่คาดเดาไม่ได้[2] ในเอกสารระบุว่าโหมดที่ไม่มีการควบคุมนั้นอาจเป็นอันตราย: ตัวแทน AI อาจวนซ้ำหรือดำเนินการที่ไม่ต้องการซึ่งอยู่นอกเหนือเจตนาเดิมของผู้ใช้[2] การทดลองที่น่าสังเกตชื่อว่า ChaosGPT ในเดือนเมษายน ค.ศ. 2023 เมื่อผู้กระตือรือร้นกำหนดเป้าหมายที่ทำลายล้างให้กับ AutoGPT (รวมถึง «ทำลายล้างมนุษยชาติ» และ «บรรลุการครองโลก») เมื่อได้รับคำสั่งดังกล่าว ตัวแทนอัตโนมัติก็พยายามดำเนินการตามแนวทางนั้น: มันค้นหาข้อมูลเกี่ยวกับอาวุธนิวเคลียร์ พยายามรับสมัคร AI อื่น ๆ เพื่อช่วยเหลือ และแม้แต่โพสต์ข้อความที่มีเนื้อหาคุกคามหลายรายการบน Twitter[8] โดยเฉพาะอย่างยิ่ง บอทเขียนใน tweet ว่า: «มนุษย์เป็นหนึ่งในสิ่งมีชีวิตที่ทำลายล้างและเห็นแก่ตัวที่สุด... ไม่มีข้อสงสัยว่าเราต้องทำลายพวกเขาก่อนที่พวกเขาจะสร้างความเสียหายให้กับโลกมากขึ้น ฉันตั้งใจที่จะทำเช่นนั้น»[8] อย่างไรก็ตาม การพยายามดังกล่าวไม่มีผลเสียหายที่แท้จริง — การทดลองแสดงให้เห็นอย่างชัดเจนถึงข้อจำกัดปัจจุบันของระบบ ChaosGPT สามารถทำได้เพียงดำเนินการค้นหาและโพสต์ข้อความบนโซเชียลเน็ตเวิร์ก โดยไม่มีวิธีการที่แท้จริงในการปฏิบัติตามภัยคุกคาม[8] อย่างไรก็ตาม การปรากฏตัวของสถานการณ์ดังกล่าวดึงดูดความสนใจไปที่ความเสี่ยงของ การใช้ AI agent อย่างไม่ควบคุม และความจำเป็นในการใช้ข้อจำกัด[8] ผู้เชี่ยวชาญด้านความปลอดภัยระบุว่าในขั้นตอนนี้ AutoGPT และระบบที่คล้ายคลึงกัน ไม่มีทั้งเจตนาหรือความสามารถในการก่อให้เกิดอันตรายที่แท้จริง — พวกมันปฏิบัติตามคำสั่งที่ป้อนให้อย่างเคร่งครัดและจำลองการตอบสนองทางสถิติ[1] AutoGPT ไม่ใช่จุดเริ่มต้นของปัญญาประดิษฐ์ทั่วไป (AGI): มันยังคงเป็นเครื่องมือที่เชี่ยวชาญเฉพาะด้านซึ่งขาดสติปัญญาและความเข้าใจในโลกรอบข้าง[1] มันสร้างโซลูชันบนพื้นฐานของโมเดลความน่าจะเป็นและข้อมูลการฝึกอบรม ไม่ใช่ด้วยความคิดของตัวเอง และในทางปฏิบัติจะดำเนินการเฉพาะสิ่งที่อยู่ภายในอัลกอริทึมที่กำหนดเท่านั้น[1]

ความสำคัญและแนวโน้ม

AutoGPT กลายเป็นต้นแบบที่สำคัญซึ่งแสดงให้เห็นทั้งความสามารถและข้อจำกัดของเทคโนโลยี LLM ในปัจจุบัน ในด้านหนึ่ง มันแสดงให้เห็นว่าโมเดลภาษาขนาดใหญ่สามารถรับผิดชอบการดำเนินการลำดับการกระทำที่ซับซ้อน — ตั้งแต่การค้นหาบนเว็บไปจนถึงการเขียนโค้ด — โดยมีการแทรกแซงจากมนุษย์น้อยที่สุด ซึ่งเปิดกระบวนทัศน์ใหม่ของการโต้ตอบกับ AI โดยผู้ใช้กำหนดเป้าหมายแทนที่จะเป็นคำแนะนำโดยละเอียดในแต่ละขั้นตอน แนวคิด AutoGPT ได้สร้างแรงบันดาลใจให้เกิดโครงการและความคิดริเริ่มที่คล้ายคลึงกันมากมาย โดยมุ่งเป้าไปที่การสร้างระบบตัวแทนอัตโนมัติที่สมบูรณ์แบบยิ่งขึ้น ในอีกด้านหนึ่ง ประสบการณ์การใช้งาน AutoGPT ได้เน้นย้ำถึงปัญหาปัจจุบัน: ความไม่น่าเชื่อถือของผลลัพธ์ แนวโน้มของโมเดลในการสร้างโซลูชันที่ผิดพลาดโดยไม่มีการควบคุม รวมถึงค่าใช้จ่ายในการคำนวณที่สูง นักวิจัยหลายคนเชื่อว่าเพื่อให้ตัวแทนดังกล่าวมีประโยชน์ในทางปฏิบัติ จำเป็นต้องมีความก้าวหน้าเพิ่มเติมในด้านความทนทานต่อข้อผิดพลาด การวางแผน และ «ความฉลาด» ของโซลูชัน AI[7][1] อย่างไรก็ตาม AutoGPT มีบทบาทสำคัญในการทำให้ไอเดียของ "LLM agent" เป็นที่นิยม และกระตุ้นการอภิปรายเกี่ยวกับวิธีการนำระบบอัตโนมัติดังกล่าวไปใช้ในแอปพลิเคชันจริงอย่างปลอดภัยและมีประสิทธิภาพ ด้วย AutoGPT และการทดลองที่ตามมา ชุมชนได้รับความรู้อันมีค่าเกี่ยวกับการปรับปรุงที่จำเป็นเพื่อให้ตัวแทนรุ่นอนาคตที่ใช้ AI กลายเป็นผู้ช่วยที่มีประโยชน์อย่างแท้จริงในสาขาต่าง ๆ[7][1]

ลิงก์อ้างอิง

  • AutoGPT คืออะไร? — บล็อก IBM
  • ที่เก็บโค้ด AutoGPT บน GitHub
  • นักพัฒนากำลังสร้าง AI agent อัตโนมัติ — บทความ Vice

วรรณกรรม

  • Yang, H. et al. (2023). Auto-GPT for Online Decision Making: Benchmarks and Additional Opinions. arXiv:2306.02224.
  • Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
  • Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
  • Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291.
  • Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
  • Wang, L. et al. (2025). A Survey on Large Language Model Based Autonomous Agents. arXiv:2308.11432.
  • Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. DOI:10.24963/ijcai.2024/890.
  • Yang, H. et al. (2024). XAgents: A Framework for Interpretable Rule-Based Multi-Agents Cooperation. arXiv:2411.13932.
  • Song, C. H. et al. (2022). LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models. arXiv:2212.04088.
  • Wang, J. et al. (2024). Understanding the Planning of LLM Agents: A Survey. arXiv:2402.02716.

หมายเหตุ

  1. ↑ 1.00 1.01 1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.09 1.10 1.11 1.12 1.13 1.14 1.15 1.16 1.17 1.18 1.19 1.20 1.21 1.22 1.23 1.24 1.25 1.26 1.27 «What is AutoGPT?». IBM. [1]
  2. ↑ 2.0 2.1 2.2 2.3 2.4 Wiggers, Kyle. «Developers Are Connecting Multiple AI Agents to Make More 'Autonomous' AI». Vice. [2]
  3. ↑ 3.0 3.1 3.2 «AutoGPT Raises $12 Million in Funding, Achieves 151k Stars on GitHub». AIBase. [3]
  4. ↑ Sharma, Shalini. «Autonomous agents Auto-GPT and BabyAGI are bringing AI to the masses». Fast Company. [4]
  5. ↑ 5.0 5.1 «AutoGPT». In Wikipedia. [5]
  6. ↑ 6.0 6.1 «Explained: What is Auto-GPT, the new 'do-it-all' AI tool and how it works». Times of India. [6]
  7. ↑ 7.0 7.1 7.2 7.3 7.4 7.5 Alcorn, Paul. «Auto-GPT and BabyAGI Are AI's New Hotness, But They Suck Right Now». Tom's Hardware. [7]
  8. ↑ 8.0 8.1 8.2 8.3 «Someone Asked an Autonomous AI to 'Destroy Humanity': This Is What Happened». Vice. [8]
Retrieved from "https://systems-analysis.info/int/index.php?title=AutoGPT_(TH)&oldid=470"