Přehled
Voyager je agent s technologií LLM 2023, který hraje Minecraft autonomně a neustále se učí psaním znovupoužitelných kódových dovedností a jejich ukládáním do rostoucí knihovny. Ukázalo se, že agent může dělat otevřené, celoživotní vzdělávání bez jakýchkoli přechodových aktualizací, jednoduše tím, že shromažďuje a znovu používá programy.
Agenti Voyager a Skill-Library jsou technickým stavebním blokem, který ovlivňuje kvalitu modelu, náklady na infrastrukturu, latenci a spolehlivost v měřítku.
Hluboký ponor
Voyager, vytvořený společnostmi NVIDIA, Caltech a spolupracovníky (Wang et al.), používá GPT-4 jako svůj mozek a zachází s dovednostmi jako se spustitelným kódem JavaScript, který ovládá robota Minecraftu. Provozuje tři vzájemně se ovlivňující součásti: automatické kurikulum, které navrhuje stále těžší cíle pro maximalizaci zkoumání, iterativní mechanismus pro výzvy, který píše kód, spouští jej ve hře, čte chyby a zpětnou vazbu prostředí a samo se ladí, dokud dovednost nefunguje, a knihovnu dovedností, kde je každá ověřená dovednost uložena a indexována vložením popisu v přirozeném jazyce. Protože se nové dovednosti skládají z dříve uložených dovedností, schopnosti se časem skládají. Voyager získal mnohem více jedinečných předmětů, cestoval na delší vzdálenosti a odemykal milníky technických stromů mnohem rychleji než předchozí agenti a jeho naučené dovednosti se přenesly do nových světů.
Technický přehled
Voyager se učí v kontextu, ne změnou hmotnosti modelu. Dovednost je ověřený úryvek kódu; uloží se s vloženým popisem, takže když se objeví nový úkol, sémanticky relevantní dovednosti jsou načteny a poskytnuty jako stavební kameny. Smyčka sebezdokonalování je: vygenerujte kód, spusťte, sledujte chyby a stav hry, požádejte model o opravu, opakujte. Tím se pokusy a omyly promění v trvalé, sestavitelné programy spíše než pomíjivé uvažování.
Zvládnutí agentů Voyager a Skill-Library
Voyager je agent s technologií LLM 2023, který hraje Minecraft autonomně a neustále se učí psaním znovupoužitelných kódových dovedností a jejich ukládáním do rostoucí knihovny. Ukázalo se, že agent může dělat otevřené, celoživotní vzdělávání bez jakýchkoli přechodových aktualizací, jednoduše tím, že shromažďuje a znovu používá programy. Agenti Voyager a Skill-Library jsou technickým stavebním blokem, který ovlivňuje kvalitu modelu, náklady na infrastrukturu, latenci a spolehlivost v měřítku. Chcete-li vybudovat hluboké porozumění, zacházejte s Voyagerem a agenty Skill-Library jako s operačním modelem, nikoli s jedinou funkcí: definujte požadované výsledky, vyjasněte předpoklady a oddělte to, co systém dokáže spolehlivě, od toho, co stále vyžaduje odborný úsudek.
V praxi silné týmy využívající agenty Voyager a Skill-Library optimalizují architekturu, data a infrastrukturu s ohledem na spolehlivost a náklady. Dokumentují explicitní kritéria úspěšnosti, testují s realistickými daty a pracovními postupy a opakují se na základě pozorovaných vzorců selhání spíše než jednorázových výher v benchmarku. Zde se teoretické porozumění mění v trvalé schopnosti napříč produktem, politikou a provozem.
Rozhodnutí o architektuře zvyšují výkon a provozní náklady po mnoho let. Optimalizace jednoho benchmarku může zároveň skrýt širší systémové slabiny. Nejodolnějším přístupem je kombinovat rychlost experimentování s disciplínou správy: spouštějte pilotní projekty, zachycujte důkazy, publikujte protokoly rozhodnutí a průběžně aktualizujte zabezpečení podle toho, jak se vyvíjí chování modelu, očekávání uživatelů a regulační požadavky.
Strategický dopad
Rozhodnutí o architektuře zvyšují výkon a provozní náklady po mnoho let.
Rozhodnutí o architektuře zvyšují výkon a provozní náklady po mnoho let. Ve vysoce kvalitních nasazeních se to promítá do měřitelných provozních pravidel, hranic vlastnictví a opakujících se rituálů kontroly, takže týmy mohou škálovat důvěru namísto škálování nejednoznačnosti.
Technické vzdělání pomáhá týmům vybrat ten správný stack, nejen ten nejnovější.
Technické vzdělání pomáhá týmům vybrat ten správný stack, nejen ten nejnovější. Ve vysoce kvalitních nasazeních se to promítá do měřitelných provozních pravidel, hranic vlastnictví a opakujících se rituálů kontroly, takže týmy mohou škálovat důvěru namísto škálování nejednoznačnosti.
Lepší konstrukční volby snižují výskyt problémů se spolehlivostí ve výrobě.
Lepší konstrukční volby snižují výskyt problémů se spolehlivostí ve výrobě. Ve vysoce kvalitních nasazeních se to promítá do měřitelných provozních pravidel, hranic vlastnictví a opakujících se rituálů kontroly, takže týmy mohou škálovat důvěru namísto škálování nejednoznačnosti.
Real-World Implementace
Autonomní postup přes technologický strom Minecraftu (od dřeva přes kámen přes železo až po diamantové nástroje) skládáním naučených dovedností.
Psaní a vlastní ladění dovedností v kódu „dolovat a vytvářet“ a poté je znovu použít, kdykoli se tento dílčí úkol opakuje.
Získání dříve uložené dovednosti „boj se zombie“ prostřednictvím vložení jejího popisu, když se objeví podobná hrozba.
Přeneste naučenou knihovnu dovedností do čerstvě vygenerovaného světa Minecraftu, abyste mohli rychleji zavádět nové úkoly.
Implementační vzory
Agenti Voyager a Skill-Library v praxi
Autonomní postup přes technologický strom Minecraftu (od dřeva přes kámen přes železo až po diamantové nástroje) skládáním naučených dovedností.
Autonomní postup přes technologický strom Minecraftu (od dřeva přes kámen přes železo po diamant) skládáním naučených dovedností Týmy obvykle dosahují lepších výsledků, když předem definují prahové hodnoty kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
Agenti Voyager a Skill-Library v praxi
Psaní a vlastní ladění dovedností v kódu „dolovat a vytvářet“ a poté je znovu použít, kdykoli se tento dílčí úkol opakuje.
Psaní a vlastní ladění dovedností „dolování a vytváření“ kódu a jejich opětovné použití, kdykoli se tento dílčí úkol opakuje, Týmy obvykle dosahují lepších výsledků, když předem definují prahové hodnoty kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
Agenti Voyager a Skill-Library v praxi
Získání dříve uložené dovednosti „boj se zombie“ prostřednictvím vložení jejího popisu, když se objeví podobná hrozba.
Získání dříve uložené dovednosti „boj se zombie“ prostřednictvím vložení jejího popisu, když se objeví podobná hrozba Týmy obvykle dosahují lepších výsledků, když předem definují prahy kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
Agenti Voyager a Skill-Library v praxi
Přeneste naučenou knihovnu dovedností do čerstvě vygenerovaného světa Minecraftu, abyste mohli rychleji zavádět nové úkoly.
Přenesení naučené knihovny dovedností do čerstvě vygenerovaného světa Minecraftu, abyste mohli rychleji zavádět nové úkoly Týmy obvykle dosahují lepších výsledků, když předem definují prahy kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
Rizika a zábradlí
Optimalizace jednoho benchmarku může skrýt širší systémové slabiny.
Náklady na infrastrukturu a údržbu jsou často podceňovány.
Mezery v zabezpečení a pozorovatelnosti se mohou zvětšovat, jak se systémy stávají složitějšími.
Plán implementace
Před implementací definujte cíle latence, kvality a nákladů.
Před implementací definujte cíle latence, kvality a nákladů. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.
Benchmark za realistických podmínek zatížení a dat.
Benchmark za realistických podmínek zatížení a dat. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.
Monitorování chyb, posunu a dopadu na uživatele.
Monitorování chyb, posunu a dopadu na uživatele. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.
Před škálováním připravte cesty vrácení zpět a reakce na incidenty.
Před škálováním připravte cesty vrácení zpět a reakce na incidenty. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.