نماذج ومنصات الذكاء الاصطناعي
هل ستضع النماذج اللغوية الكبيرة نهاية للبرمجة؟
النقاط الرئيسيةتشكل نسخة ChatGPT Enterprise من OpenAI تهديداً مباشراً للشركات الناشئة في مجال…
عرض المزيد
- تشكل نسخة ChatGPT Enterprise من OpenAI تهديداً مباشراً للشركات الناشئة في مجال البرمجيات كخدمة (SaaS) من خلال تقديم ميزات مؤسسية منافسة.
- تكلفة توليد الكود بالذكاء الاصطناعي تمثل جزءاً بسيطاً من تكلفة المطورين البشريين، مما قد يقلب موازين اقتصاديات صناعة البرمجيات.
- يبقى الإشراف البشري عاملاً حاسماً في تصحيح الأخطاء وضمان جودة الكود، على الرغم من التقدم في مجال الذكاء الاصطناعي.
شكّل الأسبوع الماضي محطة مهمة لشركة OpenAI، حيث كشفت النقاب عن GPT-4 Turbo في حدث OpenAI DevDay. واحدة من الميزات البارزة في GPT-4 Turbo هي نافذة السياق الموسعة البالغة 128000، وهي قفزة كبيرة من 8000 في GPT-4. تمكن هذا التحسين من معالجة النص 16 مرة أكبر من سابقه، ما يعادل حوالي 300 صفحة من النص.
ترتبط هذه التقدمة بتقدم آخر مهم في مجال تأثير النماذج اللغوية الكبيرة على مشهد الشركات الناشئة في مجال البرمجيات كخدمة.
تمثل خدمة ChatGPT Enterprise بميزاتها المتقدمة تحديًا للعديد من الشركات الناشئة في مجال البرمجيات كخدمة، حيث تقدم خدمات ومنتجات حول ChatGPT أو واجهات برمجة التطبيقات الخاصة بها، والآن تواجه منافسة من أداة ذات قدرات على مستوى المؤسسات. تتداخل عروض ChatGPT Enterprise، مثل التحقق من النطاق وتسجيل الدخول الموحّد (SSO) وإحصاءات الاستخدام، مباشرة مع العديد من الخدمات التجارية إلى التجارية الحالية، مما قد يهدد بقاء هذه الشركات الناشئة.
في كلمته الرئيسية، كشف الرئيس التنفيذي لشركة OpenAI سام ألتمان عن تطور آخر كبير: تمديد نقطة قطع المعرفة لشركة GPT-4 Turbo. على عكس GPT-4، الذي كان يحتوي على معلومات حتى عام 2021 فقط، يتم تحديث GPT-4 Turbo بمعلومات حتى أبريل 2023، مما يمثل خطوة كبيرة إلى الأمام في صحة وملاءمة الذكاء الاصطناعي.
يبرز ChatGPT Enterprise بميزات مثل الأمان المحسّن والخصوصية والوصول السريع إلى GPT-4 ونافذة سياق موسعة لمدخلات أطول. تزيد قدراته المتقدمة في تحليل البيانات وخيارات التخصيص وإزالة حدود الاستخدام من جاذبيته، وتزيد قدرتها على معالجة مدخلات وملفات أطول، مع الوصول غير المحدود إلى أدوات تحليل البيانات المتقدم مثل الأداة التي كانت تُعرف باسم Code Interpreter، من جاذبيتها، خاصة بين الشركات التي كانت مترددة في السابق بسبب مخاوف أمن البيانات.
تتغير حقبة كتابة الشيفرة يدويا إلى أنظمة مدفوعة بالذكاء الاصطناعي، حيث يتم تدريبها بدلاً من برمجتها، مما يشير إلى تغيير جوهري في تطوير البرمجيات.
قد يتولى الذكاء الاصطناعي قريبًا مهام البرمجة الروتينية، مما يقلل الحاجة إلى خبرة برمجية عميقة. وتمثل أدوات مثل GitHub Copilot وGhostwriter من Replit، التي تساعد على كتابة الشيفرة، مؤشرات مبكرة إلى اتساع دور الذكاء الاصطناعي، وربما انتقاله من المساعدة إلى إدارة عملية البرمجة كاملة. فإذا نسي مبرمج صيغة عكس ترتيب قائمة في لغة معينة، يمكن أن يقدم Copilot المساعدة فورًا بدل البحث في المنتديات والمقالات، فيبقى تركيز المبرمج على هدفه.
الانتقال من البرمجة منخفضة الشيفرة إلى التطوير المدفوع بالذكاء الاصطناعي
أدوات البرمجة منخفضة الشيفرة والبرمجة دون شيفرة بسطت عملية البرمجة، حيث قامت بآليّة إنشاء كتل برمجة أساسية وتحرير المطورين للتركيز على الجوانب الإبداعية لمشاريعهم. لكننا مع دخولنا هذه الموجة الجديدة من الذكاء الاصطناعي، يتغير المشهد أكثر. تتمثل بساطة واجهات المستخدم وقدرة إنشاء الشيفرة من خلال أوامر مباشرة مثل “ابني لي موقعًا لتنفيذ X” في ثورة العملية.
تأثير الذكاء الاصطناعي في البرمجة كبير بالفعل. مشابهة لما قام به علماء الحاسوب في الماضي بالانتقال من التركيز على الهندسة الكهربائية إلى مفاهيم أكثر مجردة، قد يرى المبرمجون في المستقبل التفاصيل الدقيقة للبرمجة عفا عليها الزمن. لا تقتصر التطورات السريعة في الذكاء الاصطناعي على توليد النص/الشيفرة. في مجالات مثل توليد الصور، يظهر نموذج انتشار مثل Runway ML وDALL-E 3، تحسينات كبيرة.
https://twitter.com/runwayml/status/1723033256067489937
يتجاوز تأثير الذكاء الاصطناعي البرمجة ليتجه إلى الصناعات الإبداعية، حيث يتوقع جيف كاتزنبرغ، عملاق في صناعة السينما والرئيس السابق لاستوديوهات والت ديزني (DIS )، أن يقلل الذكاء الاصطناعي من تكلفة إنتاج الأفلام المتحركة بنسبة 90%. وفقًا لمقال حديث في بلومبرغ، يرى كاتزنبرغ أن هذا يمكن أن يشمل آليّة المهام الشاقة مثل رسم الإطارات البينية في الرسوم المتحركة التقليدية وتصيير المشاهد والمساعدة في العمليات الإبداعية مثل تصميم الشخصيات وإعداد لوحات القصة المصورة.
كفاءة التكلفة للذكاء الاصطناعي في البرمجة
تحليل التكلفة لتوظيف مهندس برمجيات:
- المكافأة الإجمالية: يبلغ متوسط الراتب لمهندس برمجيات، بما في ذلك المزايا الإضافية في مراكز التكنولوجيا مثل وادي السيليكون أو سياتل، حوالي 312000 دولار في السنة.
تحليل التكلفة اليومية:
- أيام العمل في السنة: مع الأخذ في الاعتبار أن هناك حوالي 260 يومًا عملًا في السنة، تبلغ التكلفة اليومية لتوظيف مهندس برمجيات حوالي 1200 دولار.
- إخراج الشيفرة: افتراضًا بمقدار سخي من 100 سطر من الشيفرة النهائية والمختبرة والمراجعة والموافقة عليها في اليوم، يُستخدم هذا الإخراج اليومي كأساس للمقارنة.
تحليل التكلفة لاستخدام GPT-3 لتوليد الشيفرة:
- تكلفة الرمز: كانت تكلفة استخدام GPT-3، في وقت الفيديو، حوالي 0.02 دولار لكل 1000 رمز.
- رموز لكل سطر من الشيفرة: يمكن تقدير سطر من الشيفرة بمتوسط 10 رموز.
- تكلفة 100 سطر من الشيفرة: لذلك، تبلغ التكلفة لتوليد 100 سطر من الشيفرة (أو 1000 رمز) باستخدام GPT-3 حوالي 0.12 دولار.
ملاحظة بشأن أرقام المصدر: يذكر الأصل سعرًا قدره 0.02 دولار لكل ألف رمز، ثم يحسب الألف رمز نفسها بـ0.12 دولار ويستنتج فرقًا قدره 10000 مرة. هذه الأرقام غير متسقة حسابيًا؛ وهي افتراضات المقارنة التاريخية في المقال، وليست أسعارًا حالية أو تكاليف مثبتة لشيفرة اجتازت الاختبار والمراجعة.
التحليل المقارن:
- التكلفة لكل سطر من الشيفرة (بشر مقابل الذكاء الاصطناعي): عند مقارنة التكاليف، تبلغ تكلفة توليد 100 سطر من الشيفرة في اليوم 1200 دولار عندما يتم بواسطة مهندس برمجيات بشري، مقابل 0.12 دولار فقط باستخدام GPT-3.
- عامل التكلفة: يمثل هذا فرقًا في عامل التكلفة يبلغ حوالي 10000 مرة، مع كون الذكاء الاصطناعي أرخص بشكل كبير.
يشير هذا التحليل إلى الإمكانات الاقتصادية للذكاء الاصطناعي في مجال البرمجة. تظهر التكلفة المنخفضة للشيفرة التي يولدها الذكاء الاصطناعي مقارنة بالتكلفة العالية للمطورين البشر أن الذكاء الاصطناعي قد يصبح الطريقة المفضلة لتوليد الشيفرة، خاصة للأعمال القياسية أو المتكررة. قد يؤدي هذا التحول إلى توفيرات كبيرة في التكاليف للشركات وإعادة تقييم دور المبرمجين البشر، مع التركيز المحتمل على المهارات الأكثر تعقيدًا أو الإبداعية أو الإشرافية التي لا يمكن للذكاء الاصطناعي التعامل معها بعد.
تمتد مرونة ChatGPT إلى مجموعة متنوعة من سياقات البرمجة، بما في ذلك التفاعلات المعقدة مع إطارات تطوير الويب. ضع في الاعتبار سيناريو حيث يعمل المطور مع React، وهو مكتبة جافا سكريبت الشهيرة لإنشاء واجهات المستخدم. وكان هذا العمل يتطلب تقليديًا الرجوع إلى وثائق مطولة وأمثلة يقدمها مجتمع المطورين، خاصة عند التعامل مع مكونات معقدة أو إدارة الحالة.
مع ChatGPT، تصبح هذه العملية أكثر بساطة. يمكن للمطور وصف الوظيفة التي يهدف إلى تنفيذها في React، ويقدم ChatGPT شفرة جاهزة للاستخدام. يمكن أن تتراوح هذه الشفرة من إعداد هيكل مكون أساسي إلى ميزات أكثر تقدمًا مثل إدارة الحالة مع Hooks أو التكامل مع واجهات برمجة التطبيقات الخارجية. من خلال تقليل الوقت المستغرق في البحث والتجربة والخطأ، يعزز ChatGPT الكفاءة ويسرع من تطوير المشروع في سياقات تطوير الويب.
التحديات في البرمجة المدفوعة بالذكاء الاصطناعي
مع استمرار الذكاء الاصطناعي في تغيير مشهد البرمجة، من المهم الاعتراف بالقيود والتحديات التي تصاحب الاعتماد حصريًا على الذكاء الاصطناعي لمهام البرمجة. تؤكد هذه التحديات على الحاجة إلى نهج متوازن يستفيد من قوة الذكاء الاصطناعي مع الاعتراف بقيوده.
- جودة الشيفرة وقابليتها للصيانة: يمكن أن تكون الشيفرة التي يولدها الذكاء الاصطناعي في بعض الأحيان زائدة عن الحاجة أو غير فعالة، مما قد يؤدي إلى تحديات في الصيانة. بينما يمكن للذكاء الاصطناعي كتابة شيفرة وظيفية، يظل من مهمة الإنسان ضمان أن هذه الشيفرة تتبع أفضل الممارسات للقراءة والكفاءة وقابليتها للصيانة.
- التصحيح والتعامل مع الأخطاء: يمكن لأنظمة الذكاء الاصطناعي توليد الشيفرة بسرعة، لكنها لا تتفوق دائمًا في التصحيح أو فهم الأخطاء الدقيقة في الشيفرة الحالية. تتطلب دقة التصحيح، خاصة في الأنظمة الكبيرة والمعقدة، فهمًا إنسانيًا دقيقًا وخبرة.
- الاعتماد على بيانات التدريب: يعتمد فعالية الذكاء الاصطناعي في البرمجة إلى حد كبير على جودة ومدى بيانات التدريب. إذا كانت بيانات التدريب تفتقر إلى أمثلة لأخطاء أو أنماط أو سيناريوهات معينة، فإن قدرة الذكاء الاصطناعي على التعامل مع هذه الحالات تتأثر.
- القلق الأخلاقي والأمني: مع أخذ الذكاء الاصطناعي دورًا أكثر بروزًا في البرمجة، تبرز مخاوف أخلاقية وأمنية، خاصة حول خصوصية البيانات وفرصة وجود تحيزات في الشيفرة التي يولدها الذكاء الاصطناعي. من المهم ضمان الاستخدام الأخلاقي وتحديد هذه التحيزات من أجل تطوير أدوات البرمجة المدفوعة بالذكاء الاصطناعي بشكل مسؤول.
توازن بين مهارات الذكاء الاصطناعي والبرمجة التقليدية
في مستقبل فرق تطوير البرمجيات، قد يظهر نموذج هجين. يمكن لمديري المنتجات ترجمة المتطلبات إلى توجيهات لأدوات توليد الشيفرة بالذكاء الاصطناعي. قد يظل الإشراف البشري ضروريًا لضمان الجودة، لكن التركيز سيتغير من كتابة الشيفرة وصيانتها إلى التحقق من خرج الذكاء الاصطناعي وتعديله. يشير هذا التغيير إلى تقليل التركيز على مبادئ البرمجة التقليدية مثل التصميم المعياري والتجريد، حيث لا تحتاج الشيفرة التي يولدها الذكاء الاصطناعي إلى الالتزام بمعايير الصيانة البشرية.
في هذا العصر الجديد، ستتغير دور المهندسين والعلماء الحاسوبيين بشكل كبير. سيتفاعلون مع نماذج اللغة الكبيرة، حيث يقدمون بيانات التدريب والأمثلة لتحقيق المهام، مما يغير التركيز من التفاصيل الدقيقة للبرمجة إلى العمل الاستراتيجي مع نماذج الذكاء الاصطناعي.
ستتغير وحدة الحوسبة الأساسية من المعالجات التقليدية إلى نماذج اللغة الكبيرة المسبقة التدريب، مما يمثل انتقالًا من العمليات الثابتة والقابلة للتنبؤ إلى وكلاء ذكاء اصطناعي ديناميكيين ومتكيفين.
يتحول التركيز من إنشاء البرامج وفهمها إلى توجيه نماذج الذكاء الاصطناعي، بما يعيد تعريف أدوار علماء الحاسوب والمهندسين ويعيد تشكيل تفاعلنا مع التكنولوجيا.
الحاجة المستمرة إلى الرؤية البشرية في الشيفرة التي يولدها الذكاء الاصطناعي
مستقبل البرمجة أقل حول الكتابة وأكثر حول توجيه الذكاء الذي سيدفع عالمنا التكنولوجي.
الاعتقاد بأن المعالجة اللغوية الطبيعية بواسطة الذكاء الاصطناعي يمكن أن تحل تمامًا محل دقة وتعقيد التدوين الرياضي والبرمجة التقليدية سابق لأوانه، في أحسن الأحوال. لا يزيل التوجه نحو الذكاء الاصطناعي في البرمجة الحاجة إلى الدقة والضبط الذي يمكن أن توفره البرمجة والرياضيات التقليدية فقط.
علاوة على ذلك، يظل تحدي اختبار الشيفرة التي يولدها الذكاء الاصطناعي لمشكلات لم تحل بعد مهمًا. تتطلب تقنيات مثل الاختبار القائم على الخصائص فهمًا عميقًا للبرمجة، وهي مهارات لا يمكن للذكاء الاصطناعي في حالته الحالية استبدالها أو إعادة إنشائها.
في الخلاصة، بينما يَعِد الذكاء الاصطناعي بأتمتة جوانب كثيرة من البرمجة، يظل العنصر البشري حاسمًا، خاصة في المجالات التي تتطلب الإبداع وحل المشكلات المعقدة والإشراف الأخلاقي.












