الذكاء الاصطناعي
هل ستؤدي النماذج اللغة الكبيرة إلى نهاية البرمجة؟
marked في الأسبوع الماضي علامة فارقة لشركة OpenAI، حيث كشفت النقاب عن GPT-4 Turbo في حدث OpenAI DevDay. ميزة بارزة 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.
يرتبط هذا التقدم بتقدم آخر مهم: التأثير المحتمل على مشهد الشركات الناشئة في مجال البرمجيات كخدمة.
توفر ChatGPT Enterprise من OpenAI مع ميزاتها المتقدمة تحديًا للعديد من الشركات الناشئة في مجال البرمجيات كخدمة. تواجه هذه الشركات، التي كانت تقدم منتجات وخدمات حول ChatGPT أو واجهات برمجة التطبيقات الخاصة بها، الآن منافسة من أداة ذات возможности على مستوى المؤسسات. تتداخل عروض ChatGPT Enterprise، مثل التحقق من النطاق و SSO ورسومات 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 تاريخ انتهاء صلاحية معرفة GPT-4 Turbo. على عكس GPT-4، الذي كان يحتوي على معلومات فقط حتى عام 2021، تم تحديث GPT-4 Turbo مع المعرفة حتى أبريل 2023، مما ي标ء خطوة كبيرة إلى الأمام في صلاحية وملاءمة الذكاء الاصطناعي.
تتميز ChatGPT Enterprise بميزات مثل الأمان والمواثيق المحسنة وصول سريع عالي الجودة إلى GPT-4 ونوافذ سياق موسعة للمدخلات الأطول. تزيد قدراتها المتقدمة في تحليل البيانات وخيارات التخصيص وإزالة حدود الاستخدام من جاذبيتها، خاصة بين الشركات التي كانت مترددة في الماضي بسبب مخاوف أمن البيانات.
تتغير حقبة صياغة الكود يدوياً إلى أنظمة مدفوعة بالذكاء الاصطناعي، حيث يتم تدريبها بدلاً من برمجةها، مما يشير إلى تغيير جوهري في تطوير البرمجيات.
قد تنحدر المهام الروتينية للبرمجة قريباً إلى الذكاء الاصطناعي، مما يقلل من الحاجة إلى خبرة الترميز العميقة. تشير أدوات مثل Copilot من GitHub وGhostwriter من Replit، التي تساعد في الترميز، إلى أدلة مبكرة على دور الذكاء الاصطناعي المتوسع في البرمجة، مما يشير إلى مستقبل حيث يمتد الذكاء الاصطناعي إلى ما هو أكثر من المساعدة لتحقيق إدارة كاملة لعملية البرمجة. تخيل السيناريو الشائع الذي ينسى المبرمج بنية لغة معينة لتحويل قائمة. بدلاً من البحث في المنتديات والمقالات عبر الإنترنت، يقدم Copilot المساعدة الفورية، مما يبقي المبرمج مركزًا على الهدف.
الانتقال من البرمجة منخفضة الشفرة إلى التطوير المدفوع بالذكاء الاصطناعي
بسطت أدوات البرمجة منخفضة الشفرة وبدون شفرة عملية البرمجة، حيث قامت بتحويل إنشاء كتل الترميز الأساسية وتحرير المطورين للتركيز على الجوانب الإبداعية لمشاريعهم. ولكن مع دخولنا هذه الموجة الجديدة من الذكاء الاصطناعي، يتغير المنظر بشكل أكبر. يثور التبسيط في واجهات المستخدم وقدرة توليد الشفرة من خلال أوامر بسيطة مثل “ابنِ لي موقعًا للقيام بشيء ما” ثورة في 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 الترميز التفصيلي قديمًا. لا تقتصر التطورات السريعة في الذكاء الاصطناعي على توليد النص/الشفرة. في مجالات مثل توليد الصور، يظهر نموذج الانتشار مثل Runway ML وDALL-E 3 تحسينات ضخمة. انظر التغريد الأخير من Runway الذي يظهر ميزته الجديدة.
https://twitter.com/runwayml/status/1723033256067489937
يتجاوز تأثير الذكاء الاصطناعي البرمجة ليشمل الصناعات الإبداعية، حيث من المتوقع أن يكون تحولًا كبيرًا. يتنبأ جيف كاتزنبرج، عملاق في صناعة السينما والرئيس السابق لاستوديوهات والت ديزني، بأن الذكاء الاصطناعي سوف يقلل بشكل كبير من تكلفة إنتاج الأفلام المتحركة. وفقًا لمقالة حديثة من بلومبرغ، يتنبأ كاتزنبرج بخفض التكلفة بنسبة 90%. يمكن أن يشمل ذلك تلقين المهام الشاقة مثل التوصيل في الرسوم المتحركة التقليدية، وتصيير المشاهد، وحتى المساعدة في العمليات الإبداعية مثل تصميم الشخصيات وكتابة القصص.
كفاءة التكلفة للذكاء الاصطناعي في الترميز
- تحليل التكلفة لتوظيف مهندس برمجيات: يبلغ متوسط الراتب لمهندس برمجيات، بما في ذلك الفوائد الإضافية في مراكز التكنولوجيا مثل وادي السيليكون أو سياتل، حوالي 312000 دولار في السنة.
تحليل التكلفة اليومي:
- أيام العمل في السنة: مع الأخذ في الاعتبار أن هناك حوالي 260 يوم عمل في السنة، تبلغ التكلفة اليومية لتوظيف مهندس برمجيات حوالي 1200 دولار.
- إنتاج الشفرة: افتراضًا أن هناك تقديرًا سخيًا لكتابة 100 سطر من الشفرة النهائية والمتجربة والمراجعة والموافقة عليها في اليوم، يُستخدم هذا الإنتاج اليومي كأساس للمقارنة.
تحليل التكلفة لاستخدام GPT-3 لتوليد الشفرة:
- تكلفة الرمز: كانت تكلفة استخدام GPT-3، في وقت الفيديو، حوالي 0.02 دولارًا لكل 1000 رمز.
- رموز لكل سطر من الشفرة: يُقدر متوسط سطر الشفرة أن يحتوي على حوالي 10 رموز.
- تكلفة 100 سطر من الشفرة: لذلك، تكون التكلفة لتوليد 100 سطر من الشفرة (أو 1000 رمز) باستخدام GPT-3 حوالي 0.12 دولار.
التحليل المقارن:
- تكلفة السطر من الشفرة (بشر ضد الذكاء الاصطناعي): عند مقارنة التكاليف، يُظهر توليد 100 سطر من الشفرة في اليوم تكلفة 1200 دولار عند القيام به من قبل 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 للشفرة التي يتم توليدها بواسطة الذكاء الاصطناعي مقارنةً bằngتكلفة عالية للمطورين البشر أن مستقبلًا قد يفضل فيه الذكاء الاصطناعي كطريقة لتوليد الشفرة، خاصةً للمهام القياسية أو المتكررة. قد يؤدي هذا التحول إلى توفيرات كبيرة في التكاليف للشركات وإعادة تقييم دور المبرمجين البشر، مع التركيز المحتمل على المهام الأكثر تعقيدًا أو الإبداعية أو الإشرافية التي لا يمكن للذكاء الاصطناعي التعامل معها بعد.
تتميز ChatGPT بالتنوع في سياقات البرمجة، بما في ذلك التفاعلات المعقدة مع إطارات تطوير الويب. ضع في اعتبارك سيناريو حيث يعمل المطور مع React، وهو مكتبة جافا سكريبت الشهيرة لإنشاء واجهات المستخدم.
تتضمن المهمة التقليدية غوصًا في الوثائق الشاملة والأمثلة المقدمة من المجتمع، خاصة عند التعامل مع مكونات معقدة أو إدارة الحالة.
مع ChatGPT، يصبح هذا العملية أكثر سلاسة. يمكن للمطور ببساطة وصف الوظيفة التي يهدف إلى تنفيذها في React، ويوفر ChatGPT شفرة جاهزة للتشغيل. يمكن أن تتراوح هذه بين إنشاء هيكل مكون أساسي إلى ميزات أكثر تقدمًا مثل إدارة الحالة باستخدام Hooks أو التكامل مع واجهات برمجة التطبيقات الخارجية. من خلال تقليل الوقت المستغرق في البحث وعمليات التجربة 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 ت伴ي الاعتماد الكامل على الذكاء الاصطناعي في مهام البرمجة. تؤكد هذه التحديات على الحاجة إلى نهج متوازن يعتمد على نقاط قوة الذكاء الاصطناعي مع الاعتراف بقيوده.
- جودة الشفرة وقابليتها للصيانة: يمكن أن تكون الشفرة التي يتم توليدها بواسطة الذكاء الاصطناعي في بعض الأحيان冗وية أو غير فعالة، مما قد يؤدي إلى تحديات في الصيانة. بينما يمكن للذكاء الاصطناعي كتابة شفرة وظيفية، يبقى من مهمة الإنسان ضمان أن هذه الشفرة تتوافق مع أفضل الممارسات للقراءة والكفاءة وقابليتها للصيانة.
- فحص الأخطاء ومعالجتها: يمكن لأنظمة الذكاء الاصطناعي توليد الشفرة بسرعة، لكنها لا تتمتع دائمًا بقدرة جيدة على فحص الأخطاء أو فهم الأخطاء الدقيقة في الشفرة الحالية. تتطلب دقائق فحص الأخطاء، خاصة في الأنظمة الكبيرة والمعقدة، فهمًا دقيقًا وتجربة إنسانية.
- الاعتماد على بيانات التدريب: يعتمد فعالية الذكاء الاصطناعي في البرمجة بشكل كبير على جودة ومدى بيانات التدريب. إذا كانت بيانات التدريب تفتقر إلى أمثلة لبعض الأخطاء أو الأنماط أو السيناريوهات، فإن قدرة الذكاء الاصطناعي على التعامل مع هذه الحالات تكون متأثرة.
- القلق الأخلاقي والأمني: مع اتخاذ الذكاء الاصطناعي دورًا أكثر بروزًا في البرمجة، يثور قلقًا أخلاقيًا وأمنيًا، خاصة حول خصوصية البيانات و потенциال لتحيزات في الشفرة التي يتم توليدها بواسطة الذكاء الاصطناعي. من المهم ضمان الاستخدام الأخلاقي ومعالجة هذه التحيزات من أجل تطوير أدوات البرمجة المدفوعة بالذكاء الاصطناعي بشكل مسؤول.
توازن بين الذكاء الاصطناعي ومهارات البرمجة التقليدية
في فرق تطوير البرمجيات المستقبلية، قد يظهر نموذج هجين. يمكن لمديري المنتج ترجمة المتطلبات إلى توجيهات لمنشئي الشفرة المدفوعين بالذكاء الاصطناعي. قد لا تزال الإشراف البشري ضروريًا لضمان الجودة، لكن التركيز سيتغير من كتابة وصيانة الشفرة إلى التحقق من ومعالجة الإخراج الذي يتم توليده بواسطة الذكاء الاصطناعي.
يشير هذا التغيير إلى انخفاض التركيز على مبادئ الترميز التقليدية مثل التجزئة والتشابه، حيث لا تحتاج الشفرة التي يتم توليدها بواسطة الذكاء الاصطناعي إلى الامتثال لمعايير الصيانة البشرية.
في هذا العصر الجديد، ستتغير دور المهندسين وعلماء الحاسوب بشكل كبير. سيتفاعلون مع نماذج LLM، مما يوفر بيانات التدريب والأمثلة لتحقيق المهام، مما يغير التركيز من الترميز الدقيق إلى العمل الاستراتيجي مع نماذج الذكاء الاصطناعي.
ستتغير الوحدة الأساسية للحوسبة من المعالجات التقليدية إلى نماذج LLM الكبيرة والمدربة مسبقًا، مما ي标ء انتقالًا من العمليات الثابتة والقابلة للتنبؤ إلى وكلاء ذكاء اصطناعي ديناميكي وتكيفي.
يتغير التركيز من إنشاء وفهم البرامج إلى توجيه الذكاء الذي سيقود عالمنا التكنولوجي.
استمرار الحاجة إلى الرؤية البشرية في الشفرة التي يتم توليدها بواسطة الذكاء الاصطناعي
مستقبل البرمجة أقل حول الترميز وأكثر حول توجيه الذكاء الذي سيقود عالمنا التكنولوجي.
من المهم أن ندرك أن معالجة اللغة الطبيعية بواسطة الذكاء الاصطناعي لا يمكن أن تحل تمامًا محل الدقة والتعقيد من الترميز الرسمي والبرمجة التقليدية.
بالإضافة إلى ذلك، يبقى تحدي اختبار الشفرة التي يتم توليدها بواسطة الذكاء الاصطناعي لمشاكل لم يتم حلها من قبل مهمة كبيرة. تتطلب تقنيات مثل اختبار القيم المتوقعة فهمًا عميقًا للبرمجة، وهي مهارات لا يمكن للذكاء الاصطناعي في حالته الحالية复lication أو استبدالها.
في الخلاصة، بينما يعد الذكاء الاصطناعي واعدًا بتأتمة جوانب كثيرة من البرمجة، يبقى العنصر البشري حاسمًا، خاصة في المجالات التي تتطلب الإبداع وحل المشاكل المعقدة والإشراف الأخلاقي.
