Mesterséges Intelligencia
A nagy nyelvű modellek véget vetnek a programozásnak?
A múlt hét jelentős mérföldkő volt az OpenAI számára, amikor bemutatták a GPT-4 Turbót OpenAI DevDay. A GPT-4 Turbo kiemelkedő tulajdonsága a 128,000 4-re bővített kontextusablak, ami jelentős ugrás a GPT-8,000 16-hez képest. Ez a továbbfejlesztés elődjénél 300-szor nagyobb szövegfeldolgozást tesz lehetővé, ami körülbelül XNUMX oldalnyi szövegnek felel meg.
Ez a fejlődés egy másik jelentős fejleményhez kapcsolódik: a SaaS induló vállalkozások környezetére gyakorolt lehetséges hatáshoz.
Az OpenAI ChatGPT Enterprise fejlett funkcióival számos SaaS induló vállalkozás számára kihívást jelent. Ezek a cégek, amelyek eddig a ChatGPT-vel vagy annak API-jaival kapcsolatos termékeket és szolgáltatásokat kínáltak, most egy vállalati szintű képességekkel rendelkező eszközzel szembesülnek. A ChatGPT Enterprise kínálata, mint például a tartományellenőrzés, az egyszeri bejelentkezés és a használati információk, közvetlenül átfedésben van számos meglévő B2B szolgáltatással, ami potenciálisan veszélyezteti ezen induló vállalkozások túlélését.
Az OpenAI vezérigazgatója, Sam Altman vitaindító beszédében egy másik fontos fejleményt is feltárt: a GPT-4 Turbo tudáskorlátjának kiterjesztését. A GPT-4-től eltérően, amely csak 2021-ig rendelkezett információval, a GPT-4 Turbót 2023 áprilisáig frissítik tudással, ami jelentős előrelépést jelent az AI relevanciája és alkalmazhatósága terén.
A ChatGPT Enterprise olyan funkciókkal tűnik ki, mint a fokozott biztonság és adatvédelem, a GPT-4-hez való nagy sebességű hozzáférés, valamint a hosszabb bevitelt biztosító kiterjesztett kontextusablak. Fejlett adatelemzési képességei, testreszabási lehetőségei és a használati korlátok eltávolítása kiváló választássá teszik elődeihez képest. Hosszabb bemenetek és fájlok feldolgozásának képessége, valamint korlátlan hozzáférés a fejlett adatelemző eszközökhöz, mint például a korábban ismert Kódtolmács, tovább erősíti vonzerejét, különösen az adatbiztonsági aggályok miatt korábban tétovázó vállalkozások körében.
A kézi kódkészítés korszaka átadja helyét a mesterséges intelligencia által vezérelt rendszereknek, amelyeket programozás helyett betanítottak, ami alapvető változást jelent a szoftverfejlesztésben.
A programozás hétköznapi feladatai hamarosan az AI-ra hárulhatnak, csökkentve a mélyreható kódolási szakértelem szükségességét. Olyan eszközök, mint A GitHub CoPilotja és a Replit szellemírója, amelyek a kódolást segítik, a mesterséges intelligencia programozásban betöltött szerepének növekedésének korai mutatói, és olyan jövőre utalnak, ahol a mesterséges intelligencia a segítségnyújtáson túlmenően a programozási folyamat teljes irányítását is jelenti. Képzeljük el azt a gyakori forgatókönyvet, amikor a programozó elfelejti a szintaxist egy lista megfordításához egy adott nyelven. Az online fórumokon és cikkekben való keresés helyett a CoPilot azonnali segítséget kínál, így a programozó a cél felé tart.
Átállás az alacsony kódszámúról az AI-vezérelt fejlesztésre
Az alacsony kódú és kód nélküli eszközök leegyszerűsítették a programozási folyamatot, automatizálták az alapvető kódolási blokkok létrehozását, és felszabadították a fejlesztőket, hogy projektjeik kreatív aspektusaira összpontosítsanak. De ahogy belépünk ebbe az új AI-hullámba, a táj tovább változik. A felhasználói felületek egyszerűsége és a kód létrehozásának lehetősége olyan egyszerű parancsokkal, mint a „Build me a website to do X” forradalmasítja a folyamatot.
Az AI befolyása a programozásban már most is óriási. Hasonlóan ahhoz, ahogy a korai informatikusok az elektrotechnikára összpontosítottak az elvontabb fogalmakra, a jövőbeli programozók a részletes kódolást elavultnak tekinthetik. Az AI gyors fejlődése nem korlátozódik a szöveg/kód generálásra. Olyan területeken, mint a képgenerálási diffúziós modell, mint pl ML kifutópálya, DALL-E3, hatalmas fejlődést mutat. Tekintse meg a Runway alábbi tweetjét, amely bemutatja legújabb funkcióját.
Bemutatkozik a Motion Brush.
Új módja annak, hogy irányított mozgást adjon generációihoz.
Hamarosan a Gen-2-ben. pic.twitter.com/htyjf1gstz
— Kifutópálya (@runwayml) November 10, 2023
A programozáson túlmenően az AI kreatív iparágakra gyakorolt hatása ugyanolyan átalakuló lesz. Jeff Katzenberg, a filmipar titánja, a Walt Disney Studios korábbi elnöke azt jósolta, hogy az AI jelentősen csökkenti az animációs filmek gyártási költségeit. Egy friss cikk szerint Bloomberg Katzenberg a költségek drasztikus, 90%-os csökkentését tervezi. Ez magában foglalhatja az olyan munkaigényes feladatok automatizálását, mint például a hagyományos animáció közbeiktatása, a jelenetek renderelése, vagy akár az olyan kreatív folyamatokban való segítségnyújtás, mint a karaktertervezés és a storyboard.
Az AI költséghatékonysága a kódolásban
Szoftvermérnök alkalmazásának költségelemzése:
- Teljes kompenzáció: Egy szoftvermérnök átlagos fizetése hozzávetőlegesen évi 312,000 XNUMX dollár, beleértve az olyan technológiai központokban nyújtott további előnyöket, mint a Szilícium-völgy vagy Seattle.
Napi költségelemzés:
- Munkanapok száma évente: Figyelembe véve, hogy egy évben nagyjából 260 munkanap van, a szoftvermérnök alkalmazásának napi költsége körülbelül 1,200 dollár.
- Kód kimenet: Naponta 100 véglegesített, tesztelt, felülvizsgált és jóváhagyott kódsor nagyvonalú becslését feltételezve ez a napi kimenet az összehasonlítás alapja.
A GPT-3 kódgeneráláshoz való használatának költségelemzése:
- Token költsége: A GPT-3 használatának költsége a videó idején körülbelül 0.02 dollár volt 1,000 tokenenként.
- Tokenek kódsoronként: Egy kódsor átlagosan körülbelül 10 tokent tartalmazhat.
- 100 kódsor ára: Ezért 100 sor kód (vagy 1,000 token) generálása a GPT-3 használatával körülbelül 0.12 dollár lenne.
Összehasonlító elemzés:
- Kódsoronkénti költség (emberi kontra mesterséges intelligencia): Összehasonlítva a költségeket, napi 100 kódsor generálása 1,200 dollárba kerül emberi szoftvermérnök által, szemben a GPT-0.12 használatával mindössze 3 dollárral.
- Költségtényező: Ez körülbelül 10,000 XNUMX-szeres költségtényező-különbséget jelent, miközben a mesterséges intelligencia lényegesen olcsóbb.
Ez az elemzés rámutat az AI gazdasági potenciáljára a programozás területén. A mesterséges intelligencia által generált kód alacsony költsége az emberi fejlesztők magas költségeihez képest azt sugallja, hogy a mesterséges intelligencia a kódgenerálás preferált módszere lehet, különösen a szabványos vagy ismétlődő feladatoknál. Ez az elmozdulás jelentős költségmegtakarítást eredményezhet a vállalatok számára, és átértékelheti a humán programozók szerepét, potenciálisan olyan összetettebb, kreatívabb vagy felügyeleti feladatokra összpontosítva képességeiket, amelyeket az AI még nem tud kezelni.
A ChatGPT sokoldalúsága számos programozási környezetre kiterjed, beleértve a webfejlesztési keretrendszerekkel való összetett interakciókat is. Vegyünk egy olyan forgatókönyvet, amelyben a fejlesztő a React-tal, a felhasználói felületek felépítésére szolgáló népszerű JavaScript-könyvtárral dolgozik. Hagyományosan ez a feladat kiterjedt dokumentációba és közösség által szolgáltatott példákba való elmélyülést jelentett, különösen bonyolult összetevők vagy állami irányítás esetén.
A ChatGPT segítségével ez a folyamat leegyszerűsödik. A fejlesztő egyszerűen leírhatja a Reactban megvalósítani kívánt funkciókat, a ChatGPT pedig releváns, használatra kész kódrészleteket biztosít. Ez az alapvető komponensstruktúra beállításától a fejlettebb funkciókig terjedhet, mint például az állapotok kezelése horgokkal vagy a külső API-kkal való integráció. A kutatásra és a próbálkozásokra fordított idő csökkentésével a ChatGPT növeli a hatékonyságot és felgyorsítja a projektfejlesztést webfejlesztési környezetben.
Kihívások az AI-vezérelt programozásban
Mivel a mesterséges intelligencia továbbra is átformálja a programozási környezetet, elengedhetetlen felismerni azokat a korlátokat és kihívásokat, amelyek abból adódnak, hogy a programozási feladatokat kizárólag az AI-re hagyatkozunk. Ezek a kihívások rávilágítanak egy kiegyensúlyozott megközelítésre, amely kihasználja az AI erősségeit, miközben elismeri korlátait.
- A kód minősége és karbantarthatósága: Az AI által generált kód néha bőbeszédű vagy nem hatékony, ami karbantartási kihívásokhoz vezethet. Míg az AI képes funkcionális kódot írni, annak biztosítása, hogy ez a kód megfeleljen az olvashatóság, a hatékonyság és a karbantarthatóság legjobb gyakorlatainak, továbbra is ember által vezérelt feladat.
- Hibakeresés és hibakezelés: A mesterséges intelligencia rendszerek gyorsan tudnak kódot generálni, de nem mindig jeleskednek a hibakeresésben vagy a meglévő kód árnyalatnyi hibáinak megértésében. A hibakeresés finomságai, különösen a nagy, összetett rendszerekben, gyakran az ember árnyalt megértését és tapasztalatát igénylik.
- A képzési adatokra való támaszkodás: Az AI programozási hatékonysága nagymértékben függ a betanítási adatok minőségétől és terjedelmétől. Ha a betanítási adatokból hiányoznak példák bizonyos hibákra, mintákra vagy forgatókönyvekre, akkor az AI nem képes kezelni ezeket a helyzeteket.
- Etikai és biztonsági aggályok: Mivel a mesterséges intelligencia egyre hangsúlyosabb szerepet játszik a kódolásban, etikai és biztonsági aggályok merülnek fel, különösen az adatvédelem és az AI által generált kódban előforduló torzítások miatt. Az etikus használat biztosítása és ezeknek a torzításoknak a kezelése kulcsfontosságú az AI-vezérelt programozási eszközök felelős fejlesztése szempontjából.
Az AI és a hagyományos programozási készségek egyensúlya
A jövőbeni szoftverfejlesztő csapatokban talán egy hibrid modell jelenik meg. A termékmenedzserek lefordíthatják a követelményeket direktívákká az AI-kódgenerátorok számára. Az emberi felügyelet továbbra is szükséges lehet a minőségbiztosításhoz, de a hangsúly a kód írásáról és karbantartásáról az AI által generált kimenetek ellenőrzésére és finomhangolására helyeződik át. Ez a változás azt sugallja, hogy csökken a hangsúly a hagyományos kódolási elveken, mint például a modularitás és az absztrakció, mivel az AI által generált kódnak nem kell megfelelnie az emberközpontú karbantartási szabványoknak.
Ebben az új korban a mérnökök és informatikusok szerepe jelentősen átalakul. Együttműködnek az LLM-mel, képzési adatokat és példákat szolgáltatva a feladatok elvégzéséhez, áthelyezve a hangsúlyt a bonyolult kódolásról a mesterséges intelligencia modellekkel való stratégiai munkára.
Az alapvető számítási egység a hagyományos processzorokról a masszív, előre betanított LLM-modellek felé fog elmozdulni, ami a kiszámítható, statikus folyamatoktól a dinamikus, adaptív AI-ügynökök felé való eltérést jelzi.
A hangsúly a programok létrehozásáról és megértéséről az AI-modellek irányítására való átálláson, az informatikusok és mérnökök szerepének újradefiniálásán, valamint a technológiával való interakciónk átformálásán van.
Az emberi belátás folyamatos igénye a mesterséges intelligencia által generált kódban
A programozás jövője kevésbé a kódolásról, hanem inkább a technológiai világunkat irányító intelligencia irányításáról szól.
Az a hiedelem, hogy az MI általi természetes nyelvi feldolgozás teljes mértékben helyettesítheti a formális matematikai jelölések és a hagyományos programozás pontosságát és összetettségét, legjobb esetben is korai. Az AI felé való elmozdulás a programozásban nem szünteti meg annak a szigornak és precizitásnak a szükségességét, amelyet csak a formális programozási és matematikai készségek biztosíthatnak.
Ezenkívül továbbra is jelentős kihívást jelent az AI által generált kód tesztelése olyan problémák esetén, amelyeket korábban nem sikerült megoldani. Az olyan technikák, mint a tulajdonság-alapú tesztelés, mélyreható programozási ismereteket igényelnek, olyan készségeket, amelyeket a mesterséges intelligencia jelenlegi állapotában nem képes megismételni vagy helyettesíteni.
Összefoglalva, bár a mesterséges intelligencia a programozás számos aspektusának automatizálását ígéri, az emberi elem továbbra is kulcsfontosságú, különösen azokon a területeken, amelyek kreativitást, összetett problémamegoldást és etikai felügyeletet igényelnek.
