Արհեստական բանականություն
Արդյո՞ք մեծ լեզուների մոդելները կդադարեցնեն ծրագրավորումը:
Հրատարակված է
6 ամիս առաջon
Բովանդակություն
Անցյալ շաբաթը նշանակալի նշաձող էր OpenAI-ի համար, քանի որ նրանք բացահայտեցին GPT-4 Turbo-ն իրենց մոտ: OpenAI DevDay. GPT-4 Turbo-ի առանձնահատուկ առանձնահատկությունն այն 128,000-անոց ընդլայնված համատեքստային պատուհանն է, որը զգալի թռիչք է GPT-4-ի 8,000-ից: Այս բարելավումը հնարավորություն է տալիս տեքստի մշակումը 16 անգամ ավելի մեծ, քան իր նախորդը, ինչը համարժեք է մոտ 300 էջ տեքստի:
Այս առաջընթացը կապված է մեկ այլ նշանակալի զարգացման հետ՝ պոտենցիալ ազդեցություն SaaS ստարտափների լանդշաֆտի վրա:
OpenAI-ի ChatGPT Enterprise-ն իր առաջադեմ առանձնահատկություններով մարտահրավեր է SaaS-ի բազմաթիվ նորաստեղծների համար: Այս ընկերությունները, որոնք առաջարկում էին ապրանքներ և ծառայություններ ChatGPT-ի կամ նրա API-ների շուրջ, այժմ մրցակցում են ձեռնարկության մակարդակի հնարավորություններով գործիքի կողմից: ChatGPT Enterprise-ի առաջարկները, ինչպիսիք են տիրույթի ստուգումը, SSO-ն և օգտագործման պատկերացումները, ուղղակիորեն համընկնում են բազմաթիվ գոյություն ունեցող B2B ծառայությունների հետ՝ պոտենցիալ վտանգելով այս նորաստեղծների գոյատևումը:
OpenAI-ի գործադիր տնօրեն Սեմ Ալթմանը իր հիմնական ելույթում բացահայտեց ևս մեկ կարևոր զարգացում. GPT-4 Turbo-ի գիտելիքների կրճատման ընդլայնումը: Ի տարբերություն GPT-4-ի, որը տեղեկատվություն ուներ միայն մինչև 2021 թվականը, GPT-4 Turbo-ն թարմացվում է գիտելիքներով մինչև 2023 թվականի ապրիլը, ինչը նշանակալի քայլ առաջ է AI-ի արդիականության և կիրառելիության հարցում:
ChatGPT Enterprise-ն առանձնանում է այնպիսի հատկանիշներով, ինչպիսիք են ուժեղացված անվտանգությունն ու գաղտնիությունը, GPT-4-ի արագ մուտքը և ընդլայնված համատեքստային պատուհանները՝ ավելի երկար մուտքերի համար: Տվյալների վերլուծության առաջադեմ հնարավորությունները, հարմարեցման տարբերակները և օգտագործման գլխարկների հեռացումը դարձնում են այն գերազանց ընտրություն իր նախորդների համեմատ: Ավելի երկար մուտքեր և ֆայլեր մշակելու նրա ունակությունը, ինչպես նաև անսահմանափակ մուտք դեպի առաջադեմ տվյալների վերլուծության գործիքներ, ինչպես նախկինում հայտնի էր: Կոդի թարգմանիչ, ավելի ամրապնդում է իր գրավչությունը, հատկապես այն ձեռնարկությունների շրջանում, որոնք նախկինում տատանվում էին տվյալների անվտանգության հետ կապված մտահոգությունների պատճառով:
Ձեռքով կոդ ստեղծելու դարաշրջանը իր տեղը զիջում է AI-ի վրա հիմնված համակարգերին, որոնք պատրաստված են ծրագրավորման փոխարեն, ինչը նշանակում է ծրագրային ապահովման զարգացման հիմնարար փոփոխություն:
Ծրագրավորման առօրյա խնդիրները շուտով կարող են ընկնել AI-ի վրա՝ նվազեցնելով կոդավորման խորը փորձաքննության անհրաժեշտությունը: Գործիքներ, ինչպիսիք են GitHub-ի CoPilot և Replit's Ghostwriter, որոնք օգնում են կոդավորմանը, ծրագրավորման մեջ AI-ի ընդլայնվող դերի վաղ ցուցիչներն են, որոնք առաջարկում են ապագա, որտեղ AI-ն ընդլայնվում է ծրագրավորման գործընթացի ամբողջական կառավարման համար: Պատկերացրեք սովորական սցենարը, երբ ծրագրավորողը մոռանում է շարահյուսությունը որոշակի լեզվով ցուցակը շրջելու համար: Առցանց ֆորումների և հոդվածների միջոցով որոնելու փոխարեն CoPilot-ն առաջարկում է անհապաղ օգնություն՝ ծրագրավորողին կենտրոնացած պահելով դեպի նպատակը:
Անցում ցածր կոդից դեպի AI-ի վրա հիմնված զարգացում
Ցածր կոդերի և առանց կոդերի գործիքները պարզեցրել են ծրագրավորման գործընթացը՝ ավտոմատացնելով հիմնական կոդավորման բլոկների ստեղծումը և ազատագրելով ծրագրավորողներին՝ կենտրոնանալով իրենց նախագծերի ստեղծագործական ասպեկտների վրա: Բայց երբ մենք մտնում ենք այս նոր AI ալիքը, լանդշաֆտը ավելի է փոխվում: Օգտվողի միջերեսների պարզությունը և կոդ ստեղծելու ունակությունը պարզ հրամանների միջոցով, ինչպիսին է «Կառուցիր ինձ կայք X անելու համար», հեղափոխում է գործընթացը:
AI-ի ազդեցությունը ծրագրավորման մեջ արդեն հսկայական է։ Ինչպես վաղ համակարգչային գիտնականները էլեկտրատեխնիկայի վրա կենտրոնացումից անցան ավելի վերացական հասկացությունների, ապագա ծրագրավորողները կարող են մանրամասն կոդավորումը համարել հնացած: AI-ի արագ առաջընթացը չի սահմանափակվում միայն տեքստի/կոդի ստեղծմամբ: Այնպիսի ոլորտներում, ինչպիսիք են պատկերների ստեղծման դիֆուզիոն մոդելը, ինչպես Թռիչքուղի ML, DALL-E3, ցույց է տալիս զանգվածային բարելավումներ: Պարզապես տեսեք ստորև նշված թվիթը Runway-ի կողմից՝ ցուցադրելով իրենց վերջին հնարավորությունը:
Ներկայացնում ենք Motion Brush-ը:
Ձեր սերունդներին վերահսկվող շարժում ավելացնելու նոր միջոց:
Շուտով Gen-2. pic.twitter.com/htyjf1gstz
— Թռիչքուղի (@runwayml) Նոյեմբերի 10, 2023
Ընդլայնվելով ծրագրավորումից դուրս՝ AI-ի ազդեցությունը ստեղծագործական արդյունաբերության վրա նույնքան փոխակերպիչ է լինելու: Կինոարդյունաբերության տիտան, Walt Disney Studios-ի նախկին նախագահ Ջեֆ Կատցենբերգը կանխատեսել է, որ ինտելեկտը զգալիորեն կնվազեցնի անիմացիոն ֆիլմերի արտադրության ծախսերը։ Համաձայն վերջերս հրապարակված հոդվածի Bloomberg Կատցենբերգը կանխատեսում է ծախսերի կտրուկ կրճատում 90%-ով։ Սա կարող է ներառել աշխատատար առաջադրանքների ավտոմատացում, ինչպիսիք են ավանդական անիմացիայի մեջ ներդաշնակությունը, տեսարանների ցուցադրումը և նույնիսկ ստեղծագործական գործընթացների աջակցությունը, ինչպիսիք են կերպարների ձևավորումը և պատմվածքի նկարագիրը:
AI-ի ծախսարդյունավետությունը կոդավորման մեջ
Ծրագրային ինժեների աշխատանքի ծախսերի վերլուծություն.
- Ընդհանուր փոխհատուցում. Ծրագրային ապահովման ինժեների միջին աշխատավարձը, ներառյալ լրացուցիչ առավելությունները տեխնոլոգիական կենտրոններում, ինչպիսիք են Սիլիկոնյան հովտը կամ Սիեթլը, կազմում է տարեկան մոտավորապես $312,000:
Ամենօրյա ծախսերի վերլուծություն.
- Տարեկան աշխատանքային օրեր. Հաշվի առնելով, որ տարեկան մոտավորապես 260 աշխատանքային օր կա, ծրագրային ապահովման ինժեների աշխատանքի օրական արժեքը կազմում է մոտ $1,200:
- Կոդի ելք. Ենթադրելով օրական 100 վերջնական, փորձարկված, վերանայված և հաստատված կոդերի առատաձեռն գնահատում, այս օրական արդյունքը համեմատության հիմք է հանդիսանում:
Կոդերի ստեղծման համար GPT-3-ի օգտագործման ծախսերի վերլուծություն.
- Նշանային արժեքը. GPT-3-ի օգտագործման արժեքը տեսանյութի պահին կազմում էր մոտ 0.02 դոլար յուրաքանչյուր 1,000 նշանի համար:
- Կոդի յուրաքանչյուր տողով նշաններ. Միջին հաշվով, կոդի տողը կարող է պարունակել մոտ 10 նշան:
- Արժեքը կոդի 100 տողերի համար. Հետևաբար, GPT-100-ի միջոցով 1,000 տող կոդ (կամ 3 նշան) ստեղծելու արժեքը կկազմի մոտ $0.12:
Համեմատական վերլուծություն.
- Կոդերի մեկ տողի արժեքը (Մարդն ընդդեմ AI-ի). Համեմատելով ծախսերը՝ օրական 100 տող կոդ ստեղծելն արժե 1,200 դոլար, երբ դա արվում է մարդկային ծրագրաշարի ինժեների կողմից, ի տարբերություն GPT-0.12-ի օգտագործմամբ ընդամենը 3 դոլարի:
- Արժեքի գործոն. Սա ներկայացնում է ծախսերի գործոնի տարբերությունը մոտ 10,000 անգամ, ընդ որում AI-ը զգալիորեն ավելի էժան է:
Այս վերլուծությունը մատնանշում է AI-ի տնտեսական ներուժը ծրագրավորման ոլորտում: AI-ի կողմից ստեղծված կոդի ցածր արժեքը՝ համեմատած մարդկային ծրագրավորողների բարձր ծախսերի հետ, հուշում է ապագա, որտեղ AI-ն կարող է դառնալ նախընտրելի մեթոդ կոդի ստեղծման համար, հատկապես ստանդարտ կամ կրկնվող առաջադրանքների համար: Այս տեղաշարժը կարող է հանգեցնել ընկերությունների ծախսերի զգալի խնայողության և մարդկային ծրագրավորողների դերի վերագնահատման՝ պոտենցիալ կենտրոնացնելով նրանց հմտությունները ավելի բարդ, ստեղծագործական կամ վերահսկողական խնդիրների վրա, որոնք AI-ն դեռ չի կարող լուծել:
ChatGPT-ի բազմակողմանիությունը տարածվում է ծրագրավորման տարբեր համատեքստերի վրա, ներառյալ վեբ մշակման շրջանակների հետ բարդ փոխազդեցությունները: Դիտարկենք մի սցենար, երբ ծրագրավորողը աշխատում է React-ի հետ, որը հայտնի JavaScript գրադարան է օգտատերերի միջերեսներ ստեղծելու համար: Ավանդաբար, այս խնդիրը ներառում է լայնածավալ փաստաթղթերի և համայնքի կողմից տրամադրված օրինակների խորացում, հատկապես, երբ գործ ունենք բարդ բաղադրիչների կամ պետական կառավարման հետ:
ChatGPT-ի միջոցով այս գործընթացը դառնում է պարզունակ: Մշակողը կարող է պարզապես նկարագրել այն ֆունկցիոնալությունը, որը նրանք մտադիր են իրականացնել React-ում, և ChatGPT-ն տրամադրում է համապատասխան, օգտագործման համար պատրաստ կոդի հատվածներ: Սա կարող է տատանվել հիմնական բաղադրիչի կառուցվածքի ստեղծումից մինչև ավելի առաջադեմ գործառույթներ, ինչպիսիք են կեռիկներով վիճակի կառավարումը կամ արտաքին API-ների հետ ինտեգրումը: Նվազեցնելով հետազոտության և փորձարկումների և սխալների վրա ծախսվող ժամանակը, ChatGPT-ն բարձրացնում է արդյունավետությունը և արագացնում նախագծի զարգացումը վեբ զարգացման համատեքստում:
Մարտահրավերներ AI-ի վրա հիմնված ծրագրավորման մեջ
Քանի որ AI-ն շարունակում է վերափոխել ծրագրավորման լանդշաֆտը, կարևոր է ճանաչել այն սահմանափակումներն ու մարտահրավերները, որոնք գալիս են ծրագրավորման առաջադրանքների համար բացառապես AI-ի վրա հիմնվելուց: Այս մարտահրավերներն ընդգծում են հավասարակշռված մոտեցման անհրաժեշտությունը, որը կօգտագործի AI-ի ուժեղ կողմերը՝ միաժամանակ ընդունելով դրա սահմանափակումները:
- Կոդի որակ և պահպանումAI-ի կողմից ստեղծված կոդը երբեմն կարող է լինել մանրամասն կամ անարդյունավետ, ինչը կարող է հանգեցնել սպասարկման խնդիրների: Թեև AI-ն կարող է գրել ֆունկցիոնալ կոդ, ապահովելով, որ այս ծածկագիրը հավատարիմ է ընթեռնելիության, արդյունավետության և պահպանման լավագույն փորձին, մնում է մարդու կողմից առաջնորդվող խնդիր:
- Վրիպազերծում և սխալների կառավարումAI համակարգերը կարող են արագ կոդ ստեղծել, բայց դրանք միշտ չէ, որ գերազանցում են վրիպազերծման կամ առկա կոդի նրբերանգ սխալները հասկանալու հարցում: Վրիպազերծման նրբությունները, հատկապես խոշոր, բարդ համակարգերում, հաճախ պահանջում են մարդու նրբերանգ ըմբռնում և փորձ:
- Կախվածություն վերապատրաստման տվյալների վրաAI-ի արդյունավետությունը ծրագրավորման մեջ մեծապես կախված է դրա վերապատրաստման տվյալների որակից և լայնությունից: Եթե վերապատրաստման տվյալների մեջ բացակայում են որոշակի սխալների, օրինաչափությունների կամ սցենարների օրինակներ, ապա այս իրավիճակները կարգավորելու AI-ի կարողությունը վտանգված է:
- Էթիկական և անվտանգության մտահոգություններԵրբ AI-ն ավելի կարևոր դեր է ստանձնում կոդավորման մեջ, էթիկական և անվտանգության հետ կապված մտահոգություններ են առաջանում, հատկապես տվյալների գաղտնիության և AI-ի կողմից ստեղծված կոդում կողմնակալության հնարավորության շուրջ: Էթիկական օգտագործման ապահովումը և այս կողմնակալությունների լուծումը կարևոր է AI-ի վրա հիմնված ծրագրավորման գործիքների պատասխանատու զարգացման համար:
AI-ի և ավանդական ծրագրավորման հմտությունների հավասարակշռում
Ապագայում ծրագրային ապահովման մշակման թիմերը կարող են ի հայտ գալ հիբրիդային մոդել: Արտադրանքի մենեջերները կարող են պահանջները թարգմանել AI ծածկագրերի գեներատորների հրահանգների: Մարդկային վերահսկողությունը դեռևս կարող է անհրաժեշտ լինել որակի ապահովման համար, սակայն կոդավորումը գրելուց և պահպանելուց ուշադրությունը կփոխվի AI-ի կողմից ստեղծված արդյունքների ստուգման և ճշգրտման վրա: Այս փոփոխությունը ենթադրում է նվազող շեշտադրում ավանդական կոդավորման սկզբունքների վրա, ինչպիսիք են մոդուլյարությունը և վերացականությունը, քանի որ AI-ի կողմից ստեղծված ծածկագիրը չպետք է համապատասխանի մարդակենտրոն պահպանման ստանդարտներին:
Այս նոր դարաշրջանում ինժեներների և համակարգչային գիտնականների դերը զգալիորեն կփոխվի: Նրանք կշփվեն LLM-ի հետ՝ տրամադրելով ուսուցման տվյալներ և օրինակներ՝ առաջադրանքներին հասնելու համար, ուշադրությունը բարդ կոդավորումից տեղափոխելով AI մոդելների հետ ռազմավարական աշխատանքի:
Հիմնական հաշվողական միավորը ավանդական պրոցեսորներից կանցնի զանգվածային, նախապես պատրաստված LLM մոդելների՝ նշելով շեղում կանխատեսելի, ստատիկ գործընթացներից դեպի դինամիկ, հարմարվողական AI գործակալներ:
Ուշադրության կենտրոնում է ծրագրեր ստեղծելուց և հասկանալուց անցումը դեպի AI մոդելներ ուղղորդելու, համակարգչային գիտնականների և ինժեներների դերերի վերաիմաստավորումը և տեխնոլոգիայի հետ մեր փոխգործակցության ձևավորումը:
Մարդկային պատկերացումների շարունակական կարիքը AI-ի կողմից ստեղծված օրենսգրքում
Ծրագրավորման ապագան ավելի քիչ է վերաբերում կոդավորմանը և ավելի շատ բանականության ուղղորդմանը, որը կշարժի մեր տեխնոլոգիական աշխարհը:
Այն համոզմունքը, որ արհեստական ինտելեկտի միջոցով բնական լեզվի մշակումը կարող է լիովին փոխարինել մաթեմատիկական նշումների և ավանդական ծրագրավորման ճշգրտությունն ու բարդությունը, լավագույն դեպքում, վաղաժամ է: Ծրագրավորման մեջ AI-ի անցումը չի վերացնում խստության և ճշգրտության անհրաժեշտությունը, որը կարող են ապահովել միայն պաշտոնական ծրագրավորումը և մաթեմատիկական հմտությունները:
Ավելին, AI-ի կողմից ստեղծված կոդի փորձարկման մարտահրավերը նախկինում չլուծված խնդիրների համար մնում է կարևոր: Գույքի վրա հիմնված թեստավորման նման տեխնիկան պահանջում է ծրագրավորման խորը ըմբռնում, հմտություններ, որոնք AI-ն իր ներկայիս վիճակում չի կարող կրկնօրինակել կամ փոխարինել:
Ամփոփելով, թեև AI-ն խոստանում է ավտոմատացնել ծրագրավորման շատ ասպեկտներ, մարդկային տարրը մնում է կարևոր, հատկապես այն ոլորտներում, որոնք պահանջում են ստեղծագործականություն, բարդ խնդիրների լուծում և էթիկական վերահսկողություն:
Ես անցկացրել եմ վերջին հինգ տարիները՝ ընկղմվելով մեքենայական ուսուցման և խորը ուսուցման հետաքրքրաշարժ աշխարհում: Իմ կիրքն ու փորձառությունը ստիպել են ինձ ներդրում ունենալ ավելի քան 50 տարբեր ծրագրային ապահովման ինժեներական նախագծերում՝ հատուկ ուշադրություն դարձնելով AI/ML-ին: Իմ շարունակական հետաքրքրասիրությունը նաև ինձ ձգում է դեպի Բնական լեզվի մշակումը, մի ոլորտ, որը ես ցանկանում եմ հետագայում ուսումնասիրել:
Դուք կարող եք հավանել
ChatGPT-4o-ի բացահայտում. հաջորդ սերնդի առանձնահատկությունները և դրանց փոխակերպման ազդեցությունը
Գերլիցքավորող գրաֆիկական նեյրոնային ցանցեր՝ մեծ լեզվական մոդելներով. վերջնական ուղեցույց
Հիշողության օպտիմիզացում մեծ լեզուների մոդելի եզրակացության և ճշգրտման համար
Decoder-ի վրա հիմնված մեծ լեզուների մոդելներ. ամբողջական ուղեցույց
Snowflake Arctic. The Cutting Edge LLM for Enterprise AI
Այն ամենը, ինչ դուք պետք է իմանաք Llama 3-ի մասին | Ամենահզոր բաց կոդով մոդելը դեռևս | Օգտագործման հասկացություններ
Վերջին գրառումներ
- Reddit-ը համագործակցում է OpenAI-ի հետ՝ AI-ով ապահովված գործառույթներ բերելու համար
- xLSTM: Ընդլայնված երկարաժամկետ հիշողության համապարփակ ուղեցույց
- AI մոդելի ուսուցման էվոլյուցիան. չափից մինչև արդյունավետություն
- Kinsta Review. WordPress կայքը հյուրընկալելու ամենահեշտ ձևը?
- Կարո՞ղ է AI-ն մեկնաբանել երազները: