Вештачка интелигенција
Дали моделите на големи јазици ќе го прекинат програмирањето?
Минатата недела означи значајна пресвртница за OpenAI, бидејќи тие го претставија GPT-4 Turbo на нивниот OpenAI DevDay. Исклучителна карактеристика на GPT-4 Turbo е неговиот проширен контекстен прозорец од 128,000, значителен скок од 4-те на GPT-8,000. Ова подобрување овозможува обработка на текст 16 пати поголема од неговиот претходник, што е еквивалентно на околу 300 страници текст.
Овој напредок се поврзува со уште еден значаен развој: потенцијалното влијание врз пејзажот на стартапите на SaaS.
ChatGPT Enterprise на OpenAI, со своите напредни функции, претставува предизвик за многу стартапи SaaS. Овие компании, кои нудеа производи и услуги околу ChatGPT или неговите API, сега се соочуваат со конкуренција од алатка со способности на ниво на претпријатие. Понудите на ChatGPT Enterprise, како верификација на домен, SSO и увиди за користењето, директно се преклопуваат со многу постоечки B2B услуги, што потенцијално го загрозува опстанокот на овие стартапи.
Во својот главен говор, извршниот директор на OpenAI, Сем Алтман, откри уште еден голем развој: продолжување на прекинот на знаење на GPT-4 Turbo. За разлика од GPT-4, кој имаше информации само до 2021 година, GPT-4 Turbo се ажурира со знаење до април 2023 година, што означува значаен чекор напред во релевантноста и применливоста на вештачката интелигенција.
ChatGPT Enterprise се издвојува со функции како подобрена безбедност и приватност, брз пристап до GPT-4 и продолжени контекстни прозорци за подолги влезови. Неговите напредни способности за анализа на податоци, опциите за прилагодување и отстранувањето на ограничувањата за користење го прават супериорен избор во однос на неговите претходници. Неговата способност да обработува подолги влезови и датотеки, заедно со неограничен пристап до напредни алатки за анализа на податоци како претходно познатите Толкувач на кодови, дополнително ја зацврстува својата привлечност, особено кај бизнисите кои претходно се колебаа поради загриженоста за безбедноста на податоците.
Ерата на рачно изработка на код им отстапува место на системите управувани од вештачка интелигенција, обучени наместо програмирани, што означува фундаментална промена во развојот на софтверот.
Обичните задачи на програмирањето наскоро може да паднат на ВИ, намалувајќи ја потребата за длабока експертиза за кодирање. Алатки како Копилот на GitHub Духови на Реплит, кои помагаат во кодирањето, се рани показатели за проширената улога на ВИ во програмирањето, што сугерира иднина каде што вештачката интелигенција се протега надвор од помошта за целосно управување со процесот на програмирање. Замислете го вообичаеното сценарио кога програмерот ја заборава синтаксата за менување листа на одреден јазик. Наместо пребарување преку онлајн форуми и написи, CoPilot нуди итна помош, држејќи го програмерот фокусиран кон целта.
Премин од ниско-код во развој управуван од вештачка интелигенција
Алатките со низок код и без код го поедноставија процесот на програмирање, автоматизирајќи го создавањето на основни блокови за кодирање и ослободувајќи ги програмерите да се фокусираат на креативните аспекти на нивните проекти. Но, како што влегуваме во овој нов бран на вештачка интелигенција, пејзажот дополнително се менува. Едноставноста на корисничките интерфејси и способноста да се генерира код преку едноставни команди како „Изгради ми веб-локација за да направам X“ го револуционизира процесот.
Влијанието на ВИ во програмирањето е веќе огромно. Слично на тоа како раните компјутерски научници преминаа од фокус на електротехниката кон поапстрактни концепти, идните програмери може да го сметаат деталното кодирање како застарено. Брзиот напредок во вештачката интелигенција не е ограничен на генерирање текст/код. Во областите како што се генерирање на слики дифузен модел како Писта ML, ДАЛ-Е3, покажува огромни подобрувања. Само погледнете го твитот подолу од Runway кој ја прикажува нивната најнова функција.
Воведување, Motion Brush.
Нов начин да додадете контролирано движење на вашите генерации.
Наскоро на Gen-2. pic.twitter.com/htyjf1gstz
— Писта (@runwayml) Ноември 10, 2023
Надвор од програмирањето, влијанието на вештачката интелигенција врз креативните индустрии ќе биде подеднакво трансформативно. Џеф Каценберг, титан во филмската индустрија и поранешен претседател на студиото Волт Дизни, предвиде дека вештачката интелигенција значително ќе ги намали трошоците за производство на анимирани филмови. Според една неодамнешна статија од Блумберг Каценберг предвидува драстично намалување на трошоците за 90%. Ова може да вклучува автоматизирање на трудоинтензивни задачи како што се меѓусебно во традиционалната анимација, рендерирање сцени, па дури и помагање во креативните процеси како што се дизајн на ликови и приказна.
Ефективноста на ВИ во кодирањето
Анализа на трошоци за вработување софтверски инженер:
- Вкупен надоместок: Просечната плата за софтверски инженер, вклучувајќи дополнителни бенефити во технолошките центри како Силиконската долина или Сиетл е приближно 312,000 долари годишно.
Дневна анализа на трошоците:
- Работни денови годишно: Имајќи предвид дека има околу 260 работни дена во годината, дневните трошоци за вработување софтверски инженер се околу 1,200 долари.
- Излез на код: Претпоставувајќи дарежлива проценка од 100 финализирани, тестирани, прегледани и одобрени линии код дневно, овој дневен излез е основа за споредба.
Анализа на трошоците за користење на GPT-3 за генерирање код:
- Цена на токен: Трошоците за користење на GPT-3, во времето на видеото, беа околу 0.02 долари за секои 1,000 токени.
- Токени по линија на код: Во просек, една линија код може да се процени дека содржи околу 10 токени.
- Цена за 100 линии код: Затоа, трошоците за генерирање на 100 линии код (или 1,000 токени) со помош на GPT-3 би биле околу 0.12 долари.
Компаративна анализа:
- Цена по линија од кодот (човек наспроти вештачка интелигенција): Споредувајќи ги трошоците, генерирањето на 100 линии код дневно чини 1,200 долари кога е направено од човечки софтверски инженер, наспроти само 0.12 долари со користење на GPT-3.
- Фактор на трошоци: Ова претставува разлика во факторот на трошоците од околу 10,000 пати, при што вештачката интелигенција е значително поевтина.
Оваа анализа укажува на економскиот потенцијал на ВИ во областа на програмирањето. Ниската цена на кодот генериран од вештачка интелигенција во споредба со високите трошоци на човечките развивачи сугерира иднина каде што вештачката интелигенција би можела да стане префериран метод за генерирање код, особено за стандардни или повторувачки задачи. Оваа промена може да доведе до значителни заштеди на трошоците за компаниите и преиспитување на улогата на човечките програмери, потенцијално фокусирајќи ги нивните вештини на посложени, креативни или надзорни задачи со кои вештачката интелигенција сè уште не може да се справи.
Разновидноста на ChatGPT се протега на различни програмски контексти, вклучувајќи сложени интеракции со рамки за развој на веб. Размислете за сценарио каде што развивачот работи со React, популарна библиотека JavaScript за градење кориснички интерфејси. Традиционално, оваа задача би вклучувала навлегување во обемна документација и примери обезбедени од заедницата, особено кога се работи за сложени компоненти или управување со државата.
Со ChatGPT, овој процес станува рационализиран. Програмерот може едноставно да ја опише функционалноста што сака да ја имплементира во React, а ChatGPT обезбедува релевантни, подготвени за употреба фрагменти од код. Ова може да се движи од поставување на основна структура на компоненти до понапредни функции како управување со состојба со куки или интегрирање со надворешни API. Со намалување на времето поминато на истражување и обиди и грешки, ChatGPT ја подобрува ефикасноста и го забрзува развојот на проектот во контексти за развој на веб.
Предизвици во програмирањето управувано од вештачка интелигенција
Бидејќи вештачката интелигенција продолжува да го преобликува програмскиот пејзаж, од суштинско значење е да се препознаат ограничувањата и предизвиците што доаѓаат со потпирањето исклучиво на вештачката интелигенција за програмските задачи. Овие предизвици ја нагласуваат потребата за урамнотежен пристап кој ќе ги користи силните страни на вештачката интелигенција притоа признавајќи ги нејзините ограничувања.
- Квалитет и одржливост на кодот: Кодот генериран со вештачка интелигенција понекогаш може да биде опширен или неефикасен, што потенцијално води до предизвици за одржување. Додека вештачката интелигенција може да пишува функционален код, осигурувајќи дека овој код се придржува до најдобрите практики за читливост, ефикасност и одржување останува задача водена од човекот.
- Дебагирање и справување со грешки: Системите со вештачка интелигенција можат брзо да генерираат код, но не секогаш се одлични во дебагирањето или разбирањето на нијансираните грешки во постоечкиот код. Суптилностите на дебагирањето, особено во големите, сложени системи, често бараат човечко нијансирано разбирање и искуство.
- Потпирање на податоци за обука: Ефективноста на вештачката интелигенција во програмирањето во голема мера зависи од квалитетот и широчината на нејзините податоци за обука. Ако на податоците за обуката им недостасуваат примери на одредени грешки, обрасци или сценарија, способноста на вештачката интелигенција да се справи со овие ситуации е компромитирана.
- Етички и безбедносни грижи: Со преземањето на ВИ позначајна улога во кодирањето, се појавуваат етички и безбедносни проблеми, особено околу приватноста на податоците и потенцијалот за пристрасност во кодот генериран од вештачката интелигенција. Обезбедувањето етичка употреба и справувањето со овие предрасуди е од клучно значење за одговорниот развој на програмските алатки управувани од вештачката интелигенција.
Балансирање на вештачката интелигенција и традиционалните програмски вештини
Во иднина тимови за развој на софтвер можеби ќе се појави хибриден модел. Менаџерите на производи би можеле да ги преточат барањата во директиви за генераторите на кодови за вештачка интелигенција. Човечкиот надзор можеби сè уште е неопходен за обезбедување квалитет, но фокусот ќе се префрли од пишување и одржување на кодот кон проверка и дотерување на излезите генерирани со вештачка интелигенција. Оваа промена сугерира намалување на акцентот на традиционалните принципи на кодирање, како што се модуларноста и апстракцијата, бидејќи кодот генериран од вештачка интелигенција не мора да се придржува до стандардите за одржување фокусирани на човекот.
Во ова ново време, улогата на инженерите и компјутерските научници значително ќе се трансформира. Тие ќе комуницираат со LLM, обезбедувајќи податоци за обука и примери за постигнување задачи, префрлајќи го фокусот од сложено кодирање на стратешка работа со модели на вештачка интелигенција.
Основната пресметковна единица ќе се префрли од традиционалните процесори на масивни, претходно обучени LLM модели, означувајќи отстапување од предвидливи, статични процеси кон динамични, адаптивни агенти за вештачка интелигенција.
Фокусот е премин од креирање и разбирање програми кон водење на модели со вештачка интелигенција, редефинирање на улогите на компјутерските научници и инженери и преобликување на нашата интеракција со технологијата.
Тековната потреба за човечки увид во кодот генериран од вештачката интелигенција
Иднината на програмирањето е помалку за кодирање, а повеќе за насочување на интелигенцијата што ќе го движи нашиот технолошки свет.
Верувањето дека обработката на природниот јазик со вештачка интелигенција може целосно да ја замени прецизноста и сложеноста на формалните математички нотации и традиционалното програмирање, во најдобар случај, е прерано. Преминот кон ВИ во програмирањето не ја елиминира потребата за строгост и прецизност што можат да ги обезбедат само формалните програмирање и математичките вештини.
Згора на тоа, предизвикот за тестирање на кодот генериран од вештачка интелигенција за проблеми кои не биле решени претходно останува значаен. Техниките како тестирањето базирано на имот бараат длабоко разбирање на програмирањето, вештини кои вештачката интелигенција, во нејзината сегашна состојба, не може да ги реплицира или замени.
Накратко, додека вештачката интелигенција ветува дека ќе автоматизира многу аспекти на програмирањето, човечкиот елемент останува клучен, особено во областите кои бараат креативност, сложено решавање проблеми и етички надзор.
