Искусственный интеллект
Положат ли большие языковые модели конец программированию?
Прошедшая неделя ознаменовала собой важную веху для OpenAI, поскольку они представили GPT-4 Turbo на своей конференции. День разработчиков OpenAIОтличительной особенностью GPT-4 Turbo является расширенное контекстное окно, достигающее 128,000 4 страниц, что значительно больше, чем 8,000 16 у GPT-300. Это усовершенствование позволяет обрабатывать в XNUMX раз больше текста, чем предыдущая версия, что эквивалентно примерно XNUMX страницам текста.
Это достижение связано с еще одним важным событием: потенциальным влиянием на ландшафт SaaS-стартапов.
ChatGPT Enterprise от OpenAI с его расширенными функциями представляет собой вызов для многих SaaS-стартапов. Эти компании, предлагавшие продукты и услуги на основе ChatGPT или его API, теперь сталкиваются с конкуренцией со стороны инструмента с возможностями корпоративного уровня. Предложения ChatGPT Enterprise, такие как верификация домена, единый вход (SSO) и аналитика использования, напрямую пересекаются со многими существующими B2B-сервисами, что потенциально ставит под угрозу выживание этих стартапов.
В своём докладе генеральный директор OpenAI Сэм Альтман рассказал о ещё одном важном нововведении: расширении порога знаний GPT-4 Turbo. В отличие от GPT-4, где информация была доступна только до 2021 года, GPT-4 Turbo обновляется знаниями до апреля 2023 года, что знаменует собой значительный шаг вперёд в повышении актуальности и применимости ИИ.
ChatGPT Enterprise выделяется такими функциями, как повышенная безопасность и конфиденциальность, высокоскоростной доступ к GPT-4 и расширенные контекстные окна для более длинных входных данных. Его расширенные возможности анализа данных, возможности настройки и снятие ограничений на использование делают его лучшим выбором по сравнению с его предшественниками. Его способность обрабатывать более длинные входные данные и файлы, а также неограниченный доступ к передовым инструментам анализа данных, таким как ранее известный Интерпретатор кода, еще больше укрепляет свою привлекательность, особенно среди предприятий, которые ранее колебались из-за проблем с безопасностью данных.
Эпоха ручного создания кода уступает место системам, управляемым искусственным интеллектом, которые обучаются, а не программируются, что означает фундаментальные изменения в разработке программного обеспечения.
Обычные задачи программирования вскоре могут перейти к ИИ, что снизит потребность в глубоких знаниях в области кодирования. Такие инструменты, как CoPilot GitHub и Писатель-призрак Реплита, которые помогают в программировании, являются ранними признаками растущей роли ИИ в программировании, указывая на будущее, где ИИ выходит за рамки помощи и полностью управляет процессом программирования. Представьте себе распространённую ситуацию, когда программист забывает синтаксис обратного списка в определённом языке. Вместо поиска на онлайн-форумах и в статьях CoPilot предлагает немедленную помощь, помогая программисту сосредоточиться на достижении цели.
Переход от Low-Code к разработке на основе искусственного интеллекта
Инструменты Low-code и No-code упрощают процесс программирования, автоматизируя создание базовых блоков кодирования и позволяя разработчикам сосредоточиться на творческих аспектах своих проектов. Но по мере того, как мы вступаем в эту новую волну искусственного интеллекта, ситуация меняется еще больше. Простота пользовательских интерфейсов и возможность генерировать код с помощью простых команд, таких как «Создайте мне веб-сайт, чтобы сделать X», произвели революцию в этом процессе.
Влияние ИИ на программирование уже огромно. Подобно тому, как ранние учёные-компьютерщики перешли от электротехники к более абстрактным концепциям, будущие программисты могут считать детальное кодирование устаревшим. Стремительное развитие ИИ не ограничивается генерацией текста/кода. В таких областях, как генерация изображений, диффузионная модель… Взлетно-посадочная полоса МЛ, ДАЛЛ-Э 3, показывает огромные улучшения. Просто посмотрите твит от Runway, демонстрирующий их последнюю функцию.
Представляем Motion Brush.
Новый способ добавить контролируемое движение в ваши поколения.
Скоро появится в Gen-2. pic.twitter.com/htyjf1gstz
- Подиум (@runwayml) 10 ноября 2023
Влияние ИИ на творческие индустрии выходит за рамки программирования и, вероятно, будет столь же преобразующим. Джефф Катценберг, титан киноиндустрии и бывший председатель Walt Disney Studios, предсказал, что ИИ значительно снизит стоимость производства анимационных фильмов. Согласно недавней статье Bloomberg Катценберг прогнозирует резкое снижение затрат на 90%. Это может включать в себя автоматизацию трудоемких задач, таких как промежуточные этапы традиционной анимации, рендеринг сцен и даже помощь в творческих процессах, таких как дизайн персонажей и раскадровка.
Экономическая эффективность ИИ в кодировании
Анализ затрат на найм инженера-программиста:
- Общая компенсация: Средняя зарплата инженера-программиста, включая дополнительные льготы в таких технологических центрах, как Кремниевая долина или Сиэтл, составляет примерно 312,000 XNUMX долларов в год.
Ежедневный анализ затрат:
- Рабочих дней в году: Учитывая, что в году примерно 260 рабочих дней, ежедневная стоимость найма инженера-программиста составляет около 1,200 долларов.
- Вывод кода: Если принять щедрую оценку в 100 завершенных, протестированных, проверенных и утвержденных строк кода в день, то этот ежедневный результат является основой для сравнения.
Анализ затрат на использование GPT-3 для генерации кода:
- Стоимость токена: Стоимость использования GPT-3 на момент видео составляла около 0.02 доллара за каждую 1,000 токенов.
- Токены на строку кода: В среднем строка кода может содержать около 10 токенов.
- Стоимость за 100 строк кода: Таким образом, стоимость создания 100 строк кода (или 1,000 токенов) с использованием GPT-3 составит около 0.12 доллара США.
Сравнительный анализ:
- Стоимость за строку кода (человек против ИИ): Сравнивая затраты, создание 100 строк кода в день обходится в 1,200 долларов, если это делает инженер-программист, по сравнению с 0.12 доллара при использовании GPT-3.
- Коэффициент стоимости: Это представляет собой разницу в факторах стоимости примерно в 10,000 XNUMX раз, при этом ИИ существенно дешевле.
Этот анализ указывает на экономический потенциал ИИ в области программирования. Низкая стоимость кода, сгенерированного ИИ, по сравнению с высокими затратами на разработчиков-людей, предполагает будущее, в котором ИИ может стать предпочтительным методом генерации кода, особенно для стандартных или повторяющихся задач. Этот сдвиг может привести к значительной экономии затрат для компаний и переоценке роли программистов-людей, потенциально сосредоточив их навыки на более сложных, творческих или надзорных задачах, с которыми ИИ пока не может справиться.
Универсальность ChatGPT распространяется на широкий спектр контекстов программирования, включая сложное взаимодействие с фреймворками веб-разработки. Рассмотрим сценарий, в котором разработчик работает с React, популярной библиотекой JavaScript для создания пользовательских интерфейсов. Традиционно эта задача подразумевала изучение обширной документации и примеров, предоставленных сообществом, особенно при работе со сложными компонентами или управлением состоянием.
Благодаря ChatGPT этот процесс упрощается. Разработчик может просто описать функциональность, которую он хочет реализовать в React, а ChatGPT предоставит соответствующие, готовые к использованию фрагменты кода. Это может варьироваться от настройки базовой структуры компонентов до более продвинутых функций, таких как управление состоянием с помощью перехватчиков или интеграция с внешними API. Сокращая время, затрачиваемое на исследования и методы проб и ошибок, ChatGPT повышает эффективность и ускоряет разработку проектов в контексте веб-разработки.
Проблемы программирования, управляемого искусственным интеллектом
Поскольку ИИ продолжает менять ландшафт программирования, важно осознавать ограничения и сложности, возникающие при использовании исключительно ИИ для решения задач программирования. Эти сложности подчёркивают необходимость сбалансированного подхода, который использует сильные стороны ИИ, одновременно признавая его ограничения.
- Качество и ремонтопригодность кода: код, сгенерированный искусственным интеллектом, иногда может быть многословным или неэффективным, что потенциально может привести к проблемам с обслуживанием. Хотя ИИ может писать функциональный код, обеспечение того, чтобы этот код соответствовал лучшим практикам в отношении читаемости, эффективности и удобства обслуживания, остается задачей, определяемой человеком.
- Отладка и обработка ошибок: Системы ИИ могут быстро генерировать код, но они не всегда преуспевают в отладке или понимании мелких ошибок в существующем коде. Тонкости отладки, особенно в больших и сложных системах, часто требуют от человека глубокого понимания и опыта.
- Зависимость от обучающих данных: Эффективность ИИ в программировании во многом зависит от качества и широты обучающих данных. Если в обучающих данных отсутствуют примеры определенных ошибок, шаблонов или сценариев, способность ИИ справляться с этими ситуациями оказывается под угрозой.
- Проблемы этики и безопасности: Поскольку ИИ играет более заметную роль в кодировании, возникают проблемы этики и безопасности, особенно в отношении конфиденциальности данных и возможности предвзятости в коде, сгенерированном ИИ. Обеспечение этичного использования и устранение этих предубеждений имеет решающее значение для ответственной разработки инструментов программирования на основе ИИ.
Баланс ИИ и традиционных навыков программирования
В будущих командах разработчиков программного обеспечения, возможно, появится гибридная модель. Менеджеры по продуктам могли бы переводить требования в директивы для генераторов кода ИИ. Человеческий надзор, возможно, по-прежнему необходим для обеспечения качества, но фокус сместится с написания и поддержки кода на проверку и тонкую настройку результатов, генерируемых ИИ. Это изменение предполагает уменьшение внимания к традиционным принципам кодирования, таким как модульность и абстракция, поскольку код, сгенерированный ИИ, не обязательно должен соответствовать стандартам обслуживания, ориентированным на человека.
В эту новую эпоху роль инженеров и специалистов по информатике существенно изменится. Они будут взаимодействовать с LLM, предоставляя обучающие данные и примеры для выполнения задач, смещая фокус со сложного кодирования на стратегическую работу с моделями ИИ.
Базовый вычислительный блок перейдет от традиционных процессоров к массивным, предварительно обученным моделям LLM, что ознаменует переход от предсказуемых, статических процессов к динамическим, адаптивным агентам искусственного интеллекта.
Основное внимание уделяется переходу от создания и понимания программ к управлению моделями ИИ, переопределению ролей ученых-компьютерщиков и инженеров и изменению нашего взаимодействия с технологиями.
Постоянная потребность в человеческом понимании кода, генерируемого ИИ
Будущее программирования связано не столько с программированием, сколько с управлением интеллектом, который будет управлять нашим технологическим миром.
Вера в то, что обработка естественного языка с помощью ИИ может полностью заменить точность и сложность формальных математических обозначений и традиционного программирования, в лучшем случае преждевременна. Переход к искусственному интеллекту в программировании не устраняет необходимости в строгости и точности, которые могут обеспечить только формальное программирование и математические навыки.
Более того, тестирование кода, сгенерированного ИИ, на предмет решения ранее не решённых задач остаётся серьёзной задачей. Такие методы, как тестирование на основе свойств, требуют глубокого понимания программирования — навыков, которые ИИ в его нынешнем состоянии не может воспроизвести или заменить.
Подводя итог, можно сказать, что хотя ИИ обещает автоматизировать многие аспекты программирования, человеческий фактор остается решающим, особенно в областях, требующих творчества, сложного решения проблем и этического контроля.
