Kommer stora språkmodeller att sluta programmera?

I sin keynote avslöjade OpenAI:s vd Sam Altman en annan viktig utveckling: förlängningen av GPT-4 Turbos kunskapsgräns. Till skillnad från GPT-4, som endast hade information fram till 2021, är GPT-4 Turbo uppdaterad med kunskap fram till april 2023, vilket markerar ett betydande steg framåt i AI:s relevans och tillämpbarhet.

ChatGPT Enterprise sticker ut med funktioner som förbättrad säkerhet och integritet, höghastighetsåtkomst till GPT-4 och utökade sammanhangsfönster för längre indata. Dess avancerade dataanalysfunktioner, anpassningsalternativ och borttagning av användningstak gör den till ett överlägset val jämfört med sina föregångare. Dess förmåga att bearbeta längre indata och filer, tillsammans med obegränsad tillgång till avancerade dataanalysverktyg som de tidigare kända Kodtolk, förstärker dess överklagande ytterligare, särskilt bland företag som tidigare varit tveksamma på grund av datasäkerhetsproblem.

Eran av manuellt skapande kod ger vika för AI-drivna system, tränade istället för programmerade, vilket innebär en grundläggande förändring i mjukvaruutveckling.

De vardagliga uppgifterna med programmering kan snart falla på AI, vilket minskar behovet av djupkodningsexpertis. Verktyg som GitHubs CoPilot och Replits spökskrivare, som hjälper till med kodning, är tidiga indikatorer på AI:s växande roll i programmering, vilket tyder på en framtid där AI sträcker sig bortom hjälp för att fullständigt hantera programmeringsprocessen. Föreställ dig det vanliga scenariot där en programmerare glömmer syntaxen för att vända en lista på ett visst språk. Istället för att söka genom onlineforum och artiklar, erbjuder CoPilot omedelbar hjälp och håller programmeraren fokuserad mot målet.

Övergång från lågkods- till AI-driven utveckling

Verktyg med låg kod och ingen kod förenklade programmeringsprocessen, automatiserade skapandet av grundläggande kodningsblock och befriade utvecklare att fokusera på kreativa aspekter av sina projekt. Men när vi kliver in i denna nya AI-våg förändras landskapet ytterligare. Enkelheten i användargränssnitt och möjligheten att generera kod genom enkla kommandon som "Build me a website to do X" revolutionerar processen.

AI:s inflytande inom programmering är redan enormt. I likhet med hur tidiga datavetare övergick från fokus på elektroteknik till mer abstrakta koncept, kan framtida programmerare se detaljerad kodning som föråldrad. De snabba framstegen inom AI är inte begränsade till text/kodgenerering. Inom områden som bildgenerering diffusionsmodell som Runway ML, DALL-E3, visar massiva förbättringar. Se bara tweeten nedan av Runway som visar upp deras senaste funktion.

Introduktion, Motion Brush.

Ett nytt sätt att lägga till kontrollerade rörelser till dina generationer.

Kommer snart till Gen-2. pic.twitter.com/htyjf1gstz

— Runway (@runwayml) November 10, 2023

Utöver programmering kommer AI:s inverkan på kreativa branscher att vara lika transformerande. Jeff Katzenberg, en titan inom filmbranschen och tidigare ordförande för Walt Disney Studios, har förutspått att AI kommer att avsevärt minska kostnaderna för att producera animerade filmer. Enligt en färsk artikel från Direkt Katzenberg förutser en drastisk kostnadsminskning på 90 %. Detta kan inkludera automatisering av arbetsintensiva uppgifter som mellanliggande i traditionell animering, rendering av scener och till och med hjälp med kreativa processer som karaktärsdesign och storyboarding.

ChatGPT:s mångsidighet sträcker sig till en mängd olika programmeringssammanhang, inklusive komplexa interaktioner med ramverk för webbutveckling. Tänk på ett scenario där en utvecklare arbetar med React, ett populärt JavaScript-bibliotek för att bygga användargränssnitt. Traditionellt sett skulle den här uppgiften innebära att man grävde ner sig i omfattande dokumentation och exempel från gemenskapen, särskilt när man hanterar invecklade komponenter eller statlig förvaltning.

Med ChatGPT blir denna process strömlinjeformad. Utvecklaren kan helt enkelt beskriva funktionaliteten de siktar på att implementera i React, och ChatGPT tillhandahåller relevanta, färdiga kodavsnitt. Detta kan sträcka sig från att sätta upp en grundläggande komponentstruktur till mer avancerade funktioner som att hantera tillstånd med krokar eller att integrera med externa API:er. Genom att minska tiden som spenderas på forskning och trial-and-error ökar ChatGPT effektiviteten och påskyndar projektutvecklingen i webbutvecklingssammanhang.

Utmaningar inom AI-driven programmering

När AI fortsätter att omforma programmeringslandskapet är det viktigt att inse de begränsningar och utmaningar som följer med att enbart förlita sig på AI för programmeringsuppgifter. Dessa utmaningar understryker behovet av ett balanserat tillvägagångssätt som utnyttjar AI:s styrkor samtidigt som man erkänner dess begränsningar.

1. Kodkvalitet och underhåll: AI-genererad kod kan ibland vara utförlig eller ineffektiv, vilket kan leda till underhållsproblem. Även om AI kan skriva funktionell kod, förblir det en mänskligt driven uppgift att säkerställa att denna kod följer bästa praxis för läsbarhet, effektivitet och underhållsbarhet.
2. Felsökning och felhantering: AI-system kan generera kod snabbt, men de utmärker sig inte alltid på att felsöka eller förstå nyanserade fel i befintlig kod. Finheterna i felsökning, särskilt i stora, komplexa system, kräver ofta en människas nyanserade förståelse och erfarenhet.
3. Beroende på utbildningsdata: Effektiviteten av AI i programmering är till stor del beroende av kvaliteten och bredden på dess träningsdata. Om träningsdata saknar exempel på vissa buggar, mönster eller scenarier, äventyras AI:s förmåga att hantera dessa situationer.
4. Etiska och säkerhetsfrågor: När AI tar en mer framträdande roll i kodning uppstår etiska och säkerhetsproblem, särskilt kring datasekretess och potentialen för fördomar i AI-genererad kod. Att säkerställa etisk användning och ta itu med dessa fördomar är avgörande för en ansvarsfull utveckling av AI-drivna programmeringsverktyg.

Balansera AI och traditionella programmeringsfärdigheter

I framtida mjukvaruutvecklingsteam kanske en hybridmodell dyker upp. Produktchefer kan översätta krav till direktiv för AI-kodgeneratorer. Mänsklig tillsyn kan fortfarande vara nödvändig för kvalitetssäkring, men fokus skulle flyttas från att skriva och underhålla kod till att verifiera och finjustera AI-genererade utdata. Denna förändring antyder en minskande betoning på traditionella kodningsprinciper som modularitet och abstraktion, eftersom AI-genererad kod inte behöver följa mänskligt centrerade underhållsstandarder.

I denna nya tid kommer ingenjörernas och datavetarnas roll att förändras avsevärt. De kommer att interagera med LLM, tillhandahålla utbildningsdata och exempel för att utföra uppgifter, flytta fokus från intrikat kodning till strategiskt arbete med AI-modeller.

Den grundläggande beräkningsenheten kommer att skifta från traditionella processorer till massiva, förtränade LLM-modeller, vilket markerar en avvikelse från förutsägbara, statiska processer till dynamiska, adaptiva AI-agenter.

Fokus går över från att skapa och förstå program till att vägleda AI-modeller, omdefiniera rollerna för datavetare och ingenjörer och omforma vår interaktion med teknik.

Tron på att naturlig språkbehandling av AI helt kan ersätta precisionen och komplexiteten hos formella matematiska notationer och traditionell programmering är i bästa fall för tidigt. Skiftet mot AI i programmering eliminerar inte behovet av den rigoritet och precision som endast formell programmering och matematiska färdigheter kan ge.

Dessutom är utmaningen att testa AI-genererad kod för problem som inte har lösts tidigare fortfarande betydande. Tekniker som egenskapsbaserad testning kräver en djup förståelse av programmering, färdigheter som AI, i sitt nuvarande tillstånd, inte kan replikera eller ersätta.