Vibe Coding, AI และความเป็นจริงใหม่ของวิศวกรรมซอฟต์แวร์

เมื่อสิบปีก่อน ความคิดที่ว่า AI จะเขียนโค้ดแทนโปรแกรมเมอร์ฟังดูคล้ายจินตนาการที่น่าตื่นเต้นมากกว่าความเป็นจริง แต่ปัจจุบันสิ่งนี้เป็นส่วนหนึ่งของชีวิตประจำวันแล้ว ผลิตภัณฑ์ MVP สร้างเสร็จได้ในไม่กี่วัน อินเทอร์เฟซสร้างขึ้นจากคำสั่งข้อความ และผู้ช่วย AI กำลังกลายเป็นสมาชิกเต็มตัวของทีมวิศวกรรม

ท่ามกลางสถานการณ์นี้ ผู้คนจำนวนมากขึ้นเรื่อยๆ ถามคำถามเดียวกันว่า AI กำลังแทนที่โปรแกรมเมอร์จริงหรือไม่ ปัญญาประดิษฐ์สามารถมีความสามารถเทียบเท่าและแทนที่วิศวกรอาวุโสได้จริงหรือไม่ และอาชีพนี้จะเป็นอย่างไรในอนาคตอันใกล้

ผมเป็นนักพัฒนาด้วยเช่นกัน และมีความคิดเห็นเกี่ยวกับเรื่องนี้ ลองมาพิจารณากันทีละประเด็น

แก่นของปัญหาคืออะไร

มีเรื่องเล่าที่แพร่หลายเกี่ยวกับการเขียนโปรแกรมด้วย AI ซึ่งมีใจความประมาณนี้

AI กำลังเขียนโค้ดได้อย่างมีประสิทธิภาพสูงมาก และที่สำคัญคือสามารถหลีกเลี่ยงข้อผิดพลาดทั่วไปหลายอย่างที่มนุษย์มักทำได้แล้ว ที่น่าสนใจยิ่งกว่านั้นคือ AI อาจรับมือกับกรณีขอบได้ดีกว่า กรณีเหล่านี้เป็นสถานการณ์ที่เกิดไม่บ่อยและผิดไปจากปกติ แต่พบอยู่ทั่วไปในงานวิศวกรรมซอฟต์แวร์ และนักพัฒนามักคาดการณ์ล่วงหน้าได้ยาก

เมื่อโปรแกรมเมอร์บอกว่า “ผมอยากได้ปุ่มตรงนี้” เขาจะได้รับคำตอบว่า “นี่คือปุ่ม นี่คือกรณีขอบ 18 กรณีที่คุณควรพิจารณา นี่คือการทดสอบที่ต้องรัน และอีกอย่าง คุณอาจอยากเพิ่มสิ่งนี้กับสิ่งนั้นด้วย” คุณอาจมองแล้วคิดว่า “ใช่… มีเหตุผลจริงๆ” หากทำงานเพียงลำพัง คุณอาจเพิ่งสังเกตเห็นปัญหาเหล่านี้ในอีกหลายสัปดาห์ หลังจากเกิดข้อผิดพลาดในระบบที่ใช้งานจริงไปแล้ว แต่ AI มักเสนอวิธีแก้ได้ทันที สำหรับวิศวกรที่มีงานทำอยู่แล้ว สิ่งนี้เพิ่มผลิตภาพและประสิทธิภาพอย่างมาก

เรื่องเล่านี้นำไปสู่คำถามทางเศรษฐศาสตร์โดยตรง หากเดิมบริษัทต้องใช้นักพัฒนา 100 คนเพื่อรับมือกับปริมาณงานหนึ่ง ในทางทฤษฎีตอนนี้อาจต้องการเพียง 20 คน เพราะนักพัฒนา 20 คนนั้นทำงานในปริมาณเท่าเดิมได้ด้วยความช่วยเหลือจาก AI

มีอะไรซ่อนอยู่เบื้องหลังการเร่งความเร็วนี้

ผมเห็นวิศวกรซอฟต์แวร์ฝีมือดีมากๆ กังวลเรื่องตำแหน่งงาน จุดยืนในตลาด และรายได้บ่อยขึ้นเรื่อยๆ จนรู้สึกว่าอีกไม่นานอาจไม่เหลืองานสำหรับคนเขียนโค้ดแล้ว

คำตอบของผมมักเป็นว่า ทุกคน สถานการณ์อาจไม่ได้รุนแรงอย่างที่เห็น ที่จริงวิศวกรผู้มีประสบการณ์กำลังมีคุณค่าในรูปแบบใหม่ เพราะเราอาจเป็นหนึ่งในนักพัฒนาไม่กี่รุ่นสุดท้ายที่เขียนโค้ดด้วยตัวเองจริงๆ และเข้าใจการทำงานภายในของระบบอย่างลึกซึ้ง คนรุ่นถัดไปทำงานผ่านเครื่องมือ AI มากขึ้น และแนวปฏิบัติทางวิศวกรรมเองก็เปลี่ยนตามไปด้วย

สิ่งที่เรื่องเล่าข้างต้นไม่ได้คำนึงถึงคือ

โค้ดที่ AI สร้างมักดูเหมือนไม่มีปัญหา งานได้รับการแก้ไข อินเทอร์เฟซทำงาน และทุกอย่างรันได้ แต่เมื่อเวลาผ่านไป ในระยะยาวปัญหาที่สังเกตได้ยากกว่าจะเริ่มปรากฏ เช่น การยอมประนีประนอมด้านสถาปัตยกรรม การตัดสินใจทางวิศวกรรมที่ไม่ดี ปัญหาโครงสร้างข้อมูล หรือปัญหาการขยายระบบ สาเหตุคือ AI เก่งมากแล้วในการแก้งานเฉพาะจุด แต่ตรรกะระยะยาวของระบบขนาดใหญ่ยังต้องอาศัยประสบการณ์มนุษย์และวิจารณญาณทางวิศวกรรม

ดังนั้น เมื่อโครงการเหล่านี้เข้าสู่สภาพแวดล้อมใช้งานจริงที่มีข้อเรียกร้องสูง เช่น ธนาคาร แพลตฟอร์มอีคอมเมิร์ซ และบริการขนาดใหญ่ ในที่สุดทีมก็ยังต้องการคนที่วิเคราะห์สถาปัตยกรรมอย่างลึกซึ้ง ระบุต้นตอปัญหา และฟื้นฟูตรรกะโดยรวมของระบบได้

ผมมักได้รับโทรศัพท์จากเพื่อนที่พูดทำนองว่า “ไมเคิล ช่วยเข้ามาดูให้หน่อยได้ไหมว่าทำไมระบบเริ่มพัง” แม้ปัจจุบันผมทำงานด้าน Physical AI ที่ Introspector แต่ผมก็ยังอาจช่วยงานวิศวกรรมที่ยากและต้องลงมือทำด้วยตัวเองแบบนี้เป็นครั้งคราว ได้แก่ การสร้างตรรกะระบบขึ้นใหม่ การวิเคราะห์สถาปัตยกรรม และการหาว่าปัญหาเริ่มสะสมจากจุดไหน

นี่คือเหตุผลที่ผมเชื่อว่าวิศวกรฝีมือดีจะยังมีคุณค่าสูงไปอีกนาน ขณะเดียวกัน ผู้ช่วยปรับปรุงและฝึกโมเดล AI ในปัจจุบันก็มักเป็นวิศวกรที่มีประสบการณ์ ที่ Keymakr เราเห็นเรื่องนี้ด้วยตัวเองตอนค้นหานักพัฒนามีประสบการณ์มาตรวจสอบโค้ดและช่วยฝึกโมเดล คนเหล่านี้อาศัยวิธีคิดเชิงวิศวกรรมจริง ประสบการณ์ลงมือทำ และความเข้าใจอย่างลึกซึ้งว่าระบบทำงานอย่างไรในโลกจริง

สมมติฐานหลัก

สิ่งนี้นำเรามาสู่คำถามใหญ่ที่สุดเกี่ยวกับอนาคต ท้ายที่สุดทุกอย่างกำลังมุ่งไปทางไหน เราจะพัฒนาวิศวกรรุ่นถัดไปอย่างไร หากพวกเขาเข้าสู่อุตสาหกรรมด้วยเส้นทางที่ต่างออกไปอย่างสิ้นเชิงตั้งแต่แรก

หากมองสถานการณ์อย่างเป็นกลาง โดยไม่มีความตื่นเต้นเกินจริงหรือความกลัว ผมเห็นสถานการณ์ที่เป็นไปได้อยู่หลายแบบ

• อนาคตที่ยังไม่ชัดเจน

คำตอบแรกและอาจเป็นคำตอบที่ตรงไปตรงมาที่สุดคือ ปัจจุบันมีคนเพียงน้อยนิดที่คิดไกลขนาดนั้นจริงๆ เพราะยังไม่มีใครเข้าใจได้อย่างครบถ้วนว่าในทางปฏิบัติอนาคตนี้จะเป็นอย่างไร

บางทีอีกไม่กี่ปี เอเจนต์ AI อาจเขียนโค้ดที่เกือบสมบูรณ์แบบได้จริง พร้อมสถาปัตยกรรมที่ดี ความสามารถในการขยายระบบ และความเข้าใจบริบท ขณะนี้คำถามดังกล่าวยังเปิดกว้างอย่างเต็มที่

ขณะเดียวกัน บริษัทเทคโนโลยีขนาดใหญ่อย่าง Apple (AAPL ), Microsoft (MSFT ) และ Google ยังรับนักวิจัยเก่งๆ ผู้เชี่ยวชาญที่มีปริญญาเอก และบุคลากรจากแวดวงวิชาการอย่างแข็งขันและต่อเนื่อง เรื่องนี้น่าจะบ่งบอกว่าพวกเขาเชื่อว่าความเข้าใจทางวิศวกรรมอย่างลึกซึ้งจะยังสำคัญ แม้ในโลกที่โค้ดส่วนใหญ่สร้างขึ้นโดยอัตโนมัติ

อย่างไรก็ตาม บริษัทเล็กมักมีกรอบเวลาวางแผนต่างออกไปมาก หากไม่รู้ว่าสตาร์ทอัพของคุณจะยังอยู่ในอีกหกเดือนหรือไม่ ก็ยากที่จะคิดอย่างจริงจังว่าจะเกิดอะไรขึ้นในอีกสิบปี แน่นอนว่าไม่มีใครตั้งใจสร้างสิ่งที่บกพร่องตั้งแต่พื้นฐาน ทีมยังพยายามหาความเสี่ยงและจุดอ่อนที่อาจเกิดขึ้นอยู่

แต่ในความเป็นจริง ตรรกะมักง่ายกว่านั้นมาก คือสร้างผลิตภัณฑ์ที่ทำงานได้และสร้างรายได้ก่อน แล้วค่อยจัดการสถาปัตยกรรม การปรับประสิทธิภาพ และการเขียนระบบใหม่ภายหลัง ปัญหาคือในหลายโครงการ คำว่า “ภายหลัง” ถูกเลื่อนออกไปเรื่อยๆ อย่างไม่มีกำหนด

• วิวัฒนาการแบบเกลียว

คำตอบที่สองในความเห็นของผมน่าสนใจยิ่งกว่า หากมองประวัติศาสตร์ของอุตสาหกรรม เราเคยผ่านการเปลี่ยนผ่านคล้ายกันมาหลายครั้งแล้ว โปรแกรมเมอร์รุ่นแรกทำงานกับบัตรเจาะรู จากนั้นเป็นวิศวกรรุ่นที่เขียนภาษาแอสเซมบลี ซึ่งเป็นสิ่งที่นักพัฒนายุคใหม่หลายคนแทบจินตนาการไม่ออกแล้ว สมัยนั้นคุณต้องเข้าใจจริงๆ ว่าฮาร์ดแวร์ทำงานอย่างไร คิดตามตรรกะของหน่วยประมวลผล และเก็บรายละเอียดซับซ้อนระดับล่างปริมาณมหาศาลไว้ในหัว

จากนั้นมาถึงยุค COBOL ระบบเมนเฟรมของธนาคารทั้งระบบสร้างขึ้นด้วยภาษานี้ สิ่งที่น่าประหลาดใจที่สุดคือโครงสร้างพื้นฐานธนาคารทั่วโลกส่วนสำคัญยังทำงานบนระบบเก่าเหล่านั้นในปัจจุบัน ยังมีโปรแกรมเมอร์ในวัยหกสิบและเจ็ดสิบกว่าปีคอยดูแลฐานโค้ดนี้ และพวกเขายังเป็นผู้เชี่ยวชาญที่มีคุณค่าอย่างยิ่ง

คนรุ่นถัดไปย้ายไปใช้ C++, Python และ JavaScript ผมเองอยู่ในยุคนั้น ตัวอย่างเช่น ผมแทบไม่เข้าใจว่า COBOL ทำงานอย่างไร ในทางทฤษฎีผมเรียนรู้ได้ แต่สำหรับผมมันรู้สึกห่างไกลและไม่คุ้นเคยไปแล้ว

เมื่อมองในเชิงประวัติศาสตร์ จะเห็นรูปแบบที่น่าสนใจ วิศวกรรุ่นใหม่แต่ละรุ่นไม่จำเป็นต้องเข้าใจอย่างลึกซึ้งอีกต่อไปว่าเทคโนโลยีของคนรุ่นก่อนทำงานอย่างไร เมื่อเวลาผ่านไป ความรู้นั้นถูกฝังไว้ในตัวโครงสร้างพื้นฐานเอง

บัตรเจาะรูหายไปนานแล้ว ตรรกะของมันฝังอยู่ในหน่วยประมวลผล ภาษาแอสเซมบลีส่วนใหญ่ไม่ได้เป็นเครื่องมือกระแสหลักอีกต่อไป เพราะความซับซ้อนของมันซ่อนอยู่ในระบบปฏิบัติการ ไดรเวอร์ และชั้นนามธรรมระดับล่าง แม้แต่หูฟังของคุณในปัจจุบันก็น่าจะมีระบบปฏิบัติการขนาดเล็กที่จัดการความซับซ้อนที่ซ่อนอยู่ทั้งหมดนี้ในเบื้องหลัง คนส่วนใหญ่ไม่เคยคิดถึงเรื่องนี้เลยด้วยซ้ำ

แน่นอนว่ายังมีผู้เชี่ยวชาญที่เข้าใจกลไกระดับล่างอันน่าทึ่งทั้งหมดนี้ แต่สำหรับคนส่วนใหญ่ในอุตสาหกรรม สิ่งเหล่านี้กลายเป็นชั้นนามธรรมไปแล้ว

นี่นำไปสู่แนวคิดที่สมเหตุสมผลมาก บางที AI อาจเป็นเพียงขั้นต่อไปของวิวัฒนาการนี้ บางทีคนรุ่นถัดไปอาจไม่จำเป็นต้องเข้าใจการเขียนโปรแกรมแบบดั้งเดิมอย่างลึกซึ้งเท่าที่เราเคยเข้าใจจริงๆ ก็ได้

• เศรษฐศาสตร์ของตลาด

อีกสมมติฐานหนึ่งของผมคือ ไวบ์โค้ดดิง หรือการพัฒนาด้วยความช่วยเหลือจาก AI จะเลิกถูกมองว่าเป็น “การเร่งความเร็วฟรี” ในที่สุด ที่จริงปัจจุบันมันก็ไม่ได้ฟรีทั้งหมดอยู่แล้ว เพียงแต่ยังไม่ใช่ทุกคนที่จะคำนวณต้นทุนและความคุ้มค่าที่แท้จริงอย่างละเอียด

โมเดล โทเค็น โครงสร้างพื้นฐาน คำขอที่ส่งอย่างต่อเนื่อง และการดูแลกระบวนการทำงานของ AI ทั้งหมด กำลังค่อยๆ กลายเป็นค่าใช้จ่ายดำเนินงานที่สำคัญ ผมจึงเชื่อว่าอีกไม่นานบริษัทต่างๆ จะพิจารณาต้นทุนจริงของการพัฒนาด้วย AI อย่างใกล้ชิดขึ้นมาก และถามคำถามที่ตรงไปตรงมาว่า อะไรมีประสิทธิภาพกว่ากัน ระหว่างขยายทีมวิศวกรรมกับดูแลโครงสร้างพื้นฐาน AI ทั้งหมดที่รองรับการพัฒนา

สถานการณ์หนึ่งที่เป็นไปได้อย่างมากคือ ในที่สุดทีมวิศวกรรมที่เก่งอาจมีความยั่งยืนทางเศรษฐกิจมากกว่า โดยเฉพาะในการดูแล พัฒนา และสนับสนุนผลิตภัณฑ์ในระยะยาว

อย่างไรก็ตาม ผมคิดว่าจุดนี้เองอาจทำให้เกิดทีมวิศวกรรมรูปแบบใหม่ นั่นคือกลุ่มขนาดเล็กมากที่ประกอบด้วยผู้เชี่ยวชาญประสบการณ์สูงมาก มุ่งดูแลเสถียรภาพและความสามารถรับมือกับปัญหาของตัวโครงสร้างพื้นฐานเอง เมื่อเวลาผ่านไป งานนี้อาจกลายเป็นหนึ่งในความเชี่ยวชาญทางวิศวกรรมที่มีคุณค่าที่สุดในอุตสาหกรรม

• ผู้ที่จะทำงานร่วมกับ AI

สมมติฐานสุดท้าย แม้จะเป็นสมมติฐานที่เป็นไปได้อย่างมาก คือวิศวกรรุ่นถัดไปน่าจะต้องสร้างเส้นทางอาชีพในสภาพแวดล้อมที่ต่างออกไปโดยสิ้นเชิง เรื่องนี้กว้างกว่าการเขียนโปรแกรมเพียงอย่างเดียว ความเปลี่ยนแปลงคล้ายกันเริ่มปรับโฉมกฎหมาย การเงิน การแพทย์ และแทบทุกสาขาที่ AI สามารถรับช่วงงานทางความคิดที่ทำเป็นกิจวัตรส่วนสำคัญได้แล้ว

ถึงอย่างนั้น ผมยังค่อนข้างมองสิ่งที่เกิดขึ้นในแง่บวก อาจเพราะโดยรวมแล้วผมชอบความก้าวหน้าจริงๆ ผมชอบแนวคิดที่ว่าเทคโนโลยีสามารถทำให้ชีวิตผู้คนดีขึ้น ช่วยให้มนุษย์พ้นจากงานซ้ำๆ จำนวนมหาศาล และทำให้กระบวนการหลายอย่างปลอดภัยและมีประสิทธิภาพขึ้น

ตัวอย่างเช่น ระบบขับขี่อัตโนมัติของ Tesla หรือ Waymo แสดงให้เห็นระดับความปลอดภัยที่สูงอย่างน่าทึ่งในหลายสถานการณ์เมื่อเทียบกับผู้ขับขี่มนุษย์แล้ว ซึ่งน่าประทับใจจริงๆ

ขณะเดียวกัน โลกที่ลูกหลานของเรากำลังเข้าสู่จะซับซ้อนขึ้นมากในด้านอัตลักษณ์ทางอาชีพ พวกเขาจะต้องค้นหาที่ทางและเป้าหมายของตัวเองท่ามกลางภูมิทัศน์ที่เปลี่ยนอย่างรวดเร็ว

หากเด็กคนหนึ่งในวันนี้อยากเป็นทนายความ นักวิเคราะห์การเงิน หรือโปรแกรมเมอร์ มีโอกาสสูงที่อาชีพเหล่านี้จะมีหน้าตาต่างออกไปโดยสิ้นเชิงในอนาคต บางทีพวกเขาอาจเป็นผู้เชี่ยวชาญที่ทำงานใกล้ชิดกับ AI ด้านกฎหมาย การเงิน หรือการเขียนโค้ด เป็นคนที่ควบคุมระบบ AI ตรวจสอบผลลัพธ์ ให้บริบท และตัดสินใจเรื่องสำคัญ

ผมคิดว่าสิ่งสำคัญคือต้องตระหนักว่าแทบทุกสถานการณ์เหล่านี้ดูเป็นไปได้แล้วในปัจจุบัน และไม่ว่าเราจะชอบหรือไม่ ทุกอย่างที่เกิดขึ้นตอนนี้เป็นส่วนหนึ่งของคลื่นความก้าวหน้าทางเทคโนโลยีที่ใหญ่กว่ามาก โอกาสที่จะหยุดกระบวนการนี้ได้มีน้อยอย่างยิ่ง นั่นหมายความว่าเราต้องเรียนรู้ที่จะอยู่ในโลกใหม่นี้ ค่อยๆ เรียนรู้ที่จะหาสมดุลกับมัน สื่อสารกับมัน และบางทีอาจพัฒนารูปแบบใหม่ของการอยู่ร่วมกับมันด้วย