จะมีการใช้โมเดลภาษาขนาดใหญ่แทนการเขียนโปรแกรมหรือไม่?

สัปดาห์ที่แล้วเป็น 里程碑 ที่สำคัญสำหรับ OpenAI เมื่อพวกเขาเปิดตัว GPT-4 Turbo ในงาน OpenAI DevDay ของพวกเขา OpenAI DevDay ฟังก์ชันเด่นของ GPT-4 Turbo คือหน้าต่างบริบทที่ขยายใหญ่ขึ้นถึง 128,000 ซึ่งเป็นขั้นตอนที่สำคัญจาก GPT-4 ที่มี 8,000 ฟังก์ชันนี้ช่วยให้สามารถประมวลผลข้อความที่ใหญ่กว่า 16 เท่าเมื่อเทียบกับรุ่นก่อนหน้า ซึ่งเทียบเท่ากับประมาณ 300 หน้าข้อความ

ความก้าวหน้านี้เกี่ยวข้องกับการพัฒนาที่สำคัญอีกอย่างหนึ่ง คือ ผลกระทบที่อาจเกิดขึ้นต่อภูมิทัศน์ของ SaaS startups

OpenAI’s ChatGPT Enterprise พร้อมคุณสมบัติที่ได้รับการปรับปรุง เป็นการแข่งขันที่สำคัญสำหรับ SaaS startups จำนวนมาก บริษัทเหล่านี้ซึ่งเคยให้บริการและผลิตภัณฑ์เกี่ยวกับ ChatGPT หรือ API ของมัน ตอนนี้ต้องเผชิญกับการแข่งขันจากเครื่องมือที่มีคุณสมบัติระดับองค์กร ChatGPT Enterprise มีคุณสมบัติ เช่น ตรวจสอบโดเมน SSO และข้อมูลการใช้งาน ซึ่งครอบคลุมกับบริการ B2B ที่มีอยู่หลายรายการ ทำให้บริษัทเหล่านี้ต้องเผชิญกับการแข่งขันที่รุนแรง

ในระหว่างการกล่าวสุนทรพจน์ CEO ของ OpenAI Sam Altman เปิดเผยการปรับปรุงอีกอย่างหนึ่ง คือ การขยายข้อมูลความรู้ของ GPT-4 Turbo ไม่เหมือนกับ GPT-4 ซึ่งมีข้อมูลเฉพาะในปี 2021 GPT-4 Turbo ได้รับการปรับปรุงข้อมูลความรู้จนถึงเดือนเมษายน 2023 ซึ่งเป็นขั้นตอนที่สำคัญในการเพิ่มความเกี่ยวข้องและความสามารถของ AI

ChatGPT Enterprise มีคุณสมบัติที่โดดเด่น เช่น ความปลอดภัยและความเป็นส่วนตัวที่ได้รับการปรับปรุง การเข้าถึง GPT-4 ที่รวดเร็ว และหน้าต่างบริบทที่ขยายใหญ่ขึ้นสำหรับข้อความที่ยาวขึ้น ความสามารถในการวิเคราะห์ข้อมูลที่ได้รับการปรับปรุง ตัวเลือกการปรับแต่ง และการลบขีดจำกัดการใช้งาน ทำให้ ChatGPT Enterprise เป็นตัวเลือกที่ดีกว่ารุ่นก่อนหน้า ความสามารถในการประมวลผลข้อความและไฟล์ที่ยาวขึ้น รวมถึงการเข้าถึงเครื่องมือวิเคราะห์ข้อมูลที่ได้รับการปรับปรุง เช่น Code Interpreter ทำให้ ChatGPT Enterprise เป็นตัวเลือกที่ดีสำหรับธุรกิจที่เคยลังเลเนื่องจากความกังวลเรื่องความปลอดภัยของข้อมูล

ยุคของการเขียนโค้ดด้วยมือกำลังจะสิ้นสุดลง และระบบที่ขับเคลื่อนด้วย AI กำลังจะเข้ามาแทนที่ ซึ่งหมายถึงการเปลี่ยนแปลงพื้นฐานในการพัฒนาซอฟต์แวร์

งานที่น่าเบื่อของการเขียนโค้ดอาจจะถูกแทนที่ด้วย AI ในไม่ช้า ซึ่งจะลดความจำเป็นในการมีความเชี่ยวชาญในการเขียนโค้ด Tools เช่น GitHub’s CoPilot และ Replit’s Ghostwriter ซึ่งช่วยในการเขียนโค้ด เป็นตัวอย่างแรกของการขยายตัวของ AI ในการเขียนโค้ด ซึ่งบ่งบอกถึงอนาคตที่ AI จะขยายตัวไปไกลกว่าการช่วยเหลือในการเขียนโค้ด

การเปลี่ยนแปลงจาก Low-Code ไปสู่ AI-Driven Development

เครื่องมือ Low-Code และ No-Code ได้ทำให้กระบวนการเขียนโค้ดง่ายขึ้น โดยการทำให้การสร้างบล็อกโค้ดพื้นฐานเป็นอัตโนมัติ และปลดปล่อยให้นักพัฒนาสามารถมุ่งเน้นไปที่ด้านสร้างสรรค์ของโครงการ แต่เมื่อเราก้าวเข้าสู่คลื่น AI ใหม่นี้ ภูมิทัศน์ก็เปลี่ยนแปลงไปอีก ความง่ายของอินเทอร์เฟซผู้ใช้และการสร้างโค้ดผ่านคำสั่งง่ายๆ เช่น “สร้างเว็บไซต์สำหรับ X” กำลังปฏิวัติกระบวนการนี้

อิทธิพลของ AI ในการเขียนโค้ดกำลังจะใหญ่มาก เช่นเดียวกับวิธีที่นักวิทยาศาสตร์คอมพิวเตอร์ในยุคแรกเปลี่ยนจากการมุ่งเน้นไปที่วิศวกรรมไฟฟ้าไปสู่แนวคิดที่เป็นนามธรรมมากขึ้น นักเขียนโค้ดในอนาคตอาจมองว่าการเขียนโค้ดที่มีรายละเอียดเป็นเรื่องเก่าๆ อิทธิพลของ AI ในการเขียนโค้ดไม่ได้จำกัดอยู่แค่การสร้างโค้ดเท่านั้น ในด้านการสร้างภาพ เช่น โมเดลการกระจายภาพ เช่น Runway ML และ DALL-E 3 มีการปรับปรุงอย่างมาก

การขยายตัวของ AI ไปสู่อุตสาหกรรมสร้างสรรค์กำลังจะเปลี่ยนแปลงอย่างมาก Jeff Katzenberg ผู้นำในอุตสาหกรรมภาพยนตร์และอดีตประธานของ Walt Disney Studios คาดการณ์ว่า AI จะช่วยลดต้นทุนการผลิตภาพยนตร์อนิเมชั่นลงได้มากถึง 90% ตามบทความล่าสุดจาก Bloomberg Katzenberg คาดการณ์ว่าจะมีการลดต้นทุนลงอย่างมาก ซึ่งรวมถึงการทำให้กระบวนการทำงานที่ต้องใช้แรงงานมาก เช่น การสร้างภาพอนิเมชั่นแบบดั้งเดิม การเรนเดอร์ภาพ และการช่วยเหลือในกระบวนการสร้างสรรค์ เช่น การออกแบบตัวละครและการวางแผนเรื่องราว

ความคุ้มค่าของ AI ในการเขียนโค้ด

การวิเคราะห์ต้นทุนของการ雇พนักงานเขียนโค้ด:

1. ค่าตอบแทนรวม: ค่าจ้างเฉลี่ยสำหรับพนักงานเขียนโค้ด รวมถึงผลประโยชน์เสริมในศูนย์เทคโนโลยี เช่น Silicon Valley หรือ Seattle คือประมาณ 312,000 ดอลลาร์สหรัฐฯ ต่อปี

การวิเคราะห์ต้นทุนรายวัน:

1. วันทำงานต่อปี: โดยพิจารณาว่ามีวันทำงานประมาณ 260 วันในหนึ่งปี ต้นทุนรายวันของการ雇พนักงานเขียนโค็ดคือประมาณ 1,200 ดอลลาร์สหรัฐฯ
2. การผลิตโค้ด: โดยสมมติว่ามีการผลิตโค้ดที่สมบูรณ์แบบที่ผ่านการทดสอบและตรวจสอบแล้วประมาณ 100 บรรทัดต่อวัน การผลิตนี้เป็นพื้นฐานสำหรับการเปรียบเทียบ

การวิเคราะห์ต้นทุนของการใช้ GPT-3 ในการสร้างโค้ด:

1. ต้นทุนโทเค็น: ต้นทุนของการใช้ GPT-3 ในขณะนั้นคือประมาณ 0.02 ดอลลาร์สหรัฐฯ สำหรับทุกๆ 1,000 โทเค็น
2. โทเค็นต่อบรรทัดโค้ด: โดยเฉลี่ยแล้ว บรรทัดโค้ดหนึ่งบรรทัดสามารถมีประมาณ 10 โทเค็น
3. ต้นทุนสำหรับ 100 บรรทัดโค้ด: ดังนั้น ต้นทุนในการสร้างโค้ด 100 บรรทัด (หรือ 1,000 โทเค็น) โดยใช้ GPT-3 จะอยู่ที่ประมาณ 0.12 ดอลลาร์สหรัฐฯ

การวิเคราะห์เปรียบเทียบ:

• ต้นทุนต่อบรรทัดโค้ด (มนุษย์ vs AI): เมื่อเปรียบเทียبت้นทุน การสร้างโค้ด 100 บรรทัดต่อวันจะมีต้นทุน 1,200 ดอลลาร์สหรัฐฯ เมื่อทำโดยนักเขียนโค้ดมนุษย์ ในขณะที่ใช้ GPT-3 มีต้นทุนเพียง 0.12 ดอลลาร์สหรัฐฯ
• ปัจจัยต้นทุน: สิ่งนี้แสดงถึงความแตกต่างของปัจจัยต้นทุนประมาณ 10,000 เท่า โดยที่ AI มีต้นทุนต่ำกว่ามาก

การวิเคราะห์นี้ชี้ให้เห็นถึงศักยภาพทางเศรษฐกิจของ AI ในด้านการเขียนโค้ด ต้นทุนต่ำของโค้ดที่สร้างโดย AI เมื่อเทียบกับต้นทุนที่สูงของนักเขียนโค้ดมนุษย์ บ่งบอกถึงอนาคตที่ AI อาจกลายเป็นวิธีการสร้างโค้ดที่ต้องการ โดยเฉพาะสำหรับงานที่ซ้ำซ้อนหรือมาตรฐาน ซึ่งอาจนำไปสู่การประหยัดต้นทุนอย่างมากสำหรับบริษัทต่างๆ และการประเมินบทบาทของนักเขียนโค้ดมนุษย์ใหม่ โดยมุ่งเน้นไปที่งานที่ซับซ้อน ครีเอทีฟ หรืองานที่ต้องการการดูแลที่ AI ไม่สามารถทำได้ในปัจจุบัน

ความสามารถของ ChatGPT ขยายไปสู่หลายบริบทของการเขียนโค้ด รวมถึงการโต้ตอบที่ซับซ้อนกับเฟรมเวิร์กพัฒนาเว็บ พิจารณาสถานการณ์ที่นักพัฒนากำลังทำงานกับ React ซึ่งเป็นไลบรารี JavaScript ที่ได้รับความนิยมสำหรับการสร้างอินเทอร์เฟซผู้ใช้

ด้วย ChatGPT กระบวนการนี้กลายเป็นกระบวนการที่เรียบง่ายยิ่งขึ้น นักพัฒนาสามารถอธิบายฟังก์ชันที่ต้องการใช้ React และ ChatGPT จะให้โค้ดที่พร้อมใช้งานและเกี่ยวข้อง ซึ่งอาจรวมถึงการตั้งค่าโครงสร้างคอมโพเนนท์พื้นฐานไปจนถึงคุณสมบัติที่ซับซ้อนกว่า เช่น การจัดการสเตตด้วยฮุกหรือการรวมกับ API ภายนอก

ความท้าทายในการเขียนโค้ดที่ขับเคลื่อนด้วย AI

เมื่อ AI ต่อเนื่องในการเปลี่ยนแปลงภูมิทัศน์ของการเขียนโค้ด มันสำคัญที่จะรับรู้ถึงข้อจำกัดและความท้าทายที่เกิดขึ้นจากการพึ่งพา AI เพียงอย่างเดียวในการเขียนโค้ด ความท้าทายเหล่านี้เน้นย้ำถึงความจำเป็นในการใช้แนวทางที่สมดุลซึ่งใช้ประโยชน์จากจุดแข็งของ AI ในขณะเดียวกันก็รับทราบถึงข้อจำกัดของมัน

1. คุณภาพและความสามารถในการบำรุงรักษาโค้ด: โค้ดที่สร้างโดย AI อาจเป็นโค้ดที่ไม่ค่อยมีประสิทธิภาพหรือไม่เหมาะสม ซึ่งอาจนำไปสู่ปัญหาในการบำรุงรักษา แม้ว่า AI จะสามารถเขียนโค้ดที่ใช้งานได้ แต่การรับรองว่าโค้ดนั้นเป็นไปตามมาตรฐานที่ดีที่สุดสำหรับการอ่าน ความสามารถในการบำรุงรักษา และประสิทธิภาพยังคงเป็นงานที่ต้องทำโดยมนุษย์
2. การแก้ปัญหาและจัดการข้อผิดพลาด: ระบบ AI สามารถสร้างโค้ดได้อย่างรวดเร็ว แต่ไม่ได้เชี่ยวชาญในการแก้ปัญหาหรือเข้าใจข้อผิดพลาดที่ซับซ้อนในโค้ดที่มีอยู่ การแก้ปัญหาและจัดการข้อผิดพลาด โดยเฉพาะในระบบที่ซับซ้อน ต้องใช้ความเข้าใจและประสบการณ์ที่ละเอียดอ่อนของมนุษย์
3. การพึ่งพาข้อมูลการฝึก: ประสิทธิภาพของ AI ในการเขียนโค้ดขึ้นอยู่กับคุณภาพและความครอบคลุมของข้อมูลการฝึก หากข้อมูลการฝึกไม่มีตัวอย่างของบั๊กหรือสถานการณ์บางอย่าง ความสามารถของ AI ในการจัดการกับสถานการณ์เหล่านั้นจะถูกกระทบกระเทือน
4. ประเด็นด้านจริยธรรมและความปลอดภัย: เมื่อ AI มีบทบาทที่สำคัญในการเขียนโค้ด มีประเด็นด้านจริยธรรมและความปลอดภัยที่เกิดขึ้น โดยเฉพาะอย่างยิ่งเกี่ยวกับความเป็นส่วนตัวของข้อมูลและความเป็นไปได้ของความลำเอียงในโค้ดที่สร้างโดย AI การรับรองการใช้งานที่มีจริยธรรมและจัดการกับความลำเอียงเหล่านี้เป็นสิ่งสำคัญสำหรับการพัฒนาตัวช่วยเขียนโค้ดที่ขับเคลื่อนด้วย AI

การสร้างสมดุลระหว่าง AI และทักษะการเขียนโค้ดแบบดั้งเดิม

ในอนาคต อาจเกิดรูปแบบผสมผสานระหว่าง AI และทักษะการเขียนโค้ดแบบดั้งเดิม ผู้จัดการผลิตภัณฑ์อาจแปลความต้องการไปสู่คำสั่งสำหรับเครื่องมือสร้างโค้ด AI การดูแลของมนุษย์อาจยังคงจำเป็นสำหรับการรับรองคุณภาพ แต่จุดสนใจจะเปลี่ยนจากการเขียนและบำรุงรักษาโค้ดไปสู่การตรวจสอบและปรับแต่งผลลัพธ์ที่สร้างโดย AI

ในยุคใหม่นี้ บทบาทของวิศวกรและนักวิทยาศาสตร์คอมพิวเตอร์จะเปลี่ยนแปลงไปอย่างมาก พวกเขาจะโต้ตอบกับโมเดลภาษาขนาดใหญ่ (LLM) โดยให้ข้อมูลการฝึกและตัวอย่างเพื่อให้บรรลุเป้าหมาย การเปลี่ยนจุดสนใจจากการเขียนโค้ดที่ซับซ้อนไปสู่การทำงานเชิงกลยุทธ์กับโมเดล AI

หน่วยคำนวณพื้นฐานจะเปลี่ยนจากโปรเซสเซอร์แบบดั้งเดิมไปสู่โมเดล LLM ที่ได้รับการฝึกฝนมาก่อน ซึ่งบ่งบอกถึงการเปลี่ยนแปลงจากกระบวนการที่คาดการณ์ได้และนิ่งถึงตัวแทน AI ที่ปรับเปลี่ยนได้และตอบสนองได้

จุดสนใจกำลังเปลี่ยนจากการสร้างและเข้าใจโปรแกรมไปสู่การชี้นำโมเดล AI และการกำหนดรูปแบบการโต้ตอบของเราเกี่ยวกับเทคโนโลยี

ความจำเป็นของการมีส่วนร่วมของมนุษย์ในโค้ดที่สร้างโดย AI

อนาคตของการเขียนโค้ดไม่ใช่เรื่องของการเขียนโค้ดอีกต่อไป แต่เป็นการชี้นำความฉลาดที่จะขับเคลื่อนโลกเทคโนโลยีของเรา

ความเชื่อที่ว่าการประมวลผลภาษาธรรมชาติของ AI สามารถแทนที่ความแม่นยำและความซับซ้อนของการเขียนโค้ดแบบดั้งเดิมและคณิตศาสตร์ได้เต็มที่นั้น ยังเป็นเรื่องที่เร็วเกินไป การเปลี่ยนแปลงไปสู่ AI ในการเขียนโค้ดไม่ได้ลบเลิกความจำเป็นในการมีความเข้มงวดและความแม่นยำที่การเขียนโค้ดแบบดั้งเดิมและทักษะทางคณิตศาสตร์สามารถให้ได้

นอกจากนี้ การทดสอบโค้ดที่สร้างโดย AI สำหรับปัญหาที่ยังไม่ได้รับการแก้ไขยังคงเป็นความท้าทายที่สำคัญ เทคนิคการตรวจสอบเชิงคุณสมบัติ đòiการเข้าใจที่ลึกซึ้งเกี่ยวกับการเขียนโค้ด ซึ่งเป็นทักษะที่ AI ในปัจจุบันยังไม่สามารถทำซ้ำหรือแทนที่ได้

โดยสรุป ในขณะที่ AI มีแนวโน้มที่จะทำให้หลายด้านของการเขียนโค้ดเป็นอัตโนมัติ ส่วนประกอบของมนุษย์ยังคงจำเป็น โดยเฉพาะในด้านที่ต้องใช้ความคิดสร้างสรรค์ การแก้ปัญหาเชิงซับซ้อน และการดูแลด้านจริยธรรม