Штучний Інтелект
Чи припинять програмування великі мовні моделі?
Минулий тиждень став важливою віхою для OpenAI, оскільки вони представили GPT-4 Turbo на своєму OpenAI DevDay. Визначною особливістю GPT-4 Turbo є розширене контекстне вікно 128,000 4, суттєвий стрибок порівняно з 8,000 16 GPT-300. Це покращення дозволяє обробляти текст у XNUMX разів більше, ніж його попередник, що еквівалентно приблизно XNUMX сторінкам тексту.
Цей прогрес пов’язаний з іншою важливою подією: потенційним впливом на ландшафт стартапів SaaS.
ChatGPT Enterprise від OpenAI зі своїми розширеними функціями кидає виклик багатьом стартапам SaaS. Ці компанії, які пропонували продукти та послуги навколо ChatGPT або його API, тепер стикаються з конкуренцією з боку інструменту з можливостями корпоративного рівня. Пропозиції ChatGPT Enterprise, як-от перевірка домену, SSO та аналіз використання, безпосередньо перетинаються з багатьма існуючими B2B-сервісами, що потенційно ставить під загрозу виживання цих стартапів.
У своїй доповіді генеральний директор OpenAI Сем Альтман розповів про ще одну важливу подію: розширення обмеження знань GPT-4 Turbo. На відміну від GPT-4, який мав інформацію лише до 2021 року, GPT-4 Turbo оновлено знаннями до квітня 2023 року, що означає значний крок вперед у актуальності та застосовності ШІ.
ChatGPT Enterprise виділяється такими функціями, як покращена безпека та конфіденційність, високошвидкісний доступ до GPT-4 і розширені контекстні вікна для більш тривалого введення. Його розширені можливості аналізу даних, параметри налаштування та зняття обмежень щодо використання роблять його кращим вибором порівняно з його попередниками. Його здатність обробляти довші вхідні дані та файли, а також необмежений доступ до розширених інструментів аналізу даних, таких як раніше відомі Інтерпретатор коду, ще більше посилює свою привабливість, особливо серед компаній, які раніше вагалися через проблеми безпеки даних.
Епоха ручного створення коду поступається місце системам, керованим штучним інтелектом, навченим замість програмованих, що означає фундаментальну зміну в розробці програмного забезпечення.
Повсякденні завдання програмування незабаром можуть лягти на плечі штучного інтелекту, що зменшить потребу в глибокому досвіді програмування. Такі інструменти, як CoPilot GitHub та Ghostwriter Replit, які допомагають у кодуванні, є першими показниками розширення ролі штучного інтелекту в програмуванні, що свідчить про майбутнє, де штучний інтелект поширюватиметься не тільки на допомогу, а й на повне керування процесом програмування. Уявіть звичайний сценарій, коли програміст забуває синтаксис для перевертання списку на певній мові. Замість пошуку на онлайн-форумах і статтях CoPilot пропонує негайну допомогу, зосереджуючи програміста на досягненні мети.
Перехід від Low-Code до розробки, керованої ШІ
Інструменти з низьким кодом і без коду спростили процес програмування, автоматизувавши створення базових блоків кодування та дозволивши розробникам зосередитися на творчих аспектах своїх проектів. Але коли ми вступаємо в цю нову хвилю штучного інтелекту, ландшафт все більше змінюється. Простота користувальницького інтерфейсу та можливість генерувати код за допомогою простих команд, таких як «Створи мені веб-сайт для створення X», революціонізують процес.
Вплив ШІ на програмування вже величезний. Подібно до того, як перші комп’ютерні вчені перейшли від акценту на електротехніці до більш абстрактних концепцій, майбутні програмісти можуть вважати детальне кодування застарілим. Швидкий розвиток ШІ не обмежується генерацією тексту/коду. У таких областях, як генерація зображення, дифузійна модель, як Злітно-посадкова смуга ML, ВІД-Є 3, демонструє значні покращення. Просто подивіться наведений нижче твіт від Runway, який демонструє їхню останню функцію.
Представляємо Motion Brush.
Новий спосіб додати контрольований рух вашим поколінням.
Незабаром у Gen-2. pic.twitter.com/htyjf1gstz
— Runway (@runwayml) Листопад 10, 2023
Вплив штучного інтелекту на креативні індустрії, виходячи за межі програмування, буде таким же трансформуючим. Джефф Катценберг, титан кіноіндустрії та колишній голова Walt Disney Studios, передбачив, що штучний інтелект значно знизить витрати на виробництво анімаційних фільмів. Відповідно до недавньої статті з Bloomberg Катценберг передбачає значне скорочення витрат на 90%. Це може включати автоматизацію трудомістких завдань, таких як проміжки в традиційній анімації, відтворення сцен і навіть допомогу в творчих процесах, таких як дизайн персонажів і розкадровка.
Економічна ефективність штучного інтелекту в кодуванні
Аналіз вартості найму інженера-програміста:
- Загальна компенсація: Середня зарплата інженера-програміста, включаючи додаткові переваги в таких технологічних центрах, як Кремнієва долина чи Сіетл, становить приблизно 312,000 XNUMX доларів на рік.
Щоденний аналіз витрат:
- Кількість робочих днів на рік: Враховуючи, що в році приблизно 260 робочих днів, щоденна вартість найму інженера-програміста становить близько 1,200 доларів США.
- Вихід коду: Припускаючи щедру оцінку 100 завершених, перевірених, перевірених і схвалених рядків коду на день, цей щоденний вихід є основою для порівняння.
Аналіз вартості використання GPT-3 для генерації коду:
- Вартість токена: Вартість використання GPT-3 на момент відео становила приблизно 0.02 долара за кожні 1,000 токенів.
- Токенів на рядок коду: У середньому рядок коду може містити приблизно 10 токенів.
- Вартість 100 рядків коду: Таким чином, вартість створення 100 рядків коду (або 1,000 токенів) за допомогою GPT-3 становитиме близько 0.12 доларів США.
Порівняльний аналіз:
- Вартість рядка коду (людина проти ШІ): Порівнюючи витрати, генерація 100 рядків коду на день коштує 1,200 доларів США, якщо це робить інженер-програміст, на відміну від лише 0.12 доларів США за допомогою GPT-3.
- Фактор витрат: Це являє собою різницю фактора вартості приблизно в 10,000 XNUMX разів, причому штучний інтелект є значно дешевшим.
Цей аналіз вказує на економічний потенціал ШІ у сфері програмування. Низька вартість коду, створеного штучним інтелектом, у порівнянні з високою вартістю розробників-людей говорить про те, що в майбутньому штучний інтелект може стати кращим методом генерації коду, особливо для стандартних або повторюваних завдань. Цей зсув може призвести до значної економії коштів для компаній і переоцінки ролі людей-програмістів, потенційно зосередивши їхні навички на більш складних, творчих або наглядових завданнях, з якими штучний інтелект ще не може впоратися.
Універсальність ChatGPT поширюється на різні контексти програмування, включаючи складну взаємодію з фреймворками веб-розробки. Розглянемо сценарій, коли розробник працює з React, популярною бібліотекою JavaScript для створення інтерфейсів користувача. Традиційно це завдання включало б заглиблення у велику документацію та приклади, надані спільнотою, особливо коли мова йде про складні компоненти чи управління станом.
З ChatGPT цей процес стає оптимізованим. Розробник може просто описати функціональність, яку він прагне реалізувати в React, а ChatGPT надає відповідні, готові до використання фрагменти коду. Це може варіюватися від налаштування базової структури компонентів до більш розширених функцій, таких як керування станом за допомогою хуків або інтеграція із зовнішніми API. Скорочуючи час, витрачений на дослідження та метод проб і помилок, ChatGPT підвищує ефективність і прискорює розробку проектів у контексті веб-розробки.
Проблеми програмування, керованого ШІ
Оскільки штучний інтелект продовжує змінювати ландшафт програмування, важливо усвідомлювати обмеження та проблеми, пов’язані з використанням виключно штучного інтелекту для виконання завдань програмування. Ці виклики підкреслюють необхідність збалансованого підходу, який використовує сильні сторони ШІ, визнаючи його обмеження.
- Якість коду та ремонтопридатність: код, згенерований штучним інтелектом, іноді може бути багатослівним або неефективним, що потенційно може призвести до проблем з обслуговуванням. Хоча штучний інтелект може писати функціональний код, забезпечення того, щоб цей код відповідав найкращим практикам щодо читабельності, ефективності та зручності обслуговування, залишається завданням людини.
- Налагодження та обробка помилок: системи штучного інтелекту можуть швидко генерувати код, але вони не завжди чудово справляються з налагодженням чи розумінням нюансів помилок у існуючому коді. Тонкощі налагодження, особливо у великих, складних системах, часто вимагають тонкого розуміння та досвіду людини.
- Залежність від навчальних даних: Ефективність штучного інтелекту в програмуванні значною мірою залежить від якості та обсягу його навчальних даних. Якщо в навчальних даних відсутні приклади певних помилок, шаблонів або сценаріїв, здатність штучного інтелекту впоратися з такими ситуаціями буде порушена.
- Питання етики та безпеки: Оскільки штучний інтелект відіграє більш помітну роль у кодуванні, виникають проблеми етики та безпеки, особливо щодо конфіденційності даних і потенційних упереджень у коді, створеному ШІ. Забезпечення етичного використання та усунення цих упереджень має вирішальне значення для відповідального розвитку інструментів програмування на основі ШІ.
Баланс ШІ та традиційних навичок програмування
У майбутніх командах розробників програмного забезпечення, можливо, з’явиться гібридна модель. Менеджери продуктів могли б перетворити вимоги на директиви для генераторів коду ШІ. Людський нагляд все ще може бути необхідним для забезпечення якості, але фокус зміститься з написання та підтримки коду на перевірку та тонке налаштування результатів, створених ШІ. Ця зміна свідчить про зменшення акценту на традиційних принципах кодування, таких як модульність і абстракція, оскільки створений штучним інтелектом код не повинен відповідати стандартам обслуговування, орієнтованим на людину.
У цю нову епоху роль інженерів і інформатиків значно зміниться. Вони спілкуватимуться з LLM, надаючи навчальні дані та приклади для виконання завдань, зміщуючи фокус зі складного кодування на стратегічну роботу з моделями ШІ.
Базовий обчислювальний блок зміниться від традиційних процесорів до масивних, попередньо навчених моделей LLM, що означає відхід від передбачуваних, статичних процесів до динамічних, адаптивних агентів ШІ.
Основна увага приділяється переходу від створення та розуміння програм до керування моделями штучного інтелекту, перевизначенням ролей комп’ютерників та інженерів і зміною нашої взаємодії з технологіями.
Постійна потреба в людському розумінні коду, створеного ШІ
Майбутнє програмування полягає не в кодуванні, а в керуванні інтелектом, який рухатиме наш технологічний світ.
Віра в те, що обробка природної мови штучним інтелектом може повністю замінити точність і складність формальних математичних нотацій і традиційного програмування, є, в кращому випадку, передчасною. Перехід до штучного інтелекту в програмуванні не усуває потреби в строгості й точності, які можуть забезпечити лише формальне програмування та математичні навички.
Крім того, проблема тестування коду, згенерованого ШІ, для проблем, які раніше не були вирішені, залишається значною. Такі методи, як тестування на основі властивостей, вимагають глибокого розуміння програмування, навичок, які штучний інтелект у своєму поточному стані не може відтворити чи замінити.
Підводячи підсумок, хоча штучний інтелект обіцяє автоматизувати багато аспектів програмування, людський фактор залишається вирішальним, особливо в сферах, які вимагають креативності, вирішення складних проблем і етичного контролю.
