大型语言模型会终结编程吗？

OpenAI 首席执行官 Sam Altman 在主题演讲中透露了另一项重大进展：GPT-4 Turbo 的知识更新截止时间的延长。与 GPT-4 仅包含截至 2021 年的信息不同，GPT-4 Turbo 的知识更新截止时间截至 2023 年 XNUMX 月，这标志着该 AI 在相关性和适用性方面迈出了重要一步。

ChatGPT Enterprise 凭借增强的安全性和隐私性、高速访问 GPT-4 以及用于更长输入的扩展上下文窗口等功能而脱颖而出。 其先进的数据分析功能、定制选项和取消使用上限使其成为优于其前辈的选择。 它能够处理更长的输入和文件，以及无限制地访问高级数据分析工具（例如以前已知的工具） 代码解释器，进一步巩固了其吸引力，特别是对于之前因数据安全问题而犹豫不决的企业。

手动编写代码的时代正在让位于人工智能驱动的系统，通过训练而不是编程，这标志着软件开发的根本性变化。

编程的平凡任务可能很快就会落到人工智能的手中，从而减少对深度编码专业知识的需求。 类似的工具 GitHub 的 CoPilot 以及 雷普利特的代笔人辅助编码的功能是人工智能在编程领域不断扩展的早期指标，预示着未来人工智能将超越辅助编程，全面管理编程过程。想象一下这样一个常见场景：程序员忘记了某种语言中反转列表的语法。CoPilot 无需搜索在线论坛和文章，即可提供即时帮助，让程序员专注于目标。

从低代码开发过渡到人工智能驱动开发

低代码和无代码工具简化了编程过程，自动创建基本编码块，并使开发人员能够专注于项目的创意方面。 但当我们踏入新的人工智能浪潮时，情况会进一步发生变化。 用户界面的简单性以及通过简单命令（例如“为我构建一个网站来执行 X”）生成代码的能力正在彻底改变这一过程。

人工智能对编程的影响已经非常巨大。就像早期计算机科学家从关注电子工程转向更抽象的概念一样，未来的程序员可能会认为详细的编码已经过时。人工智能的快速发展并不局限于文本/代码生成。在图像生成等领域，扩散模型 跑道 ML, 达尔-E 3，显示出巨大的改进。 请参阅下面由 Runway 发布的推文，展示他们的最新功能。

介绍一下，运动画笔。

一种为您的世代增加受控运动的新方法。

即将推出 Gen-2。 pic.twitter.com/htyjf1gstz

-跑道（@runwayml） 2023 年 11 月 10 日

除了编程之外，人工智能对创意产业的影响也同样具有变革性。电影业巨头、华特迪士尼工作室前董事长杰夫·卡森伯格预测，人工智能将大幅降低动画电影的制作成本。根据最近的一篇文章 彭博 Katzenberg 预计成本将大幅降低 90%。 这可以包括自动化劳动密集型任务，例如传统动画的中间处理、渲染场景，甚至协助角色设计和故事板等创意过程。

ChatGPT 的多功能性扩展到各种编程环境，包括与 Web 开发框架的复杂交互。设想一下这样一种场景：一位开发人员正在使用 React，这是一个用于构建用户界面的流行 JavaScript 库。传统上，这项任务需要深入研究大量的文档和社区提供的示例，尤其是在处理复杂的组件或状态管理时。

有了 ChatGPT，这个过程就变得简化了。 开发人员可以简单地描述他们想要在 React 中实现的功能，而 ChatGPT 则提供相关的、随时可用的代码片段。 这可以包括从设置基本组件结构到更高级的功能，例如使用挂钩管理状态或与外部 API 集成。 通过减少研究和试错时间，ChatGPT 提高了效率并加速了 Web 开发环境中的项目开发。

人工智能驱动编程的挑战

随着人工智能不断重塑编程格局，我们必须认识到单纯依赖人工智能完成编程任务所带来的局限性和挑战。这些挑战凸显了我们需要采取一种平衡的方法，既要充分利用人工智能的优势，又要承认其局限性。

1. 代码质量和可维护性：人工智能生成的代码有时可能很冗长或效率低下，可能会导致维护方面的挑战。 虽然人工智能可以编写功能代码，但确保该代码遵循可读性、效率和可维护性的最佳实践仍然是人类驱动的任务。
2. 调试和错误处理：人工智能系统可以快速生成代码，但它们并不总是擅长调试或理解现有代码中的细微错误。调试的细微之处，尤其是在大型复杂系统中，通常需要人类的细致理解和经验。
3. 对训练数据的依赖：人工智能在编程方面的有效性很大程度上取决于其训练数据的质量和广度。 如果训练数据缺乏某些错误、模式或场景的示例，人工智能处理这些情况的能力就会受到影响。
4. 道德和安全问题：随着人工智能在编码中发挥越来越重要的作用，道德和安全问题也随之出现，特别是在数据隐私和人工智能生成的代码中可能存在偏见方面。 确保道德使用并解决这些偏见对于负责任地开发人工智能驱动的编程工具至关重要。

平衡人工智能和传统编程技能

在未来的软件开发团队中，可能会出现混合模型。 产品经理可以将需求转化为人工智能代码生成器的指令。 对于质量保证来说，人类监督可能仍然是必要的，但重点将从编写和维护代码转移到验证和微调人工智能生成的输出。 这一变化表明对模块化和抽象等传统编码原则的重视程度逐渐减弱，因为人工智能生成的代码不需要遵守以人为中心的维护标准。

在这个新时代，工程师和计算机科学家的角色将发生重大转变。他们将与法学硕士 (LLM) 互动，提供训练数据和示例以完成任务，将重点从复杂的编码转移到战略性地运用人工智能模型。

基本计算单元将从传统处理器转向大规模、预训练的 LLM 模型，标志着从可预测的静态过程向动态、自适应人工智能代理的转变。

重点是从创建和理解程序转向指导人工智能模型，重新定义计算机科学家和工程师的角色，并重塑我们与技术的互动。

认为人工智能自然语言处理可以完全取代形式数学符号和传统编程的精确性和复杂性的想法充其量还为时过早。编程中向人工智能的转变并没有消除对只有正式编程和数学技能才能提供的严谨性和精确性的需求。

此外，测试AI生成的代码以解决此前未曾解决的问题依然是一项巨大的挑战。诸如基于属性的测试之类的技术需要对编程有深入的理解，而这种技能是AI在目前状态下无法复制或取代的。