大型语言模型会终结编程吗？

AI资讯3年前 (2023)发布 GPTHub

30 0 12

上周是 OpenAI 的一个重要里程碑，他们在OpenAI DevDay上推出了 GPT-4 Turbo 。GPT-4 Turbo 的一个突出特点是其上下文窗口扩展至 128,000，比 GPT-4 的 8,000 有了巨大飞跃。此增强功能可处理的文本量是其前身的 16 倍，相当于约 300 页的文本。

这一进步与另一个重大发展相关：对 SaaS 初创公司格局的潜在影响。

OpenAI的ChatGPT Enterprise凭借其先进的功能，对许多SaaS初创公司提出了挑战。这些公司一直围绕 ChatGPT 或其 API 提供产品和服务，现在面临着来自具有企业级功能的工具的竞争。ChatGPT Enterprise 的产品（例如域验证、SSO 和使用洞察）与许多现有的 B2B 服务直接重叠，可能会危及这些初创公司的生存。

OpenAI 首席执行官 Sam Altman 在他的主题演讲中透露了另一项重大进展：GPT-4 Turbo 知识截止的扩展。与仅拥有截至 2021 年信息的 GPT-4 不同，GPT-4 Turbo 的信息更新截至 2023 年 4 月，这标志着人工智能的相关性和适用性向前迈出了重要一步。

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。它处理较长输入和文件的能力，以及对高级数据分析工具（如以前已知的代码解释器）的无限制访问，进一步巩固了其吸引力，特别是对于以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。GitHub 的 CoPilot和Replit 的 Ghostwriter等辅助编码的工具是人工智能在编程中发挥作用不断扩大的早期指标，预示着未来人工智能将超越辅助，全面管理编程过程。想象一下常见的场景，程序员忘记了特定语言中反转列表的语法。CoPilot 无需搜索在线论坛和文章，而是提供即时帮助，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是巨大的。与早期计算机科学家从关注电气工程转向更抽象的概念类似，未来的程序员可能会认为详细的编码已经过时了。人工智能的快速进步并不局限于文本/代码生成。在图像生成扩散模型（如Runway ML、DALL-E 3）等领域，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。

除了编程之外，人工智能对创意产业的影响也将同样具有变革性。电影界泰斗、华特迪士尼影业前董事长杰夫·卡森伯格曾预测，人工智能将大幅降低动画电影的制作成本。根据Bloomberg Katzenberg 最近的一篇文章，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。

人工智能编码的成本效益

雇用软件工程师的成本分析：

总薪酬：软件工程师的平均工资（包括硅谷或西雅图等技术中心的额外福利）约为每年 312,000 美元。

每日成本分析：

每年工作日：考虑到一年大约有 260 个工作日，雇用软件工程师的每日成本约为 1,200 美元。
代码输出：假设每天有 100 行最终确定、测试、审查和批准的代码，该每日输出是比较的基础。

使用GPT-3进行代码生成的成本分析：

代币成本：在视频发布时，使用 GPT-3 的成本约为每 1,000 个代币 0.02 美元。
每行代码的标记：平均而言，一行代码可包含大约 10 个标记。
100 行代码的成本：因此，使用 GPT-3 生成 100 行代码（或 1,000 个代币）的成本约为 0.12 美元。

对比分析：

每行代码的成本（人类与人工智能）：比较成本，由人类软件工程师每天生成 100 行代码的成本为 1,200 美元，而使用 GPT-3 的成本仅为 0.12 美元。
成本因素：这表示成本因素差异约为 10,000 倍，人工智能的成本要低得多。

这一分析指出了人工智能在编程领域的经济潜力。与人类开发人员的高费用相比，人工智能生成代码的成本较低，这表明未来人工智能可能成为代码生成的首选方法，特别是对于标准或重复性任务。这种转变可能会为公司节省大量成本，并重新评估人类程序员的角色，有可能将他们的技能集中在人工智能尚无法处理的更复杂、创造性或监督任务上。

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。考虑这样一个场景：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，此任务需要深入研究大量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，必须认识到仅依靠人工智能来完成编程任务所带来的局限性和挑战。这些挑战强调需要采取平衡的方法，利用人工智能的优势，同时承认其局限性。

代码质量和可维护性：人工智能生成的代码有时可能冗长或低效，可能会导致维护挑战。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。
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。调试的微妙之处，特别是在大型复杂系统中，通常需要人类细致入微的理解和经验。
对训练数据的依赖：人工智能编程的有效性在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。
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。他们将与法学硕士互动，提供训练数据和示例来完成任务，将重点从复杂的编码转移到战略性地使用人工智能模型。

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 AI 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。