編譯 | 言征
出品 | 51CTO技術(shù)棧（微信號：blog51cto）
生成式人工智能是否會取代人類程序員？
可能不會。但使用生成式人工智能的人類可能會，可惜的是，現(xiàn)在還不是時候。
目前，我們正在見證LLM領(lǐng)域的激烈競爭。僅僅是谷歌的生成式人工智能產(chǎn)品就已經(jīng)變得非常豐富——其最新的開放模型Gemma就是LLM快速縮小的最新例證（是時候稱它們?yōu)樾⌒驼Z言模型了嗎？）。
對于DevOps社區(qū)來說，更重要的是我們看到專門針對代碼生成的其他LLM的開發(fā)速度非常快，例如Meta最近更新的Code Llama 70B。自然，生成式人工智能讓不少開發(fā)者感到緊張。最近的一項研究中，近一半的開發(fā)者表示擔(dān)心自己當(dāng)前的技術(shù)能力集在生成式人工智能世界中能否成功。
但這種擔(dān)憂真的有必要嗎？人類程序員消亡的報道可能言過其實了。人類甚至可能比他們意識到的有更多的時間為生成式人工智能主導(dǎo)的世界做準(zhǔn)備。
事實上，開發(fā)者應(yīng)該問的更恰當(dāng)?shù)膯栴}不是“生成式人工智能會取代我的工作嗎？”而是“我應(yīng)該使用哪個LLM？”
1.對于編程而言，大模型太大大型語言模型（LLM）對軟件開發(fā)世界的承諾正在將程序員轉(zhuǎn)變?yōu)榧軜?gòu)師。然而，并非所有LLM都完全相同，探討為什么甚至出現(xiàn)了更小型的LLM是值得的。
更強大的主流模型，如GPT-4和Claude 2，仍然幾乎無法解決不到5%的實際Github問題。ChatGPT仍然有很多幻覺：假變量，甚至是已經(jīng)被棄用十多年的概念。此外，它讓無意義的東西看起來非常棒。你可以嘗試通過“提示工程”擺脫這種無意義，但對有益于上下文的數(shù)量有一個最佳點——過多會導(dǎo)致更混亂和隨機的結(jié)果，同時犧牲更多的處理能力。
2.大型語言模型在編程中的信任問題大型語言模型（LLM）在編程中面臨的最大問題是信任。從歷史上看，主流LLM像大型數(shù)字吸塵器一樣不加選擇地吸收網(wǎng)上的一切，而沒有太多透明度來源數(shù)據(jù)。如果公司運輸?shù)拇a中包含另一組織的版權(quán)代碼，即使只有百分之一，這也是一個問題。你可以想象一個噩夢般的召回場景，已經(jīng)賣出的產(chǎn)品沒有可靠的功能來解決掉可疑代碼。
不過，LLM領(lǐng)域正在迅速變化。也許不久會搞定這個問題。
3.定制LLM方法的缺陷不論是否存在缺陷，Meta的定制LLM方法已經(jīng)引起了人們的重要關(guān)注，即大型語言模型并不是AI輔助代碼生成的唯一成功途徑。我們看到這一點在行業(yè)中得到了體現(xiàn)，行業(yè)正在為更小、更專注于編程的LLM（如BigCode、Codegen和CodeAlpaca）積聚動力。StarCoder是另一個例子，盡管它只有155億個參數(shù)，但在評估基準(zhǔn)測試中發(fā)現(xiàn)它比最大的模型（如PaLM、LaMDA和LLaMA）表現(xiàn)更好。
這些選項各有優(yōu)缺點，但最重要的是，小型模型將比大型模型更安全。如果你正在使用C++編程，你真的需要你的LLM充滿與“美國第三任總統(tǒng)是誰？”等無關(guān)的知識嗎？數(shù)據(jù)池越小，保持內(nèi)容的相關(guān)性就越容易，模型的訓(xùn)練成本就越低，你無意中竊取他人版權(quán)數(shù)據(jù)的可能性就越小。
2024年的DevOps團隊?wèi)?yīng)該徹底研究市場上所有可用的LLM選項，而不是默認(rèn)選擇最顯眼的。甚至可能值得為不同的用例使用多個LLM。
4.回到當(dāng)前存在的問題：編碼不等于開發(fā)如果生成式人工智能能夠完全勝任端到端的開發(fā)和構(gòu)建人機界面，不會很快到來。
誠然，LLM能夠很好地與文本和圖像的元素進(jìn)行交互。甚至還有一些工具可以將網(wǎng)頁設(shè)計轉(zhuǎn)換為前端代碼。然而，與編碼相比，人工智能單獨承擔(dān)與圖形和UI/UX工作流程相關(guān)的設(shè)計要困難得多（盡管并非不可能）。
編碼也只是開發(fā)的一部分。剩下的部分是投資于一些新穎的東西，弄清楚受眾是誰，將想法轉(zhuǎn)化為可構(gòu)建的東西，以及進(jìn)行完善。這就是人為因素的作用。
無論LLM變得多好，程序員都應(yīng)該始終遵循一個原則：將每段代碼都視為自己的代碼。進(jìn)行同行評審，并問你的同事：“這是好代碼嗎？”永遠(yuǎn)不要盲目信任它。
