از آنجا که من در مورد روند فعلی سرمایه گذاران که به اتوماسیون و جایگزینی توسعه دهندگان ماهر بشر از طریق هوش مصنوعی فشار می آورم ، تأمل می کنم ، من از داستان کلاسیک مرغی که تخم های طلایی را گذاشته است ، یادآوری می کنم. آیا ما با اولویت بندی سودهای کوتاه مدت ، مزایای بلند مدت توسعه نرم افزار را به خطر می اندازیم؟
من به عنوان یک نرم افزار فصلی و معمار ابر ، من برخی از حقایق را تجزیه و تحلیل کردم که توجه را تضمین می کند:
در همین حال ، اخراج ها و دشواری های فعلی در یافتن توسعه دهندگان ماهر جدید ممکن است در آینده چالش برانگیز تر شود
عقب نشینی و ارزیابی اوضاع ضروری است.
این ایده که می توانیم یک مدل زبان بزرگ (LLM) ایجاد کنیم که می تواند نرم افزاری به خوبی به عنوان بهترین توسعه دهنده جهان ایجاد کند ، ممکن است جذاب به نظر برسد ، اما این یک رویکرد کوتاه بین است. حتی اگر LLMS بتواند کد با کیفیت بالا تولید کند ، آنها همچنان با داده های آموزشی خود محدود می شوند و قادر به پیشی گرفتن از قابلیت های توسعه دهندگان انسانی نیستند.
برای درک اینکه چرا LLM ها توسط داده های مورد استفاده برای آموزش آنها محدود می شوند ، بیایید به اصول اولیه آنها شیرجه بزنیم. در هسته اصلی آنها ، LLM ها ماشین های آماری هستند که با استفاده از الگوهای و تصادفی ، متن منسجم را تولید می کنند. با این حال ، این رویکرد با محدودیت های ذاتی همراه است: آنها فاقد ظرافت شهود انسان ، ظرفیت رویکردهای متنوع برنامه نویسی و توانایی ادغام یکپارچه دانش دامنه جدید هستند. دلیل اصلی این محدودیت ها این است که LLM ها فقط می توانند پاسخ هایی را بر اساس داده هایی که در آنها آموزش داده شده اند ایجاد کنند. در نتیجه ، رشد و تکامل آنها به طور مستقیم با کیفیت و جدید بودن داده های مورد استفاده برای آموزش آنها گره خورده است. اگر داده های جدید دیدگاه های تازه ، خلاقیت ، تنوع یا تخصص دامنه را معرفی نکنند ، مدل ها قادر به پیشرفت فراتر از توانایی های فعلی خود نخواهند بود ، و به طور موثری پتانسیل خود را برای بهبود در بر می گیرند.
علاوه بر این ، اگر ما فقط به LLM ها اعتماد کنیم ، با فرض اینکه LLM می تواند کد منبع نرم افزاری دقیق تولید کند ، شرکت ها برای تمایز خود تلاش می کنند.
درعوض ، من پیشنهاد می کنم که توانایی های فعلی LLM را به عنوان یک بذر بنیادی برای پیشرفت های تکنولوژیکی آینده پیش بینی کنیم. با همکاری با انسان ، LLMS می تواند داده های جدیدی را تحت هدایت خلاقیت انسان ایجاد کند و منجر به تنوع کد بی سابقه شود. این سیستم حلقه بسته باعث ایجاد اثر گلوله برفی می شود ، جایی که داده های جدید برای بهبود مدل های آینده تولید ، سرپرستی و استفاده می شوند.
LLM ها این پتانسیل را دارند که فرصت های بی شماری را باز کنند ، مطمئناً بیش از تعداد نقش هایی که ممکن است در کوتاه مدت به صورت خودکار یا جایگزین شوند. در شرکت من ، ما این رویکرد مشترک را پذیرفته ایم و می دانیم که توسعه دهندگان انسانی و LLM ها می توانند با هم همکاری کنند تا کیفیت و رشد کارایی بلند مدت بی سابقه ای داشته باشند.
با این حال ، این واقعیت هنوز به دست نیامده است ، با این حال ، به دنبال عمق ، با انجام تجزیه و تحلیل های مختلف می توانم درک کنم که LLM ها در تولید دارایی های قابل تحمل انسان برتری دارند اما هنگام ایجاد دارایی های قابل استفاده از دستگاه که اغلب بدون تأیید انسانی قابل اعتماد نیستند ، نیاز به پشتیبانی اضافی یا پارچه های پیچیده دارند.
از چالش ها و سوالات استقبال می شود
