程序员的出路
GitHub Copilot、ChatGPT （Generative Pretrained Transformer，是一种可利用互联网数据进行训练的文本生成深度学习模型，在问答、文本摘要、机器翻译、分类、代码生成和对话式 AI 领域都有相当惊人的表现）等 AI 产品的火爆出圈，很多人看到ai写code的巨大潜力和商机。 在2020年 Build 大会上，微软首席执行官 Satya Nadella 表示，“GitHub 拥有超过5000万用户，Visual Studio Code 是最受开发者欢迎的代码编辑器。微软将为开发者打造最完整的开发工具链，结合 GitHub、Visual Studio 和 Azure，帮助开发者实现从想法到代码、从代码到云的转化。”2021年6月，GitHub首次推出了测试版的Copilot，并把这个工具描述为AI配对程序员。它可以为开发人员在JetBrains IDE、Neovim或者Microsoft Visual Studio Code等集成开发环境中写代码的时候提供下一行代码的建议。GitHub Copilot终于到来。它创造了历史上第一次人工智能可以被开发者充分利用来写代码。GitHub的执行官托马斯·多姆克表示：就像编译器和开源的兴起一样，我们相信人工智能辅助代码将从根本上改变软件开发，为开发人员一个新的开发工具，让开发者更轻松、更快的编写代码，让他们的生活更快乐。
Stability AI 发布了其新的开放大型语言模型（LLM）StableCode ，该模型旨在帮助用户生成编程语言代码，基于 transformer 神经网络打造 。ImageNet（斯坦福大学）极大地推动了计算机视觉领域的发展，类似包含多种任务的 GLUE（纽约大学）和 XGLUE数据集在自然语言处理领域也产生了非常深远的影响。近年来，统计机器学习算法，尤其是深度学习算法在很多代码智能任务（如代码检索、代码补全、代码纠错）上都取得了不错的进展，但是，代码智能领域仍缺少一个能覆盖多种任务的基准数据，以便从不同角度衡量模型的优劣。Welsh 断言，生成式 AI 将在 3 年内终结编程。审慎的态度或许能帮助我们构建出具备可靠能力的终极 AI 系统。
ai写代码的优势：
大型科技公司会主要致力于人工智能平台的研发，而中小型科技公司会主要针对于人工智能平台在行业领域进行创新。人工智能平台的研发对于从业者的整体研发能力要求会更高一些，而行业开发则需要从业者具有一定的行业知识背景，ai写代码可以实现程序员快速上岗，快速完成外包任务的需求。
1.生成重复代码。
2.文档注释和帮助。
3.自动测试.
4.代码优化。
5.智能集成开发环境（IDE）。
6.数据分析和SQL查询生成.
ai写代码存在的问题：
1，自研模型能力：业务场景的复杂性:业务的需求存在差异性和复杂性。程序员和架构师在面对具体业务问题时不仅需要考虑业务需求的独特性，还需要考虑代码实现、运行效率、数据Security等多个方面。这不是ai简单写code就行的。
2，安全性问题：自动生成代码过程中，必须先将编辑器中的注释、代码等相信信息发送到AI服务器中，这就导致代码外泄的风险.对于金融、支付类的敏感业务场景存在安全性隐患。
3，标准化问题：软件设计是一个复杂性过程，需要在权衡软件所有结构，因素的优先级，成本，复杂度和灵活性，主观评估没有标准化和公式可以套用，可信度不高，无法为下一步决策提供可靠支撑。
4，创新和局限性问题：关键任务项目，如Linux内核、网络浏览器、编译器、图形引擎、游戏引擎、数据库、基础模型及算法和安全系统，这些项目需要专业技能和多年经验。
字数地限制对AI使用大型代码库提出了挑战。GPT-3.5模型的上下文窗口大小为 4000 个tokens（约 3,125 个单词），GPT-4 模型有两个变体：一个限制为 8000个tokens，一个更大的版本大小为32,000 个tokens（大约25000字）。
ai无法创建软件，只能创建code,写代码是重复造轮子的过程，程序员可以学习算法原理，熟练掌握基本操作，工程实践开发新的code。要知道里面的代码都凝聚无数程序员的贡献。
目前，AI 技术尚处于早期发展阶段，AI是否能够完全取代程序员仍然是一个具有挑战性的问题。如果人工智能只是取代了程序员的一部分工作，初级程序员可能被淘汰（只熟悉编程语言 API 算法和数据结构的程序员），但是也加速了职业规划和技能提升。大多数程序员仍然可以留在行业内，人工智能的出现也会引起职业转型，即程序员需要转型成为数据分析师、机器学习工程师，产品经理和代码评审人员。
|
楼主
标题置顶
标题高亮
