随着越来越多的企业尝试使用AI基础模型(例如OpenAI的ChatGPT),但与此同时,自动化平台给软件开发人员带来的影响越来越明显。
一方面,这些平台可能会彻底改变开发人员的工作方式;另一方面,这些平台也威胁到业内人士的工作,与既定流程形成鲜明对比。
也就是说,毫无疑问地,像ChatGPT这样的平台是一股颠覆性的力量,受到了风险资本家的热烈欢迎。根据研究公司Gartner的数据显示,过去三年中生成式AI解决方案获得了超过17亿美金的投资,其中很大一部分投入在AI软件编码上。
自动化对软件开发还有其他很多潜在影响,尤其是所生成代码的质量和多样性。
行业分析师Dave Vellante写道:“大型语言模型可以降低复杂性并加速企业自动化平台的采用,但不利的一面是,软件机器人旨在通过智能自动化提高人类生产力,而GPT模型可能会蚕食一些(如果不是很多的话)最初由RPA供应商瞄准的用例。”
这一新的现实,正在促使客户重新考虑他们的自动化战略,促使厂商完善他们对外传递的信息,将基础模型定位为他们平台的催化剂。
那么这项新技术将如何改变开源开发者社区?新兴的自动化平台为何是一把双刃剑?最后,这将如何给这个行业带来永远的改变?
AI的实际应用
在AI呈现爆炸式发展之前,自动化已经达到惊人的发展速度。根据世界经济论坛最近预测,到2025年自动化和技术进步预计将取代8500万个工作岗位,但“随着人类、机器和算法越来越多地协同工作”,将创造9700万个新的角色。
开源的生成式AI——例如OpenAI开发的自然语言处理模型GPT-3,可能会颠覆大多数技术领域,软件开发者也不能幸免。
例如,GPT-3可以自动生成代码,一些初创公司如Hugging Face,已经开始为此做好了准备。
Hugging Face公司首席执行官Clement Delague表示:“Hugging Face是全球初创企业和其他企业的资源,我们可以帮助他们构建几乎任何自然语言处理应用,其时间、成本和复杂性,是他们自己开发所用的很小一部分,从而帮助组织将他们的解决方案快速推向市场。”
GitHub首席执行官Thomas Dohmke在最近的一篇博客文章中表示:“我们内部正在测试新的功能,GitHub Copilot将在开发人员通过动态提取有关代码更改信息创建拉取请求时,自动提出关于句子和段落的建议。”
AI技术已经被用于优化代码,提出改进建议并降低出错的可能性,此外还被用于自动化测试。尽管ChatGPT在技术领域实现了“类似Netscape”的高光时刻,但目前尚不清楚IT决策者将如何在他们的组织中直接实施这项技术。
Vellante在一份分析中,引用了最近一次CIO圆桌会议的内容。在谈到机器人过程自动化、机器学习和人工智能时,一位CIO表示,这三者本质上都是在尝试解决相同的业务场景,即消除多余的资源,无论是人力资源还是其他资源。
这位CIO表示:“OpenAI通过ChatGPT展示了,你可以避免很多‘开销’,围绕典型的RPA构建复杂的工件。我认为这是一个非常有趣的价值主张——能够取代‘经典’RPA中的一些工作台,这些工作台需要很长时间才能掌握,并且需要很长时间才能获得超过常规用例的任何价值。”
其他人则试图让这些技术更容易获得。Red Hat致力于创建社区驱动的AI作为其Project Wisdom计划的一部分,以简化基础设施的自动化。
Red Hat公司副总裁、Ansible业务部门总经理Tom Anderson表示:“现在这是社区之旅的开始,我们将通过Discord之类的渠道合作开展这项工作,吸引人们参与进来。”
对人类开发者的担忧
问题的另一面涉及这种新兴技术将可能完全取代人类开发者。事实上,高盛集团等公司已经开始在内部尝试使用生成式AI来协助编写代码了。
如果组织过于依赖AI生成的代码还会引发其他问题,例如如果针对不同任务有不同的基础模型,就会出现碎片化的问题,这可能会导致开发者难以有效协作。另外,如果没有对AI生成的代码进行制衡也会可能出问题,特别是考虑到当前ChatGPT仍然可能出现所谓的“幻觉”。
Neuroflash联合创始人、首席营销官Henrik Roth说:“这些技术会非常有说服力地告诉你它‘认为’是对的,不管它有多少错误。”Roth说,ChatGPT是用于创意写作和广告的绝佳工具,但“如果是在那些事实更重要的领域——例如新闻和科学领域——人们应该对每一个声明进行事实核查。”
企业如何看待未来之路
自动化平台将不可避免地改变软件开发者的游戏规则。大型企业,尤其是那些处于机器学习、人工智能和自动化交叉领域的企业,正在使用RPA作为一种替代工具,包括微软、AWS和谷歌。
Vellante表示:“微软在收入份额方面处于有利地位,观察家可以预期,微软于OpenAI的关系将成为微软AI战略的关键。从技术角度来看,微软在AI方面可以说落后于AWS和谷歌,但在商业模式方面,微软似乎已经跃居领先地位。”
在他关于企业技术的研究中,询问了客户是否正在评估GPT模型以及针对哪些用例。令人惊讶的是,有56%的客户表示他们没有对此进行评估,而除此之外,另外大部分客户正在评估将这项技术用于客户聊天。
“从表面上看人们会得出结论,RPA和自动化平台可以从GPT模型中受益,并且这些用例在很大程度上是互补的。例如,基础模型可以编写代码或者加速指导软件机器人的自动化代码开发,但与此同时,大型语言模型的功能与一些早期RPA用例之间存在重叠,随着时间的推移,这种重叠很可能会进一步增加。”
接下来何去何从?
对于开发者来说,机遇和挑战都迫在眉睫,因为AI基础模型有可能会彻底改变他们的工作方式,即使对工作安全性和既定流程仍然存在威胁。
这个市场仍然是两极分化的:在艰难时期,公司会想办法削减成本,寻找自动化技术可以发挥作用的方面。但同时,企业必须花钱才能赚钱。
“GPT模型正在催生新的思想,买家和卖家都在努力将基础模型转化为机会,GPT模型的早期用例很有趣,但不能直接替代企业自动化平台。然而,低端自动化存在风险,毫无疑问,这里有一个维恩图与基础模型和自动化平台相交。”
事实上,生成式AI会蚕食一些RPA的用例。另一方面,这两种技术可以协同工作以便对更广泛的任务进行自动化。
“尽管如此,我们认为所有厂商都必须利用GPT模型来简化和加速采用;买家必须退后一步,试水一下,看看他们如何部署这些新的创新来为他们的业务增加价值。”
与AI进步颠覆了大多数技术一样,自动化平台也在不断变化中,只有时间才能证明未来会是什么样子的。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。