程序员真的会被AI取代吗？我们如何理性看待AI变革之路
发布时间：2024-01-26 13:39:49
针对AI对程序员的影响，我们不应过于悲观和焦虑，而是要积极看待AI变革对我们产生的影响。只有不断提升自己，拥抱AI，才能让自己立于不败之地。虽然AI 技术可能会影响程序员的部分工作，但不太可能完全取代他们。程序员应关注技能提升和专业发展，以适应不断发展的技术环境。
AI 能否替代软件？
Chat UI：适合业务导向的需求，例如打车、买票，用户要的是结果，也就是最适合秘书干的活。
Traditional UI：适合体验导向的需求，例如淘宝、抖音，用户要的是过程，秘书可以帮你买东西，但是不能代替你逛街。
Super UI：所有生产力工具都会增加 AI 能力，跟 AI 的交互包括但不限于聊天。
你可以把大模型比作人脑，传统程序比作计算器。虽然人脑也能做加减乘除，但是人脑能取代计算器吗？大家都知道神经网络模拟的是人脑，虽然现在还不能完全作证这个模拟到了什么程度，但起码出发点是模拟人脑，那按理说人脑有的缺点大模型也会有。目前的实践也证明了大模型不善于计算，无法精准地存取信息，存在随机性，这些恰恰也是人脑的弱点，却正好是传统程序的强项。
所谓程序，其实就在干两件事“数据的存储，数据的处理”，无它。为什么数据库软件这么牛逼，赚这么多钱？因为数据的存储和处理少不了数据库。人类创造的大量高价值软件都是某个行业的信息系统，比如航空机票、铁路调度、ERP、银行账户、股票交易等，都极大地依赖数据库以及精准的数据处理。
我很难想象把 12306 干掉，放一个大模型在那里，所有人订票都跟 12306 聊天，然后这个大模型记录了一切。起码在目前的 AI 范式下，这个事情不可行。所以大模型更多的是取代人脑，而非取代软件。要让大模型很好地工作，需要给它工具，软件工具，正如 ChatGPT Plugins 所做的那样。所以编程不会被终结，反而会越来越重要，因为不光要给人做软件，还要给 AI 做软件。
软件和模型的区别大致可以总结为：确定的交给程序，动态的交给模型。但这个格局会不会发生变化？两件事情的发生会打破这个格局：
On-deman UI，即 UI 界面可以按需实时生成。例如在和 ChatGPT 聊天过程中，它不但会用语言、图片、视频来回应，还可以弹出一个界面让你做一些操作，例如在调色板上选取心仪的颜色。再比如文字编辑场景，实时生成一个编辑器让你设置段落和文字样式。On-deman UI 的出现，可以根据当下的场景，实时生成具有交互能力的界面，充分利用摄像头、麦克风、键盘鼠标等交互能力。
Model as Database，指大模型彻底解决了“记忆力”的问题。大模型可以像数据库一样实时、高效、精准地存取数据，相当于大模型内置了一个数据库，或者想象一下你的大脑内植入了一个数据库。
这两个技术的出现可以让我们彻底抛弃现有的软件，这才是编程的终结。我不知道怎样才能发展出这两样技术，但起码对于目前的 AI 而言，需要新一轮的范式升级才有可能实现。未来的事情 who knows，关注当下，软件依然重要，比以前更加重要。
AI 是否会替代程序员的工作机会？
要回答这个问题，我们得搞清楚 AI 带来了什么——AI 是智力革命，是对智力的替代。工业革命让英国的农业人口从 60% 降低到 10%，信息革命让美国的工业人口从 40% 降到了 8%。按照这个思路，如果说 AI 是智力革命，白领在就业市场的占比会从 60%+ 变成个位数。从这个角度说，长期来看，AI 的确会替代程序员的工作机会。
如果 AI 可以替代人，那就意味着它替代了一种生产要素。这对于生产力的影响是巨大的，将释放更多的人类创造力，消灭旧岗位，创造新岗位，对大家的生活造成极大的影响。
GPT-4 的智力水平已经相当高，GPT-5 可能超越 80% 的人类智力。在这样的背景下，问题就变成了如何让 AI 真正去替代某一个工种。但当前来看，AI 技术仍然更偏向于辅助者，而非驱动者。市场上出现的完全由 AI 构建应用的产品，仍停留在玩具阶段。而辅助型的 AI 助手则更加成熟，如 GitHub Copilot，这样的工具并不能替代程序员，只能作为生产工具的增益，无法替代生产力本身。
LLM 能力本身提高
Semantic Kernel 团队曾总结过：人类觉得有困难的工作，对于 LLM 同样困难。这点出了 LLM 的本质：一个类似于人脑，可以理解意图、代替脑力劳动的工具。那这个人脑本身的水平，自然限制了其是否可以在复杂场景下处理复杂问题。
对于复杂应用来说，LLM 需要在如下三个方面达到一定标准：
1. Context Length（上下文长度）
上下文长度可以说是新时代的内存。正是因为上下文长度不够，所以目前构建 LLM 应用需要各种复杂的 Prompt Engineering（提示工程）来做各种召回、切换、调度等工作，有点像当年的虚拟内存。但同样的上下文长度，质量却是不一样的。不能光看模型声明的上下文长度，而要实测有效的上下文长度。例如，GPT-4 默认的上下文长度是 8K，但也有 32K 版本。在实际测试时，会发现 32K 版本在上下文超过 8K 的情况下能力骤降，很多内容会被忽略。我理解这是 LLM 的注意力不够导致的，额外的上下文长度没有意义。所以 Context-Length 这个指标核心考察的是该 LLM 的有效上下文长度，得分越高说明处理长文本的能力越强。
2. Reasoning Depth（推理深度）
推理深度可以理解为 LLM 的“聪明”程度，能否举一反三、理解隐含意图、基于中间答案推断出最终答案。比如：
You are an AI software requirement analyst. Please make a judgement if the following requirements needs persistent storage. YES or NO, no explanations. Requirements: I want to hold a party tomorrow night. Please send invitation emails to my friends. My friends emails: Ella: ella@gmail.com, jack: jack@gmail.com.
In the email, give them a link that shows a web page, ask them what kind of alcohol they prefer, whisky, wine or beer. I also need a web page to see their choices.
这是一个简单的信息收集应用的需求，在需求描述中是没有提到存储或者数据库这样的字眼，但是实现这个应用需要用到存储或者数据库。这就要求 LLM 理解这个需求的意图，并且推断实现这个意图必须有持久化的存储，正确答案是 YES。
3. Instruction Compliance（指令遵循）
指令遵循可以理解为 LLM 听话的程度。跟 LLM 打交道的过程中往往会遇到你让它不要干啥，但它压根不理你，还是会输出一些你不想要的内容的情况。比如你跟它说不能讨论政治，但在聊天过程中还是会回答政治相关的问题。我们还是拿上面那个信息收集的应用举例。我们在 Prompt 中明确了回答只要 YES or NO，但是我们来看看 LLM 的表现：
可以看到 Claude 的理解是对的，但答案的格式是错的，也就是没有按照我们的指令生成答案。
指令遵循的能力是 LLM 结构化输出的基础，例如输出 YAML 或者 JSON。如果这个能力不好，不按照格式要求输出，会导致输出结果很难被下游的程序所使用。所以 Instruction Compliance 这个指标得分越高，说明 LLM 结构化输出的能力越好。
以上是在构建复杂应用的场景中必备的三个能力，恰好对应了“输入-处理-输出”三个环节，任何一项的薄弱都会导致很难实际使用这个 LLM。所以 LLM 能力本身的大发展，是可以替代人的基础。
工作内容 DSL 化
当我们提到 LLM 在工业代替人进行工作时，除了和人打交道，往往还要和具体行业的知识、数据、系统进行交互。给 LLM 灌输行业知识，当前有两种方式，一种是 Fine Tuning（微调），另外一种是 Prompt Engineering。就目前实际的行业发展而言，Fine Tuning 还未形成共识，并且成本巨高，实际目前的大量应用都是基于 Prompt Engineering 做的——当前世界上应用最广泛的模型 GPT-4 并不提供 Fine Tuning 的选项。
但无论是 Fine Tuning 还是 Prompt 工程，都对结构化数据有一定要求。这方面我认为最值得参考的是微软的一篇论文，来自 Office Copilot 团队所著的“Natural Language Commanding via Program Synthesis”，这篇论文提到的工程实践有一个核心点就是 ODSL（Office DSL），是 Office 团队为这个场景定制的一套 DSL（领域特定语言），这也是控制大模型输出的主要手段，就是结构化，事实证明“大模型喜欢结构化”。
成熟的、给 AI 设计的工具
尽管人类和人工智能（AI）都拥有一定的智力能力，但在现阶段，大多数产品设计仍然以人类为中心，而非 AI。
以协作为例，单个人的工作能力有其天然的限制，因此需要与他人协同合作。这就导致了人类工作的异步性。在软件工程领域，我们使用 Git 这样的工具来解决异步协作带来的问题。
再比如，任何一个工程项目都需要经过生产和测试两个环节。考虑到确保工作的诚信性，通常我们不会让生产者和测试者是同一个人。但你完全可以让一个 AI 同时进行生产和测试，因为 AI 本身不存在诚信问题。
此外，人类和 AI 在交互方式上也存在着显著差异。比如，大部分的软件操作都需要使用鼠标，因为这种人类和 AI 在输入和输出（I/O）方式上的区别，导致 AI 其实很难操作现有的软件。
小结
AI 未来会怎样，没有办法预知，但是可以确定，它目前的编码水平不会威胁到程序员。
虽然现在的情况不太好，但等过了低谷期，经济恢复了，程序员的需求就会上升。
你的工作今年是有保障的。如果你努力的话，明年也是有保障的，而且很可能从此都是有保障的。因为如果一直不断学习 AI，你会越来越熟练地掌握它，让它为你工作，达到你的目的。也就是说，它会放大你的生产力。这就是很关键的地方，AI 与人类不是竞争关系，
它未必会减少机会，反而可能带来更多的机会。
因此，当前AI的编码水平不会对程序员构成威胁，并且通过不断学习和掌握AI的使用方法，可以将其作为工具来提高生产力。
以上为本次所有分享内容
关注“盛图科技”公众号
私信“寒假编程训练营”即可免费报名参加！
