هوش مصنوعی در مقابل برنامه نویسی

آیا هوش مصنوعی برنامه نویسی را منسوخ می کند؟ فکر این که با کمک هوش مصنوعی مولد، هر کسی که می تواند (محتوای دلخواه خود را) بنویسد یا اینکه می تواند برنامه نویسی کند بسیار هیجان انگیز است.

مشاهده برنامه‌نویسی به‌عنوان عمل وادار کردن رایانه به انجام رفتارهایی که می‌خواهید انجام دهد، نشان می‌دهد که در پایان روز نمی‌توانید افرادی را که تصمیم می‌گیرند آن رفتارها (در سیستم رایانه ای موجود) باشند، جایگزین کنید.

در سال 2017 محققان گوگل یک برنامه جدید یادگیری ماشینی به نام تبدیل کننده برای پردازش زبان معرفی کردند.

در حالی که آنها بیشتر علاقه مند به بهبود ترجمه ماشینی بودند - این نام از هدف تبدیل یک زبان به زبان دیگر گرفته شده است - مدت زیادی طول نکشید که جامعه هوش مصنوعی متوجه شد که این ترانسفورماتور دارای پتانسیل فوق العاده و گسترده ای است.

این موضوع که بر روی مجموعه‌های گسترده‌ای از اسناد برای پیش‌بینی آنچه بعداً بر اساس زمینه قبلی می‌آید، آموزش دیده است، مهارت عجیبی در ریتم کلام نوشتاری ایجاد کرد.

می توانید فکری را شروع کنید و مانند دوستی که شما را به خوبی می شناسد، ترانسفورماتور می تواند جملات شما را کامل کند و اگر دنباله شما با یک سوال شروع می شد، ترانسفورماتور یک پاسخ را ارائه می دهد.

حتی شگفت‌آورتر از آن، اگر شروع به توصیف برنامه‌ای می‌کردید از همان جایی که کار را رها کردید ادامه می‌داد و آن برنامه را خروجی می‌داد.

مدتهاست که تشخیص داده شده است که برنامه نویسی با نمادهای مخفیانه و نگرش نابخشوده نسبت به اشتباهات دشوار است.

به خوبی مستند شده است که برنامه نویسان تازه کار می توانند حتی یک کار ساده مانند محاسبه میانگین عددی را به درستی مشخص کنند، که بیش از نیمی از زمان ها شکست می خورد و حتی برنامه نویسان حرفه ای کدهای دارای باگی نوشته اند که منجر به تصادف فضاپیماها، اتومبیل ها و حتی خود اینترنت شده است.

بنابراین وقتی کشف شد که سیستم‌های مبتنی بر ترانسفورماتور مانند ChatGPT می‌توانند توصیف‌های قابل خواندن توسط انسان را به کد تبدیل کنند، دلایل زیادی برای هیجان وجود داشت.

جالب است که فکر کنیم، با کمک هوش مصنوعی مولد، هر کسی که می تواند بنویسد می تواند برنامه بنویسد.

آندری کارپاتی یکی از معماران موج کنونی هوش مصنوعی، اعلام کرد: داغ ترین زبان برنامه نویسی جدید انگلیسی است و با پیشرفت‌های شگفت‌انگیزی که ظاهراً روزانه اعلام می‌شود، شما را به خاطر این باور که دوران یادگیری برنامه‌نویسی پشت سر گذاشته شده است، بخشیده می‌شوید.

اما در حالی که پیشرفت‌های اخیر اساساً نحوه کدنویسی افراد مبتدی و متخصص را تغییر داده است، دموکراتیک شدن برنامه‌نویسی یادگیری کدنویسی را مهم‌تر از همیشه کرده است، زیرا به مجموعه وسیع‌تری از افراد قدرت می‌دهد تا از مزایای آن استفاده کنند.

هوش مصنوعی مولد کارها را آسان‌تر می‌کند، اما آن (خود پیشرفت هوش مصنوعی) را آسان نمی‌کند.

مایکل ال لیتمن استاد دانشگاه علوم کامپیوتر در دانشگاه براون می گوید: سه دلیل اصلی وجود دارد که من نسبت به این ایده شک دارم که افرادی که تجربه کدنویسی ندارند می توانند از یک ترانسفورماتور برای کدنویسی استفاده کنند.

1- مشکل توهم است.

ترانسفورماتورها به خاطر پر کردن حرف‌های نابخردانه با صدای معقول بدنام هستند، به خصوص زمانی که واقعاً مطمئن نیستند که در آینده چه می‌شود و از این گذشته آنها برای حدس زدن آموزش دیده اند، نه اینکه اشتباه کنند. (به معنای آن در زمینه برنامه نویسی فکر کنید)

فرض کنید می خواهید برنامه ای تولید کنید که میانگین ها را محاسبه کند، شما با کلمات توضیح می دهید که چه می خواهید و یک ترانسفورماتور برنامه می نویسد... این عالی است!

اما آیا برنامه درست است؟ یا ترانسفورماتور دچار توهم شده است؟ ترانسفورماتور می تواند برنامه را به شما نشان دهد، اما اگر از قبل نحوه برنامه ریزی را نمی دانید، احتمالاً کمکی نخواهد کرد.

من خودم این آزمایش را انجام داده‌ام و دیده‌ام که GPT (ترانسفورماتور از پیش آموزش‌دیده مولد OpenAI، شاخه‌ای از ایده تیم Google) اشتباهات شگفت‌انگیزی ایجاد کرده است، مانند استفاده از فرمول اشتباه برای میانگین یا گرد کردن همه اعداد به اعداد کامل قبل از میانگین گیری آنها، اینها خطاهای کوچکی هستند و به راحتی برطرف می شوند، اما باید بتوانید برنامه ای را که ترانسفورماتور تولید می کند بخوانید.

در واقع نوشتن شرح شفاهی وظایف بسیار سخت است، حتی برای افرادی که آنها را دنبال کنند.

ممکن است بتوان بر روی این چالش کار کرد، تا حدی با کمتر مستعد خطا کردن ترانسفورماتورها و تا حدی با ارائه تست و بازخورد بیشتر، تا مشخص شود برنامه هایی که خروجی آنها واقعاً چه کاری انجام می دهند.

2- مشکل دوم عمیق تر و چالش برانگیزتر است.

در واقع نوشتن شرح شفاهی وظایف بسیار سخت است، حتی برای افراد که آنها را دنبال کنند، این مفهوم باید برای کسانی که سعی کرده اند دستورالعمل های مونتاژ یک مبلمان را دنبال کنند واضح باشد.

مردم دستورالعمل‌های IKEA را مسخره می‌کنند، اما ممکن است یادشان نرود که قبل از اینکه IKEA وارد صحنه شود، وضعیت هنر چگونه بود، من در دهه 70 در کودکی کیت های مدل دایناسورهای زیادی خریدم و این یک سکه بود که آیا در مونتاژ دیپلودوکوس موفق خواهم بود یا خیر.

من و برخی از همکاران در حال بررسی این مشکل هستیم و در یک مطالعه آزمایشی، ما جفت‌هایی از افراد را از اینترنت جذب کردیم و آنها را به فرستنده و گیرنده تقسیم کردیم.

ما نسخه ای از مشکل میانگین گیری را برای فرستندگان توضیح دادیم و آنها را آزمایش کردیم تا تأیید کنیم که توضیحات ما را درک کرده اند و سپس از آنها خواستیم که تکلیف را به زبان خودشان برای گیرندگان توضیح دهند. انجام دادند.

سپس گیرنده ها را آزمایش کردیم تا ببینیم آیا متوجه شده اند یا خیر. یک بار دیگر، تقریباً یک سکه بود که آیا گیرنده ها می توانند این کار را انجام دهند.

انگلیسی ممکن است یک زبان برنامه نویسی داغ باشد، اما تقریباً به اندازه زبان های سرد مستعد خطا است!

3- انتخاب هدف

در نهایت مشاهده برنامه‌نویسی به‌عنوان عمل وادار کردن رایانه به انجام رفتارهایی که می‌خواهید انجام دهد، نشان می‌دهد که در پایان روز، نمی‌توانید افرادی را جایگزین کنید که تصمیم می‌گیرند آن رفتارها چگونه باشد، یعنی هوش مصنوعی مولد می تواند به بیان مستقیم رفتارهای مورد نظر شما به شکلی که رایانه های معمولی می توانند انجام دهند کمک کند، اما نمی تواند هدف را برای شما انتخاب کند.

و هرچه طیف وسیع‌تری از افرادی که می‌توانند در مورد اهداف تصمیم بگیرند، بیشتر باشد، محاسبات بهتر و دقیق تر خواهد شد.

مالکیت معنوی مجله انرژی (energymag.ir) علامت تجاری ناشر است... سایر علائم تجاری مورد استفاده در این مقاله متعلق به دارندگان علامت تجاری مربوطه می باشد، ناشر وابسته یا مرتبط با دارندگان علامت تجاری نیست و توسط دارندگان علامت تجاری حمایت، تایید یا ایجاد نشده است، مگر اینکه خلاف آن ذکر شده باشد و هیچ ادعایی از سوی ناشر نسبت به حقوق مربوط به علائم تجاری شخص ثالث وجود ندارد.