Matthew Berman 对 AI 与编程未来的 2023 年预测

我认为传统编程正走向深刻变革，甚至可能最终结束。这是我在 2023 年 12 月作出的预测，受到 Matt Welsh 关于大语言模型与编程的演讲启发；它不能证明程序员或软件工程已经变得不必要。

学习编程是我一生中最有价值的技能之一。高中时，我因为想制作游戏而开始学习；大学毕业后，它让我不用等待别人就能将想法变成可用软件。我为自己的公司 Sonar 编写了最初的代码，找到第一批客户，然后组建团队继续发展公司。

编程也很难。即便已经做了二十多年，我仍会为 Python 包管理等细节苦恼。设计复杂系统意味着要思考许多交互和边缘情况，准确表达它们，并找出容易被忽略的错误。

随着时间推移，编程变得更容易接近：从占满房间的计算机和打孔卡，到汇编、BASIC，以及后来抽象能力更丰富的语言。现代编辑器、语法高亮、版本控制、测试、自动化和包管理工具都能提供帮助，但不会让底层的工程挑战消失。

GitHub Copilot 对我来说像是一个转折点：助手可以根据周围上下文补全代码，让我不必反复离开编辑器搜索语法，从而更专注。关于生产效率和质量的判断是我的个人印象；结果会因任务、开发者、工具和审查流程而异。

我当时的工作流是请 ChatGPT 写代码，把它粘贴进项目并测试，再用 Copilot 填补空缺。我扮演协调者的角色。我也说明，当时自己每天都在尝试 AI 项目，但并没有构建生产级应用。

我认为，AI 编程比招聘更容易扩展，模型也能帮助处理繁琐的语法和数据访问问题。我更广泛地声称 AI 比人类程序员更好、更快、更便宜，应将其视为预测与比较；结论取决于任务、质量要求和监督的完整成本。

在一段演讲片段中，Matt Welsh 假设一名开发者年薪为 22 万美元，另有 9.2 万美元的额外薪酬成本，并将其与每天约 100 行提交代码作比较。然后他将这些代码等同于约 1,000 个模型 Token，称生成成本为 12 美分。他的例子刻意做了粗略估算：画面显示的每 1,000 个 Token 两美分费率，单独计算只会得出两美分，片段没有解释其中差异。

我指出 Welsh 计算的另一项限制：生成的代码经常需要反复尝试和迭代。除此之外，输出行数也无法衡量需求收集、审查、调试、安全、集成或维护，因此这种比较不能确定替代开发者或交付等效软件的成本。

在 2023 年，大型代码库可能超出模型的上下文限制，模型也可能遗漏长提示词中的相关细节，或缺少最新 API 知识。检索和联网可以提供帮助，但也可能失败。我认为数据和算力是限制因素，并预计硬件投资和更多训练数据会改善情况。

我设想一种反馈循环：人类和 AI 编写的代码为更好的模型提供训练材料。这种改进是可能性，并非自动发生；数据质量、权利、筛选和评估都会影响额外的合成代码是否真正有帮助。

我讨论的一种方法是生成精简的代码库地图。我提到 Aider 使用仓库映射，为模型提供结构性上下文，而不必完整发送每个文件。更大的上下文、更好的检索和针对编程的微调也可能有帮助，但一张地图不能证明模型完全理解代码库。

对于近期未来，我设想人类产品经理把业务需求转化为任务，交给负责编码、测试和协调的 AI 智能体，然后由人类进行质量保证。图中没有人类程序员。这是一种拟议工作流和预测，并非所有生产项目都能安全采用这种方式的证据。

我引用 Amjad Masad 分享的一个 Replit 黑客松案例：一位产品经理使用 AI 工具构建了项目；我还提到 Vinod Khosla 关于自然语言编程可以扩大参与范围的预测。这些例子表明制作原型的门槛可能降低，但一场比赛不能证明复杂产品无需技术专长就能维护。

自然语言指令也有自身的摩擦。正如我讨论的例子中 Bindu Reddy 所指出的，修改提示词来修复一种情况可能破坏另一种情况；因此提示词也需要测试、版本管理、监控和评估。我预计至少在短期和中期仍需要人类参与。

我展示了 McKay Wrigley 的 Jarvis 演示：他通过语音要求构建一个使用 Next.js 和 Tailwind 的社交应用，包括个人资料表单、资料查看器、用户列表和响应式深色样式。助手描述了创建仓库、数据库和部署的过程；Wrigley 随后检查页面和数据库。这是一个小型演示，并非完整的安全性、可靠性或可维护性评估。

我看到 AI 编程的采用正在快速增长，并引用搜索兴趣数据作为受到关注的迹象。搜索量本身并不是采用率的衡量标准，也不能保证未来呈指数式进步。我的长期愿景是模型把自然语言请求转化为设备上的操作，让用户与计算之间所需的传统编程大幅减少。

我不确定在那个未来哪些角色仍会存在。计算机科学家可能仍会从事深入的技术工作，人类也可能继续检查质量和对齐情况。这些可能性反映了自动化实际能实现什么仍存在不确定性。

我在 2023 年 12 月估计：1 至 2 年内，越来越多非技术人员将构建软件；5 年内，他们将管理大型 AI 智能体团队；10 年内，将实现从自然语言到计算。这些是带有时间背景的预测，而非已确认的里程碑；最终的速度和范围仍不确定。

尽管我认为编程将发生巨大变化，我仍会教孩子编程。它很有趣，也能教授问题拆解、逻辑和推理。我还预计学习与 AI 协作会变得更有价值，虽然想到自己热爱的技能可能不再那么被需要，我仍感到难过。