智能化开发的现状与未来

2023-05-22
山东
本文字数：1596 字
阅读完需：约 5 分钟

自第一台现代计算机 ENIAC 于 1946 年问世以来，人们就一直致力于开发更好的编程语言、算法、开发工具、方法论来提高计算机程序开发的质量和效率。经历了 70 余年的发展，已经硕果累累，ACM 图灵奖和 ACM 软件系统奖的榜单记录了科学家和工程师不断进取的脚步。

编程语言方面已经历了三代：机器语言、汇编语言、高级语言。

算法方面在编译、程序分析、测试、形式化验证、程序合成等领域百花齐放。

开发工具包括了编辑器、建模器、编译器、测试与验证工具、性能分析工具、项目管理工具、代码仓库等。

方法论则包括了开发方法（如结构化、面向对象、面向服务、统一过程、形式化方法、敏捷方法等），开发模型（如瀑布模型、迭代增量模型、螺旋模型、V 模型、构建组装模型等），和工程管理方法与标准（涵盖需求、设计、建模、编码、测试、运行、维护等）。

近几年，在商业软件开发领域，出现了低代码/无代码、RPA 等以自动化技术为特点的辅助开发方法。

低代码/无代码（如浪潮海岳 inBuilder）作为一种轻量级的模型驱动开发方法，通过预置的转换规则实现模型到代码的自动生成，能够辅助企业业务人员以拖拉拽和搭积木的方式完成应用开发而不需要过多依赖程序员，降低了开发门槛，实现了编程的平民化。

RPA 即机器人流程自动化，能通过录制人与系统交互的行为生成可以自动执行的脚本，然后执行脚本模拟人与系统的交互，从而以非侵入式的方式代替业务人员完成重复性的繁琐操作。以 RPA 为基础，融合 OCR、NLP 等 AI 技术还能进一步拓展 RPA 机器人的业务能力。

2017 年 Google 发表的 Transformer 架构突破了传统 RNN 架构在超长距离上下文依赖和高并发方面的瓶颈，极大推动了自然语言处理技术的发展。学术界和科技公司纷纷开始研究预训练大语言模型（简称大模型），而且大模型在多种下游应用（如翻译、问答、摘要、推荐、标注、分类、代码生成等）已经全面超越基于 RNN 架构的技术。到 2022 年已经陆续发布了很多研究成果，其中 OpenAI 的 ChatGPT、微软的 Copilot 最为耀眼。在代码智能方面，大模型除了可以实现代码补全、API 推荐、代码搜索、代码审查外，还能够直接理解自然语言描述并生成代码片段。很多使用过智能开发插件的程序员表示大模型能帮助他们提高工作效率，甚至已经离开不了。这些工具改变了他们的工作模式，因为不用从头到尾事必躬亲地敲代码，而是去重构 AI 生成的代码，这样可以有更多的时间去考虑设计和架构，实现专业技能的向上发展。

大模型的语言理解和语言生成能力非常强大，但是依然有其局限性。大模型完全基于概率语言模型，就好比一个 “词语接龙游戏“。它并不能理解问题和回答的意思，只靠注意力机制来维持文本内容上的语义概率相关性。人类智能则包含更多理性要素，例如假设、推理、规划、决策。如果大模型不能从机理上解决理性能力缺失的问题，则”经验主义“技术路线早晚会碰到天花板。毫无疑问，预训练大语言模型是一项变革性的成果，在语义理解能力方面成功克服了自然语言的复杂多变歧义等挑战，推动 AI 迈入了强人工智能时代。然而，通用人工智能（AGI）还远没有到来，我们既不能高估大模型的能力，也不能低估人类认知与决策的复杂度和实现难度。

正如前文所述，大型软件开发是一项具有很高创造性和复杂性的系统工程，编码只是需求分析、建模、设计、以及工程技巧的最终呈现。事实上，企业级应用软件往往由一个或多个项目团队协助开发完成，不仅代码规模巨大，还涉及大量的领域知识、架构设计、交互设计、开发框架、专用组件库/模型库/插件库、UML 设计、外部集成需求等。一份完整的软件开发需求描述文档可能会长达数百、数千、甚至数万页。这远非当前的智能化开发工具可以处理。另一方面，人工智能的迭代速度非常快， AI 的认知能力会越来越强大，未来必然会对软件开发模式带来变革，软件开发人员应该充分挖掘智能化开发工具的能力，用 AI 武装自己，与狼共舞。