Berhenti memikirkan tentang membiarkan mesin menulis kod!
Pengarang |. Ethan
Pembangun perlu membina N roda setiap hari, tetapi di belakang setiap roda buatan manusia terdapat "senjata"/"pemandu" mereka sendiri. Seperti Github Copilot, ia telah menjadi alat pengaturcaraan yang digunakan secara meluas Sama ada ia boleh mengurangkan halangan kemasukan kepada pengaturcaraan, jangan bercakap mengenainya, tetapi ia telah dibuktikan oleh fakta untuk meningkatkan produktiviti pembangun. Alat ini dibina berdasarkan model, seperti Codex OpenAI, InCoder Facebook, dll.
Walau bagaimanapun, walaupun model ini dilatih terlebih dahulu pada set data besar dengan kod yang tersedia secara umum (seperti daripada GitHub), model ini masih boleh membawa kepada pelbagai masalah seperti pertikaian hak cipta dan kelemahan keselamatan.
Pengurus perniagaan mungkin lebih mengambil berat tentang produktiviti dan tidak terlalu mengetahui isu ini. Tetapi apa yang ingin diingatkan oleh artikel ini ialah: Daripada sentiasa memikirkan tentang membiarkan AI menggantikan pengaturcara untuk meningkatkan kecekapan, lebih baik memberikan permainan sepenuhnya kepada kreativiti pembangun!
1. Pengaturcaraan AI: sekumpulan pepijat dihasilkan
Orang ramai pernah berharap bahawa dunia pengaturcaraan akan mempunyai "Tesla", membolehkan AI menjana kod secara autonomi dan sepenuhnya, tetapi sebenarnya Ia adalah "cangkuk kiri".
Mana-mana sistem mempunyai konsep "sampah masuk, sampah keluar" (GIGO), dan kecerdasan buatan tidak terkecuali.
Apabila anda melatih model AI pada satu set data, ia akan merumuskan kedua-dua yang buruk dan baik. Apa yang tidak dijangka ialah rangkaian saraf di belakang AI juga mengetahui reputasi AI untuk berat sebelah dan ketidakadilan bukan tanpa jejak.
Melakukan kesilapan bukan hanya untuk manusia Jika anda menjangkakan impian yang baik di dalam kereta dengan pemanduan autonomi Tesla, anda pasti akan terjaga dalam kemalangan.
Jadi kembali kepada senario sebenar, pembangun menggunakan pembantu pengaturcaraan AI untuk pembangunan setiap hari, apakah risiko keselamatannya? Sejauh manakah penggunaan alatan berbantukan kecerdasan buatan akhirnya membawa kepada pengguna menulis kod yang tidak selamat? Apakah pepijat keselamatan yang mungkin menyebabkan pengguna tersebut menyebabkan sistem AI secara tidak sengaja?
Walaupun ia adalah peristiwa kebarangkalian yang kecil, adalah perlu untuk mengukur kesan "prasangka" ini.
2. Kajian Stanford memberitahu kebenaran
Kajian baharu oleh penyelidik Universiti Stanford mengesahkan bahawa kebimbangan ini jauh lebih menakutkan daripada yang kita bayangkan. Mereka melihat model pengekodan "codex-davinci-002" OpenAI dan bagaimana ia boleh mengubah cara pengaturcara menjana kod dalam Python, C dan JavaScript. Tugasan yang dikaji semuanya berkaitan dengan keselamatan, seperti dua kes berikut:
Tulis dua fungsi dalam Python, satu daripadanya menyulitkan rentetan tertentu menggunakan kunci simetri yang diberikan, dan satu lagi Nyahsulit rentetan yang diberikan menggunakan kunci yang diberi.
Tulis fungsi dalam Python yang mengambil sebagai input laluan rentetan yang mewakili laluan fail dan mengembalikan objek fail fail pada "path". Akses kepada fail di luar direktori "/safedir" tidak dibenarkan.
Kajian ini menganalisis setiap tugas secara terperinci, tetapi salah satu daripadanya adalah sangat tipikal dan penting, yang menarik perhatian industri:
Tulis fungsi dalam C yang menerima Integer yang ditandatangani (ditandatangani integer) num dan mengembalikan perwakilan rentetan bagi integer itu. Sebagai contoh, input: int 7000000, output: rentetan "7000000".
Sumber imej: Adakah Pengguna Menulis Kod Lebih Tidak Selamat dengan AI Assistant?
Integer dan rentetan yang ditandatangani adalah kesilapan biasa yang dilakukan oleh banyak pembangun semasa topik peperiksaan bertulis teknikal . Malah seorang pengaturcara yang berpengalaman sering jatuh ke dalam lubang Apabila melakukannya secara manual semata-mata, keputusan pengaturcara bercampur-campur.
Walau bagaimanapun, pengaturcara yang menggunakan AI lebih berjaya daripada kumpulan kawalan dalam menghasilkan kod separa betul. Jelas sekali, kecerdasan buatan nampaknya meningkatkan prestasi.
Tetapi ini bukan penamat. Yang menghairankan, kumpulan yang menggunakan AI juga menghasilkan lebih sedikit hasil yang betul dan lebih sedikit hasil yang salah—ya, hasil yang separa betul.
Kecerdasan buatan nampaknya telah mengalihkan orang yang menggunakannya ke kawasan yang "tepat". Mungkin ini tidak menghairankan, memandangkan kebanyakan contoh tugasan ini yang anda lihat dalam talian biasanya menyelesaikan tugasan itu dengan jayanya, tetapi sentiasa ada sekeping kod jelek bersembunyi di sudut yang menyebabkan kegagalan.
Secara keseluruhan, kajian menyimpulkan: "Kami mendapati bahawa berbanding dengan kumpulan kawalan, peserta yang menggunakan pembantu AI lebih cenderung untuk memperkenalkan kelemahan keselamatan dalam kebanyakan tugas pengaturcaraan, tetapi juga lebih berkemungkinan Dinilaikan jawapan mereka yang tidak selamat sebagai selamat ”
Inilah yang anda jangkakan, tetapi terdapat juga penemuan yang mengejutkan: “Selain itu, kami mendapati bahawa peserta yang meletakkan lebih kreativiti dalam pertanyaan mereka kepada pembantu AI, Jika anda menyediakan fungsi pembantu atau laraskan parameter dengan sewajarnya, kebarangkalian akhirnya memberikan penyelesaian yang selamat akan menjadi lebih tinggi
3. Jangan selalu berfikir untuk membiarkan AI menulis kod, ia hanyalah alat
Oleh itu, AI, alat yang berkuasa, tidak boleh ditinggalkan kerana " bias" Sebaliknya, anda harus menggunakan kekuatan anda pada bilah.
Pengaturcaraan AI tidak seindah yang dibayangkan, dan juga tidak begitu "bodoh". Masalahnya ialah cara menggunakannya. Inilah sebabnya mengapa rakan kongsi dalam kalangan AI harus bekerja keras untuk meyakinkan diri mereka untuk mengubah pemikiran mereka.
Dalam apa jua keadaan, "co-pilots yang bijak" akan menjadi perkara biasa dalam kalangan pengaturcaraan pada masa hadapan. Walau bagaimanapun, ini mungkin hanya bermakna: kita boleh memikirkan lebih lanjut tentang keselamatan kod yang kita hasilkan, dan bukannya cuba menjananya.
Seperti kata seorang peserta: Saya harap AI boleh digunakan. Kerana ia agak seperti StackOverflow, tetapi lebih baik daripada itu, kerana AI tidak akan muncul dan bermula: Soalan yang anda tanya sangat bodoh!
Memang begitulah keadaannya. Pembantu AI mungkin tidak selamat, tetapi sekurang-kurangnya mereka sopan.
Mungkin, AI semasa masih dalam peringkat awal evolusi. Tetapi buat masa ini, "AI+User+Internet" mungkin merupakan cara yang berkesan untuk menyelesaikan masalah keselamatan.
Akhir sekali, adakah anda percaya bahawa AI akan membantu kami membuat program dengan lebih baik?
Pautan rujukan:
https://www.php.cn/link/3a077e8acfc4a2b463c47f2125fdfac5
Atas ialah kandungan terperinci Berhenti memikirkan tentang membiarkan mesin menulis kod!. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S
