近期，OpenAI的首席執(zhí)行官薩姆·奧爾特曼發(fā)表了一項大膽預測，他聲稱到今年年底，人工智能模型將超越“入門級”軟件工程師的能力。然而，OpenAI內(nèi)部研究人員的最新研究成果卻給出了不同的答案。
在這項研究中，研究人員揭示了一個令人意外的發(fā)現(xiàn)：即便是目前最前沿的人工智能模型，也無法與人類程序員相提并論。為了驗證這一點，他們開發(fā)了一個名為SWE-Lancer的新基準測試工具，該工具基于自由職業(yè)者網(wǎng)站Upwork上的真實軟件工程任務(wù)。
研究人員選取了三款大型語言模型（LLMs）進行測試，包括OpenAI自家的o1推理模型、旗艦產(chǎn)品GPT-4o，以及Anthropic公司的Claude 3.5 Sonnet。這些模型在測試中需要處理兩類任務(wù)：一類是個體任務(wù)，如修復漏洞；另一類是管理任務(wù)，需要做出更高層次的決策。
測試結(jié)果顯示，盡管這些模型在某些細節(jié)任務(wù)上能夠迅速給出答案，但它們在處理大型項目中的漏洞及其根源時卻顯得力不從心。這些“半成品”解決方案往往缺乏全面性和準確性，與AI常見的“自信滿滿但漏洞百出”的信息輸出如出一轍。
值得注意的是，在測試過程中，這些模型被禁止訪問互聯(lián)網(wǎng)，以確保它們無法抄襲網(wǎng)上已有的答案。即便如此，它們的表現(xiàn)仍然令人失望。盡管三款LLMs在完成任務(wù)的速度上遠超人類，但它們在理解漏洞的廣泛性和背景方面存在明顯不足，導致解決方案往往錯誤或不夠全面。
其中，Claude 3.5 Sonnet的表現(xiàn)略勝一籌，甚至在測試中“賺取”的金額超過了o1和GPT-4o。然而，這并不意味著它的答案就是正確的。事實上，大多數(shù)答案仍然存在錯誤。研究人員指出，要想將AI模型真正應(yīng)用于實際編程任務(wù)，還需要提高其可靠性。
這項研究似乎表明，盡管前沿的人工智能模型在處理一些細節(jié)任務(wù)時表現(xiàn)出色，但它們在軟件工程領(lǐng)域的整體技能水平仍然遠遠不及人類工程師。這些模型在處理復雜任務(wù)時的局限性，再次凸顯了人類智慧在編程領(lǐng)域的不可替代性。
然而，令人擔憂的是，一些首席執(zhí)行官似乎并未受到這項研究的影響。他們?nèi)匀贿x擇解雇人類程序員，轉(zhuǎn)而使用這些尚未成熟的AI模型。這種做法不僅可能帶來潛在的風險和損失，也忽視了人類工程師在軟件開發(fā)中的獨特價值。
