ชุมชนเทคโนโลยีกำลังถกเถียงกันอย่างร้อนแรงเกี่ยวกับเครื่องมือ AI สำหรับเขียนโค้ด หลังจากงานวิจัยใหม่เผยให้เห็นช่องว่างที่น่าประหลาดใจระหว่างการรับรู้และความเป็นจริง แม้ว่านักพัฒนาจะรู้สึกว่ามีประสิทธิภาพเพิ่มขึ้น 20% เมื่อใช้ผู้ช่วย AI แต่พวกเขากลับทำงานช้าลง 19% ในการทำงานให้เสร็จสิ้น การค้นพบนี้ได้จุดประกายการอภิปรายว่าเงินหลายพันล้านที่ลงทุนในบริษัท AI สำหรับเขียนโค้ดนั้นแสดงถึงความก้าวหน้าที่แท้จริงหรือเป็นเพียงการโฆษณาชวนเชื่อที่แพงเท่านั้น
ผลการศึกษาประสิทธิภาพการเขียนโค้ดด้วย AI:
- การรับรู้การเพิ่มขึ้นของประสิทธิภาพ: +20%
- การเปลี่ยนแปลงประสิทธิภาพจริง: -19% (ช้าลง)
- ช่องว่างระหว่างการรับรู้กับความเป็นจริง: 39 เปอร์เซ็นต์พอยต์
AI ในฐานะ Compiler ที่หรูหรา
ข้อโต้แย้งหลักที่ได้รับความสนใจคือเครื่องมือ AI สำหรับเขียนโค้ดในปัจจุบันทำงานเหมือน compiler ขั้นสูงมากกว่าผู้ช่วยเขียนโปรแกรมที่แท้จริง คุณให้คำสั่งเป็นภาษาอังกฤษ และ AI จะส่งออกโค้ด - คล้ายกับที่ compiler แปลงซอร์สโค้ดให้เป็นโปรแกรมที่สามารถรันได้ ความแตกต่างสำคัญคือภาษาอังกฤษขาดความแม่นยำและความสม่ำเสมอที่ทำให้ภาษาโปรแกรมมิ่งแบบดั้งเดิมเชื่อถือได้ สิ่งนี้สร้างปัญหาเมื่อนักพัฒนาพยายามสร้างสิ่งที่ซับซ้อนกว่างานทั่วไปที่มีเอกสารครบถ้วน
ชุมชนชี้ให้เห็นปัญหาสำคัญสามประการของการใช้ภาษาอังกฤษเป็นภาษาโปรแกรมมิ่ง: ไม่แม่นยำสำหรับข้อกำหนดที่ซับซ้อน ผลลัพธ์ที่คาดเดาไม่ได้สูงมาก และการเปลี่ยนแปลงในส่วนหนึ่งของคำสั่งสามารถส่งผลกระทบต่อผลลัพธ์ทั้งหมดโดยไม่คาดคิด ข้อจำกัดเหล่านี้จะปรากฏชัดเจนเมื่อต้องทำงานที่ซับซ้อนกว่าแอปพลิเคชัน CRUD พื้นฐานและสคริปต์ง่ายๆ
ข้อจำกัดหลักของภาษาอังกฤษในฐานะภาษาโปรแกรมมิ่ง:
- ขาดความแม่นยำสำหรับข้อกำหนดที่ซับซ้อน
- ผลลัพธ์ที่ไม่สามารถคาดเดาได้สูง
- การเปลี่ยนแปลงแบบไม่เฉพาะเจาะจง (การแก้ไข prompt ส่งผลต่อผลลัพธ์ทั้งหมด)
- ไม่มีข้อกำหนดที่เป็นทางการเหมือนภาษาโปรแกรมมิ่งแบบดั้งเดิม
ความขัดแย้งของ Boilerplate
นักพัฒนาหลายคนชื่นชมเครื่องมือ AI สำหรับการสร้าง boilerplate code และค้นหาวิธีแก้ปัญหาที่ซับซ้อนซึ่งไม่เช่นนั้นจะต้องอ่านเอกสารหลายร้อยหน้า อย่างไรก็ตาม รูปแบบการใช้งานนี้เผยให้เห็นปัญหาที่ลึกซึ้งกว่าของภาษาโปรแกรมมิ่งและเครื่องมือในปัจจุบัน ความจริงที่ว่า AI สามารถจัดการงานเขียนโค้ดประจำได้สำเร็จแสดงให้เห็นว่าเครื่องมือพัฒนาของเราล้มเหลวในการกำจัดงานซ้ำซากที่ไม่ควรมีอยู่ตั้งแต่แรก
การพิจารณาความจำเป็นในการใช้ LLM สำหรับเขียน boilerplate code เป็นความล้มเหลวของภาษาและเครื่องมือเป็นข้อสังเกตที่น่าสนใจ มันทำให้เกิดคำถามว่าทำไมยังมี boilerplate อยู่
ข้อสังเกตนี้เน้นให้เห็นว่าความสำเร็จของ AI ในการเขียนโค้ดมักจะปกปิดปัญหาพื้นฐานแทนที่จะแก้ไขปัญหา แทนที่จะสร้างภาษาโปรแกรมมิ่งที่ดีกว่าซึ่งกำจัด boilerplate อุตสาหกรรมกลับยอมรับ AI เป็นวิธีแก้ปัญหาชั่วคราวสำหรับเครื่องมือที่ไม่ดี
การประยุกต์ใช้จริงและข้อจำกัด
ชุมชนยอมรับว่าเครื่องมือ AI สำหรับเขียนโค้ดทำงานได้ดีพอสมควรสำหรับงานโปรแกรมมิ่งทั่วไป เช่น ฟอร์ม สคริปต์ และเว็บแอปพลิเคชันมาตรฐาน มีประโยชน์อย่างยิ่งสำหรับการสร้างต้นแบบอย่างรวดเร็วและการทำงานกับภาษาโปรแกรมมิ่งที่ไม่คุ้นเคย อย่างไรก็ตาม ประสิทธิภาพจะลดลงอย่างมากเมื่อนำไปใช้กับโค้ดเบสที่ใช้งานจริงซึ่งโค้ดต้องสามารถตรวจสอบ บำรุงรักษา และผสานเข้ากับระบบที่มีอยู่ได้อย่างราบรื่น
นักพัฒนาหลายคนสังเกตว่าโค้ดที่ AI สร้างขึ้นมักต้องการการปรับปรุงอย่างกว้างขวาง - เขียนฟีเจอร์ ปรับปรุงการใช้งานที่ยุ่งเหยิง แล้วทำซ้ำวงจรนี้ รูปแบบนี้แสดงให้เห็นว่าแม้ว่า AI สามารถผลิตโค้ดที่ใช้งานได้ แต่มันมีปัญหาในการคิดเชิงสถาปัตยกรรมและการพิจารณาระยะยาวที่นักพัฒนาที่มีประสบการณ์นำมาใช้ในโครงการ
ประสิทธิภาพของเครื่องมือ AI สำหรับการเขียนโค้ดตามกรณีการใช้งาน:
- มีประสิทธิภาพสูงสุด: การสร้างโค้ดพื้นฐาน, การค้นหาเอกสารประกอบ, การสร้างต้นแบบอย่างรวดเร็ว, ภาษาโปรแกรมที่ไม่คุ้นเคย
- มีประสิทธิภาพปานกลาง: แอปพลิเคชัน CRUD , ฟอร์ม, สคริปต์ง่าย ๆ
- มีประสิทธิภาพต่ำสุด: โค้ดเบสสำหรับการใช้งานจริง, สถาปัตยกรรมที่ซับซ้อน, โค้ดที่ดูแลรักษาได้
คำถามเรื่องการเข้าถึง
แม้จะมีข้อกังวลเรื่องประสิทธิภาพ เครื่องมือ AI สำหรับเขียนโค้ดกำลังทำให้การเขียนโปรแกรมเข้าถึงได้ง่ายขึ้นสำหรับผู้เริ่มต้น ความสามารถในการอธิบายฟังก์ชันที่ต้องการด้วยภาษาอังกฤษธรรมดาช่วยลดอุปสรรคสำหรับคนที่ต้องการสร้างเกมหรือแอปพลิเคชันง่ายๆ โดยไม่ต้องมีความรู้ทางเทคนิคลึกซึ้ง ผลกระทบในการทำให้เป็นประชาธิปไตยนี้อาจมีคุณค่าสำหรับการศึกษาและโครงการสร้างสรรค์ แม้ว่าเครื่องมือเหล่านี้จะไม่เหมาะสำหรับงานพัฒนาระดับมืออาชีพ
การถกเถียงสะท้อนความตึงเครียดที่กว้างขึ้นในอุตสาหกรรมเทคโนโลยีระหว่างนวัตกรรมที่แท้จริงและการโฆษณาชวนเชื่อในตลาด แม้ว่าเครื่องมือ AI สำหรับเขียนโค้ดจะให้ประโยชน์บางอย่าง แต่ช่องว่างระหว่างประสิทธิภาพที่รับรู้และจริงแสดงให้เห็นว่าการลงทุนหลายพันล้านอาจเร็วเกินไป ชุมชนดูเหมือนจะให้ความสำคัญมากขึ้นกับความจำเป็นในการมีภาษาโปรแกรมมิ่ง compiler และเครื่องมือพัฒนาที่ดีกว่า - การปรับปรุงที่อาจไม่ดูน่าตื่นเต้น แต่มีประโยชน์พื้นฐานมากกว่าแนวทาง AI ในปัจจุบัน
อ้างอิง: Al Coding