การเติบโตของผู้ช่วยเขียนโค้ด AI อย่าง GitHub Copilot และ Claude ได้จุดประกายการถกเถียงอย่างเข้มข้นเกี่ยวกับว่าภาษาโปรแกรมมิ่งแบบดั้งเดิมจะล้าสมัยหรือไม่ ในขณะที่บางคนทำนายว่าภาษาอังกฤษจะเป็นภาษาโปรแกรมมิ่งเดียวที่คุณจะต้องใช้ แต่ชุมชนนักพัฒนายังคงสงสัยอย่างมากเกี่ยวกับการอ้างอิงที่กล้าหาญนี้
 |
|---|
| ภูมิทัศน์ที่เปลี่ยนแปลงของภาษาโปรแกรมมิ่งท่ามกลางผู้ช่วยเขียนโค้ด AI |
ปัญหาความคลุมเครือยังไม่ได้รับการแก้ไข
ความท้าทายพื้นฐานอยู่ที่ความคลุมเครือโดยธรรมชาติของภาษาธรรมชาติ มุขตลกคลาสสิกของโปรแกรมเมอร์แสดงให้เห็นสิ่งนี้อย่างสมบูรณ์แบบ: เมื่อถูกขอให้ไปซื้อนม และถ้ามีไข่ให้เอามา 12 อัน โปรแกรมเมอร์ที่คิดตามตัวอักษรจะกลับมาพร้อมนม 12 ขวดเพราะพวกเขามีไข่ แม้ว่าระบบ AI สมัยใหม่อาจจัดการตัวอย่างเฉพาะนี้ได้อย่างถูกต้อง แต่ปัญหาที่กว้างขึ้นยังคงมีอยู่
ภาษาโปรแกรมมิ่งมีอยู่เพื่อขจัดความคลุมเครือเช่นนี้โดยเฉพาะ เมื่อโค้ดระบุลูปหรือฟังก์ชัน จะไม่มีที่ว่างสำหรับการตีความ อย่างไรก็ตาม ภาษาธรรมชาติมีคำศัพท์หลายล้านคำเมื่อเทียบกับภาษาโปรแกรมมิ่งที่โดยทั่วไปใช้เพียง 25-200 คำหลักเท่านั้น คำศัพท์จำนวนมหาศาลนี้สร้างโอกาสนับไม่ถ้วนสำหรับความเข้าใจผิด โดยเฉพาะในสถานการณ์ทางเทคนิคที่ซับซ้อน
การเปรียบเทียบคำสำคัญของภาษาโปรแกรมมิ่ง:
- Go : 25 คำสำคัญ
- C : 32 คำสำคัญ
- Visual Basic : มากกว่า 200 คำสำคัญ
- ภาษาอังกฤษ: 1-2 ล้านคำ
ความท้าทายในการแปล
นักพัฒนาบางคนมองเห็นอนาคตที่ AI สามารถแปลระหว่างภาษาโปรแกรมมิ่งได้อย่างราบรื่น ทำให้ทีมงานสามารถทำงานในไวยากรณ์ที่พวกเขาชื่นชอบในขณะที่รักษาฐานโค้ดเดียวที่แม่นยำไว้ข้างใน แนวคิดนี้แนะนำให้เขียนโปรแกรมในภาษาที่แม่นยำสูงอย่าง Rust เพื่อประสิทธิภาพและความปลอดภัย ในขณะที่ให้นักพัฒนาดูและแก้ไขโค้ดใน Python, Go หรือ JavaScript ตามระดับความสะดวกของพวกเขา
อย่างไรก็ตาม ชุมชนระบุอุปสรรคทางเทคนิคที่สำคัญ ภาษาโปรแกรมมิ่งที่แตกต่างกันรวบรวมแนวทางที่แตกต่างกันโดยพื้นฐานในการแก้ปัญหา โมเดลความเป็นเจ้าของของ Rust, การพิมพ์แบบไดนามิกของ Python และระบบเทมเพลตของ C++ ไม่สามารถแปลระหว่างภาษาได้อย่างสะอาด รายละเอียดที่ซับซ้อนที่ทำให้แต่ละภาษามีเอกลักษณ์เฉพาะตัวมักจะหายไปในการแปล
ความท้าทายทางเทคนิคหลักสำหรับการแปลภาษา:
- โมเดลความเป็นเจ้าของ: แนวคิดการจัดการหน่วยความจำของ Rust ไม่มีอยู่ใน Python
- ระบบประเภทข้อมูล: ความแตกต่างพื้นฐานระหว่างการกำหนดประเภทแบบคงที่และแบบไดนามิก
- ความแตกต่างของกระบวนทัศน์: แนวทางการเขียนโปรแกรมแบบฟังก์ชัน เทียบกับแบบเชิงวัตถุ เทียบกับแบบขั้นตอน
- ลักษณะประสิทธิภาพ: การเพิ่มประสิทธิภาพของภาษาระดับต่ำเทียบกับระดับสูง
การดีบักยังคงเป็นดินแดนของมนุษย์
แม้ว่า AI จะกลายเป็นสมบูรณ์แบบในการสร้างโค้ด การดีบักน่าจะยังคงเป็นความรับผิดชอบของมนุษย์ เมื่อระบบล้มเหลวในการผลิต นักพัฒนาต้องเข้าใจว่าโค้ดทำอะไรและทำไมมันถึงทำงานไม่เป็นไปตามที่คาดหวัง สิ่งนี้ต้องการการอ่าน การติดตาม และการใช้เหตุผลเกี่ยวกับโค้ด - ทักษะที่ต้องการความคุ้นเคยกับภาษาโปรแกรมมิ่ง
ชุมชนยังชี้ให้เห็นว่าการแสดงเจตนาอย่างชัดเจนในภาษาอังกฤษนั้นยากกว่าที่คนส่วนใหญ่คิดมาก การรวบรวมความต้องการเป็นแง่มุมที่ท้าทายของการพัฒนาซอฟต์แวร์มาอย่างยาวนานเพราะภาษาธรรมชาติล้มเหลวในการจับข้อกำหนดทางเทคนิคอย่างแม่นยำ
บทเรียนทางประวัติศาสตร์และความเป็นไปได้ในอนาคต
ความพยายามในอดีตในการสร้างภาษาโปรแกรมมิ่งที่เหมือนภาษาอังกฤษให้ผลลัพธ์ที่หลากหลาย COBOL และ SQL ประสบความสำเร็จในโดเมนเฉพาะโดยใช้ชุดย่อยของภาษาอังกฤษที่มีข้อจำกัดพร้อมคำจำกัดความที่เป็นทางการ อย่างไรก็ตาม สิ่งเหล่านี้ยังคงเป็นภาษาเฉพาะโดเมนมากกว่าเครื่องมือโปรแกรมมิ่งที่มีวัตถุประสงค์ทั่วไป
ความคลุมเครือของภาษาโปรแกรมมิ่งมีอยู่แล้วในระดับสูงแม้จะมีความพยายามอย่างดีที่สุดของเรา ความคลุมเครือของภาษาธรรมชาตินั้นแย่กว่าหลายอันดับขนาด
แนวทางการโปรแกรมแบบภาพอย่าง Node-RED แสดงให้เห็นความหวังสำหรับการพัฒนาที่ไม่ขึ้นกับภาษา แต่เผชิญความท้าทายของตัวเองเกี่ยวกับการควบคุมเวอร์ชัน การทำงานร่วมกัน และการปรับโครงสร้างใหม่ในระดับใหญ่
ภาษาโปรแกรมมิ่งในอดีตที่มีรูปแบบคล้ายภาษาอังกฤษ:
- COBOL (ทศวรรษ 1960): ภาษาที่มุ่งเน้นธุรกิจพร้อมไวยากรณ์คล้ายภาษาอังกฤษ
- SQL (ทศวรรษ 1970): ภาษาสำหรับการสืบค้นข้อมูลแบบมีโครงสร้างที่ใช้โครงสร้างภาษาธรรมชาติ
- FORTRAN (ทศวรรษ 1950): การแปลสูตรคณิตศาสตร์พร้อมนิพจน์ทางคณิตศาสตร์
- Pascal (ทศวรรษ 1970): การเขียนโปรแกรมแบบมีโครงสร้างพร้อมไวยากรณ์ที่อ่านง่าย
คำตัดสิน
ในขณะที่ AI จะยังคงเปลี่ยนแปลงวิธีที่เราเขียนโค้ดอย่างไม่ต้องสงสัย การขจัดภาษาโปรแกรมมิ่งอย่างสมบูรณ์ดูเหมือนจะไม่น่าเป็นไปได้ ความแม่นยำที่จำเป็นสำหรับระบบซอฟต์แวร์ที่ซับซ้อน ความต้องการความสามารถในการดีบัก และความคลุมเครือพื้นฐานของภาษาธรรมชาติ ล้วนชี้ไปสู่อนาคตที่ภาษาโปรแกรมมิ่งพัฒนาไปมากกว่าหายไป
สถานการณ์ที่เป็นจริงที่สุดอาจเกี่ยวข้องกับ AI ที่จัดการงานเขียนโค้ดตามปกติในขณะที่นักพัฒนามุ่งเน้นไปที่สถาปัตยกรรม การดีบัก และการแปลความต้องการทางธุรกิจให้เป็นข้อกำหนดทางเทคนิคที่แม่นยำ ในอนาคตนี้ การเข้าใจภาษาโปรแกรมมิ่งกลายเป็นสิ่งที่สำคัญยิ่งขึ้น - ไม่ใช่สำหรับการเขียนโค้ดเริ่มต้น แต่สำหรับการตรวจสอบ การเข้าใจ และการบำรุงรักษาระบบที่ AI ช่วยสร้าง
อ้างอิง: Language Agnostic Programming: Why you may still need code