AI软件工程与编程：从效率到落地

要解决的问题是什么 几个月前，我和一家机构的董事会高管以及一名开发人员聊过一次很有意思的对话。我们聊的重点是生成式人工智能究竟能在哪些场景真正派上用场。

高管：“我觉得这都是炒作。就我看，生成式人工智能目前还没有什么真正站得住脚的应用，而且也没有能在企业层面大规模推进的案例。”

开发人员：“嗯……这样听起来就更有意思了。因为在我的日常工作里，我几乎每小时都在用生成式人工智能。我写代码离不开它，主要是它和GitHub直接打通了，所以想不用也不太现实。它确实让我工作变得更轻松，我们这些开发人员基本都这么用。” 数据也反映了这一点：编程通常被视为人工智能最常见的落地点之一；根据Stack Overflow的统计，超过56%的开发者会借助GitHub Copilot来获得支持。

人工智能到底能带来哪些帮助 编程任务本身范围很广。2023年，微软、GitHub以及麻省理工学院的研究人员在论文中指出：当“要求软件开发者尽快用JavaScript实现一个HTTP服务器”时，使用GitHub Copilot的实验组完成任务的速度，比完全不使用人工智能的对照组快55.8%。

随后在2024年，GitHub又发布了另一项研究，覆盖了2000名正在使用人工智能的开发人员。结果表明，人工智能在更宽泛的工作范围里同样能产生价值： • 开发人员满意度提高60%～75%。 • 减轻脑力负担，73%的人表示人工智能能帮助自己“保持心流”，87%的人认为它在“重复性任务”中能显著节省脑力。 • 生产力提升了88%。 当然，你仍需要先判断这些结论是否适用于你所在的组织。另外也要看到，并非所有编程任务都简单。SWE-bench这类测评可以用来评估人工智能在高难度开发题目中的表现，这类题目要求模型“同时协调系统里多个函数的修改、与不同运行环境互动，并完成复杂推理”。测评也显示：即便是表现最好的工具，也离“完美”很远。在接近3000个问题中，Claude 2正确解决的比例仅为4.8%。

波士顿咨询集团在2024年的研究也指出，生成式人工智能在数据科学相关任务上同样可以提升效率，例如数据清洗提升49%、预测分析提升13%、统计理解提升20%。此外，许多实际案例表明：开发者在进行老旧技术迁移时引入生成式人工智能，也能加快从一种编程语言或技术领域切换到另一种的过程。

归根结底，人工智能在完成更偏简单、结构清晰的编程工作时优势十分突出，并且正加速把能力扩展到更广泛的软件与数据科学应用之中。

技巧与方法 在日常编程中使用人工智能，通常可以归纳为两种基础方式。 •使用独立的前沿模型：这是最直观的一种做法。你可以直接让Claude或ChatGPT“帮我编写Python代码来完成X任务”，或者“看看这个页面，为我生成能实现类似效果的HTML和CSS代码”。如同以往一样，提示词的具体细节往往决定结果质量。但我也相信：哪怕只提供较少的指引，生成出来的代码水平也会让你感到惊讶。只是务必记得先运行、再测试。 •把集成式人工智能工具放进开发流程：这是很多开发人员目前的优先选择。由于微软的GitHub用户基础很大，旗下的GitHub Copilot（由OpenAI技术支持）也成为目前使用范围最广的人工智能工具之一。当然，还有不少其他选择，它们通常都有清晰的使用说明和提示，帮助用户更快上手并真正用起来。 当然，编程只是计算机工程学科的一部分，而更传统的机器学习方法早就被广泛应用于数据清洗与标准化。英国首相府的人工智能孵化器甚至推出了一个由机器学习驱动的数据共享环境rAPId，用来缓解数据基础设施方面的难题。 也有不少观察者开始反思：人工智能是否被过度渲染。就编程领域而言，答案给得很有启发。正如软件工程师尼古拉斯·卡利尼（Nicholas Carlini）所说： “我觉得近期的技术进步并不只是炒作……因为人工智能在处理复杂任务上的能力越来越让我印象深刻。可以说，在为研究项目写代码时，我的效率提升了50%。如果一定要把它擅长的事分类，那就是‘辅助我学习’以及‘把枯燥的工作自动化’。” 学习时能获得更强的支持，谁会不期待？那些单调乏味的工作，谁又愿意一直手动做呢？

实用建议与指导 •复杂的问题依然是复杂的。在这一点上，人类的持续监督仍然非常关键。 •人工智能带来的编程生产力提升是真实存在的。组织需要认真思考的是：这些收益如何兑现？是通过增加人工智能的工作负载、优化人类员工的状态并减少工时来实现，还是减少岗位规模，或采用其他更适合的方案。 •协作往往比单打独斗更有成效，而在引入人工智能时同样如此。组织应鼓励团队成员分享各自使用的工具知识，并及时总结与复盘经验教训。