未来几年GPT/大模型如何影响软件研发？

具有强大能力的GPT-4横空出世，让我们眼前一亮、惊讶于它能够执行一系列复杂的任务，如代码生成、错误检测、软件设计等，所以我们有必要来探讨一下GPT-4这类多模态语言模型会给软件研发带来怎样的影响？它会重新定义软件开发的新范式吗？会影响程序人员的职业发展吗？让我们聚焦本期K+Talk大咖对话，与行业大咖畅聊一二。

以下内容整理自第43期K+Talk直播节目

对话嘉宾：

王千祥: 华为云智能化研发首席专家、PaaS技术创新Lab主任、CCF软件工程专委会副主任

朱少民: “软件工程3.0”定义者、同济大学特聘教授、CCF高级会员

邹欣: CSDN副总裁

全文字数：10200字

阅读时间：约10分钟

主持人：

在本期直播开始之前，我们已经在各大平台上收集了小伙伴们最感兴趣的问题。主播已经将这些问题整理好了，今天我们将在直播间请各位老师逐一作答。

接下来我们直接进入今天的主题:请问各位老师，GPT-4这类多模态语言模型会给软件研发带来怎样的影响呢?

首先请王老师给我们分享一下您的看法。

王千祥：

实际上，这个问题恰好是我们今晚整体讨论的核心。我先简要谈论一下我的想法。首先，我们目前还无法确切地说GPT系列模型的能力边界，以及它们将对软件研发产生怎样的影响。我们只能说影响会非常大，但具体影响有多大，实际上还不清楚。然而，对于我们这些软件研发人员而言，GPT-4等大型模型已经带来了很大的影响。整个研发领域可能需要一段时间才能完全适应这些变化，但我们已经看到它对研发人员产生了深远的影响。例如，就在一周前，3月22日OpenAI发布的“可怕的X”项目，对软件研发人员产生了巨大的冲击。我们在25号还举办了一个活动，讨论了这个问题，并加深了对这个话题的理解。

事实上，许多专家，如复旦大学的彭鑫老师，也在讨论这个话题，我们都变得异常勤奋。朱老师最近在他的公众号上也频繁发表文章，阅读量显著提高。这些都表明GPT-4等模型对研发人员的影响已经开始显现，大家都在紧盯着这个领域的发展。

我们通过参加这些访谈和研讨会，逼迫自己去思考这些问题。光听别人的观点可能不足以深入理解，但当我们参与讨论时，我们会更加投入地去思考。就像在学校里，自己看书时可能只是浮光掠影，但当我们要给学生讲解时，我们会更认真地准备。因此，我很愿意参加这样的访谈，逼迫自己去深入思考这些问题。

邹欣：

CSDN上周六刚举办了一场大会，我们也邀请了王老师来给我们分享。在会上，我们发布了一个名为InsCode的GPT应用工具。这个工具让开发者能够更容易地进行开发，那到底有多容易呢?所以我们就想一起试试看。因此，InsCode带着这个目的来给大家展示。我们制作了一个探索者，这几天已经有数千人在上面发布了各种作品。我个人认为这是一个非常有趣的小软件。

我们经常说:“临渊羡鱼，不如退而结网。”就是我们一边聊天一边可能在家里做点东西。在AI大潮中，有些人想淘金，我们想卖点工具，帮助大家在AI大潮中通过实践真正受益。

朱少民：

我也同意前面两位老师的观点。这个变化确实非常大，我们需要先自己用起来。就像刚才我们在“智能软件工程群”里的讨论，有老师质疑GPT能否写出具有强逻辑性的Prolog代码。然后一位大厂的测试总监立刻进行了尝试，发现确实可以。所以谁先使用，谁就先受益。

最近，我们看到阿里发布了24年来最重大的组织改革，成立了云智能集团，由CEO亲自兼任。这些都说明这是一个非常大的变化。因此，我提出软件工程3.0的概念。我们经历了1.0的工程化、标准化的变革，强调流程决定结果，到2.0以人为本，充分发挥程序员、测试人员和产品经理的潜力。如今，我们已经进入了数字化时代，计算机系统和工具开始理解我们存储的信息。我们可以通过GPT进行人机对话，这是一个很大的突破。在软件开发中，AI可以生成需求文档、功能规格说明书、代码、测试用例和测试脚本，从而真正实现持续交付。这对整个软件开发产生了巨大的影响。因此，我认为软件工程3.0已经到来，今年就是元年。

主持人：

好的，非常感谢这三位老师的解答。

刚才在候场时，王老师提到，最近参加了许多研讨活动，那么想问一下王老师，您在周六的研讨会上主要讨论了什么内容呢?

王千祥：

周六的研讨会，我忙了一天，上午我作为演讲者分享了一个主题，名为“AI编程无尽的前沿”。AI编程将激发许多相关能力发展。以后有机会我会再和大家交流。下午，我主持了一个关于AI编程的论坛，主要探讨了它对程序员的影响。邀请了一些一线从业者，他们分享了自己的看法。

关于AI编程对程序员的影响，我们可以从以下几个方面来看:

1.对不同水平的程序员影响不同。对于高水平程序员，AI编程是福音，能大幅提高他们的效率和价值。但对于水平较弱的程序员，可能会面临一定的威胁。

2.需求设计阶段的影响可能较小。因为需求设计涉及到很多创造性的东西，而且与编码相比，设计的数据量可能没有那么大。

3.在测试阶段，AI编程可能带来新的研究领域。但如何衡量AI生成的代码质量仍然是一个挑战。

4.运维方面，目前大模型对运维的影响相对较小。因为目前大模型缺乏公共的运维数据，但随着大模型的发展，这种情况可能会改变。

希望这些能对大家有所启发。

主持人：

众所周知，邹老师在微软拥有多年的研发经验，对微软有着深入的了解。所以想请教您，微软是如何构建大型语言模型的呢?

邹欣：

首先，我已经离开微软两年，所以对他们的大型模型了解有限。不过昨天我去了一个学校演讲，提到我是1987年上的大学，现场的学生们都很惊讶，因为他们都是2000年之后出生的。所以我可以分享一下我在微软之前的经历。

在我加入微软之前，我曾去美国攻读硕士研究生。当时我们研究的是程序理解，也就是program comprehension。在 80年代和90年代，美国意识到有很多古老的代码没有人在维护，我们需要理解这些代码并生成相应的文档。那时，一位MIT的学者提出了一种概念叫做programmers apprentice，即程序员的学徒。这个概念的核心是训练一个人工智能成为你的学徒，学习处理文件操作等常见任务。

这个概念实际上源自70年代的一本书，我是在90年代阅读的。现在，经过30年的发展，这个概念终于得到了实现，而且取得了显著成果。关于微软，我在那里进行了很多关于AI的研究和应用开发，但我们当时主要做的是小模型，如人脸识别。我们会收集大量的人脸数据，进行标注，然后用模型进行训练。基于这项技术，我们做了人脸定位、识别和美颜等应用。

后来，我还开展了一些相关技术研究，但主要依然是小型模型。例如，在我的最后一个项目中，我们利用OCR技术扫描大量打印出的文档、发票和餐馆小票。我们训练模型识别单价、总价等信息，然后将其转化为模型。接着，我们编写低代码程序，将这些字段提取出来。对于每种类型的文档，我们都需要建立一个模型，并不断更新训练数据。这是一个非常繁琐的工作。

现在有了大模型，例如ChatGPT，它可以在PDF文件中回答问题、概括文件的主要内容，或者在表格中找到去年收入最高的月份。大模型具有多模态功能，包括处理文字、图像、视频以及排版信息等。因此，大型模型确实非常强大，在很多小模型上所花费的大量时间和精力，大模型可以轻松解决。例如，我们曾将 OCR准确率提高到95%或96%，但大模型的优势在于，人们关心的是核心价值，而不是那5%的准确率差异。这是一个非常重要的点。

另外，实话说，我在微软的时候，GPT1和2已经发布，而公司内部也进行了很多研究。许多研究员和有洞察力的管理者看到了这个方向的潜力。所以，大约在2016年前后，微软投资了OpenAI。当时，OpenAI的产品与图像识别相关，我认为我们的研究院也可以做。我不明白为什么要投资另一个公司。不过，看来领导们在这件事上用一句俗话说，他们在下一盘大棋，想要做大模型，而我们只是在下一盘小棋，针对特定类型的问题进行训练。

因此，我非常佩服那些有大格局的公司和行业人士，他们敢于做出大胆的投资。许多公司都在做大胆的赌注，有些公司计划去火星，有些公司研究其他领域。我觉得他们非常值得敬佩，尽管有时候可能会失败，但他们的勇气是值得我们学习的。

主持人：

实际上，当GPT刚问世时，网上最热门的应用就是利用GPT为小学生写作文。这对教育行业的冲击相当巨大。

朱老师在大学任教，因此我们想请教您关于GPT对软件工程专业教学方面的影响有哪些呢？

朱少民：

的确，教育方面对GPT也很关注。有人担忧，学生以后都会用GPT来完成作业，而不再动脑筋。如果学生不思考， 他们的能力将会下降。技术的发展可能对某些人有利，而对另一些人不利，关键在于如何利用这项技术。教师应该和学生沟通交流，让他们明白可以用GPT来完成作业，但不能过度依赖。在大学教育中，传授知识已经不再是教师的重心。重要的是培养学生分析问题、解决问题的能力，以及系统思维能力、逻辑能力、批判性思维能力等。

因此，教育的形式需要发生变化，更注重讨论、辩论和实践。GPT等大模型为学生提供了丰富的知识来源，但人类则更需要具备更好的推理能力和批判性思维能力。此外，动手能力和综合判断能力也是教育中不可忽视的部分。

总之，GPT/大模型对大学教育产生了很大的影响。在全球竞争的背景下，教育也需要进行改革。在线教育和GPT等技术的支持将使教育更加全球化、竞争化。老师们需要关注与学生的交流、辅导和讨论，而不仅仅是传授知识。

我觉得可以请邹老师和王老师，对这个话题补充一些看法。

王千祥：

我认为这个问题非常重要。我在学校里当了将近20年的教师，关于教学，我想补充一个观点。AI的发展对计算机类专业的教学可能产生很大影响。传统的课程体系可能需要调整，以适应新的技术发展。以前我们讲授的课程包括编程、编译、操作系统、数据结构等基础课程，但现在可能需要增加如何表达意图、如何与AI交流的课程。

有观点认为，AI的发展会使文科生更加受益，因为他们更擅长表达意图。而理科生虽然擅长技术，但表达能力相对较弱，与AI沟通时可能效率较低。因此，我们需要教会学生如何清晰地表达意图，以便更好地利用AI的能力。

另外，AI的发展也会影响教学模式。例如，未来可能会有AI来讲课，老师们只需要讲解部分核心内容，而AI负责讲解其他部分。这种新的教学模式可能会让老师们的工作变得更轻松，同时实现个性化教育，满足不同学生的需求。

邹欣：

学校对AI的态度也在不断变化。起初，学校禁止使用AI，认为使用AI等于作弊。后来，学校允许使用AI，但要求注明。最后，学校鼓励使用AI，并要求学生分析AI的答案，以提高自己的理解。我认为，AI将成为我们生活中的一部分，但核心问题仍然是如何培养学生的创新能力和创意。

以前很多老师关注教授计算机语言的语法，但忽略了编程思维的培养。AI可以帮助学生解决基本的语法问题，而老师们应该专注于教授创新和创意。这对老师来说也是一个很大的挑战。

主持人：

在之前的讨论中，朱老师发表了一篇《GPT-4开启“软件工程3.0”全新时代》的文章。文章中涉及到一个问题，即GPT是否会重新定义软件开发的新范式。这个问题确实值得我们深入探讨。

朱少民：

我在文章中提到了一个三环模型。在过去的DevOps只有两个环：开发和运维。随着DevOps的兴起，软件更多地作为一种服务形式存在，运维变得越来越重要。这时候，我们需要将开发的思想融入运维中，形成一个完整的闭环。

然而，在我的文章中，提出了一个包含三个环的模型。首先是机器学习(ML)，接下来是软件开发，最后是运维。如今的软件开发更注重模型驱动开发，类似于敏捷开发中的测试驱动开发。首先需要建立一个优秀的模型，然后进行开发和运维。

王老师刚刚也谈到了运维的重要性。我们可以根据业务需求调整运维模型，将其与自己的业务相结合。这也意味着，在未来的软件开发中，模型驱动开发和数据驱动开发将成为常态。模型和数据将成为我们关注的重点，甚至是公司的宝贵财富。

正因如此，国家数据局的成立也体现了数据的重要性。同时，模型的重要性也日益凸显。尽管在过去，我们在软件工程教学中讲述了很多理论，如UML等，但实际应用并不广泛。然而，未来我们恐怕不得不使用这些方法。

综上所述，未来的软件开发将更注重模型驱动开发、数据驱动开发和AI原生开发。这些理念构成了我所说的“软件工程3.0”的核心。之前，我了解到了一些观点，例如，王怀民院士曾提出软件开发1.0、2.0、3.0等不同的范式。其中，3.0是关于群体智能，2.0则是关于开源方式，而1.0则是传统的工程范式。如有错误，请王老师和邹老师指正。我希望这能抛砖引玉，引发更多的讨论。

王千祥：

听朱老师的解释，我也在思考一个新的范式。在不同范式下，可能有不同的理解。从流程的角度看，最早的瀑布模型主要关注流程的一步一步分析。随后的螺旋模型则引入了迭代的思想。如今，由于AI技术的发展，开发流程可能会发生较大的变化，某些环节可能会被压缩，甚至消失。例如，项目经理在描述需求和细化设计后，程序员的角色可能变得不再那么明显。然而，测试环节仍然是必要的，因为AI系统无法完全保证质量和价值观的满足。

当然，这个新范式的具体形态还在不断变化。例如，随着GPT-4和GPT-5等更先进的技术的出现，流程和迭代方式都可能发生更大的变化。

邹欣：

从这个角度看，一个新的范式正在逐步形成。实际上，更重要的一点是，以前的程序，无论多复杂，都可以看作有限状态机。然而，现在基于深度学习的模型是基于统计的，同样的输入可能产生不同的输出。这导致了一些有趣的现象，例如，当我们用模型来解决问题时，客户可能会因为在特定情况下的表现不如预期而提出bug。

以美颜软件为例，假设我们发布了一个新版本，声称对黑皮肤的处理效果更好。理论上，厂家应该感到满意。然而，他们可能会反馈说，虽然黑皮肤的效果提升了，但白皮肤的效果却变差了。因为这是一个基于统计的模型，很难做到在保持某些特征不变的情况下改变其他特征。因此，这也是一个巨大的范式变化。

王千祥：

关于朱老师提到的软件开发3.0范式，我想起了另一个话题，那就是软件2.0的概念。当我第一次听到软件2.0这个说法时，我是非常抵触的。这个概念是由一些AI领域的专家提出的，他们认为 AI生成的代码和软件就是软件2.0。虽然现在我的抵触情绪已经减轻了，但我仍然在思考如何界定这种新型软件与之前的软件之间的区别。

有观点认为，既然需求到代码的编写都是由AI完成的，而代码到实际应用的过程又是自动化的，那为什么还需要代码呢?我们只需要直接从需求转换成实际应用就好了。这些观点确实反映了软件开发范式的变化，也可能与软件形态自身的变化有关。

我想补充一点，这个变化可能会对整个软件开发过程产生影响。这个话题确实值得我们长期观察，因为越早关注这些变化，越早认识到这些趋势，我们可能就能更快地适应和进步。这是我想要补充的一个想法。

主持人：

在刚才的讨论中，邹老师提到GPT已经覆盖了90%的日常工作，但在创意工作方面仍有10%的待提高空间。关于GPT在软件需求定义和分析方面的影响是怎样的呢？

邹欣：

刚刚两位老师也讲了，如果需求定义非常清楚，GPT可以很好地完成任务。但现实中需求往往不够清晰，甚至需求方自己都不清楚自己需要什么。此外，需求可能会在开发过程中发生变化，这使得软件开发变得更加复杂。对于老旧系统的改造和适应新需求，AI在处理这些问题上可能会遇到困难。尽管如此，如果需求能够明确地表达，GPT依然可以在一定程度上提供帮助。

朱少民：

GPT能够理解自然语言并与人进行沟通，这确实是一个巨大的进步。通过引导GPT，可以使其更好地生成需求文档。此外，GPT可以帮助我们更好地理解用户需求，因为它所接触到的数据远比我们个人的经验丰富，所以需求的完备性会更好。同时，GPT生成的文档在一致性、规范性等方面的质量往往优于一般人的写作水平。朱老师认为，使用GPT生成的文档质量可能会比许多软件开发人员编写的技术文档更高。

总结来说，GPT在软件需求定义和分析方面具有一定的潜力，可以在需求明确的情况下提供有效帮助。同时，GPT也能帮助我们更好地理解用户需求，提高文档质量。然而，在处理复杂、不清晰需求和老旧系统改造方面，GPT仍有一定的局限性。

王千祥：

我会就这个问题简要回答一下，因为两位老师的观点我基本上都同意。GPT对软件需求的定义和分析肯定会产生影响，而且会提供很多帮助。至于帮助的程度，有可能达到 80%到90%，甚至在某些模块级别的需求上，GPT能够直接生成解决方案。

我想起以前David Parnas曾特别强调需求文档化，尤其是采用表格等形式化表示方法。如果遵循一定的规范，与GPT的交流效果会更好，更容易得到一个完善的结果。GPT在理解自然语言方面的优势可能会发挥很大作用，虽然它阅读的需求文档不如代码那么多，但在自然语言处理方面的经验丰富。

GPT在处理套话方面尤为擅长，而需求描述与套话有一定相似之处。因此，GPT在需求定义和分析方面会节省很多时间，并对软件开发产生正面影响。总之，我认为GPT对软件需求的定义和分析肯定会产生积极影响。

主持人：

实际上，我们已经讨论了GPT对软件需求定义和分析方面的影响，接下来我们可以进一步探讨GPT在软件设计方面的影响，包括UI设计和架构设计。

朱少民：

虽然我对这方面的了解不如其他两位老师，但我还是尽量提供一些思路。实际上，在软件设计方面，GPT可能表现出一定的策略性能力。例如，它能够理解一些系统特征，以及如微服务架构和SOA架构等设计模式。这些理论知识和对设计草图理解方面，GPT应该没什么问题。

然而，对于如何更好地考虑性能和可靠性等方面，GPT可能需要面对更大的挑战。因为在这方面的训练数据相对较少，它的策略性能力可能与人类相比还有较大差距。不过，GPT在处理遗留系统方面可能具有较大价值。

正如邹老师和王老师提到的，GPT可以从大量遗留代码中理解系统架构。这方面，我所认识的在美国大学的一位学者，她研究基于代码来理解软件架构、技术债务，包括代码的耦合性和复杂度等问题。过去，这些问题主要通过特定工具、规则和代码扫描来解决，而GPT可能在处理大量遗留代码方面具有类似的能力。

例如，对于需要理解数百万行代码的系统，单个人类可能面临巨大挑战。然而，GPT或许更能胜任这项任务。因此，在处理遗留代码方面，GPT可能具有很大价值。例如，在进行系统迁移时，GPT可以帮助我们理解原有系统的逻辑关系，并在此基础上开发全新系统。这样，我们可能会更容易完成任务。

王千祥：

确实，GPT在一定程度上可以用于软件设计，但关键在于它能提供多大的帮助。我记得在GPT-4出现之前，我曾接受过一次访谈，当时参与的还有蒋总、复旦大学的彭鑫老师等。当时，我们讨论的问题是ChatGPT对开发人员、安全人员和架构师等角色的影响。

在GPT-4问世之后，我觉得我的观点有所改变。当时，我认为架构师相对较为安全，因为在设计架构时，除了考虑需求外，还需要关注底层的特殊信息。这些信息是GPT难以获取的。但后来我意识到，在许多公司内部，我们可以将这些信息加入到GPT的训练中。

此外，GPT-4的输入长度相对更长，使得我们可以将更多的架构信息加入到训练中。因此，GPT-4在软件设计方面可能比我原先预想的帮助更大。所以，我认为GPT肯定能在一定程度上帮助架构师，甚至可能比我之前设想的帮助更大。不过，架构师这个职位相对来说还是较为安全的。

邹欣：

我认为架构确实非常重要，但如果我们脱离具体的应用场景来讨论架构，实际上架构的种类并不多。我们都知道，在传统的软件开发中，有一些常用的设计模式和架构。但在实际应用中，一个关键问题是，很多系统需要解决特定行业的问题，如石油、煤炭安全、核电站和医疗等。这些领域都包含大量的领域知识，以及这些知识中的约束关系。我对GPT是否能够了解这些领域知识持保留态度，但考虑到GPT的快速发展，也许它会有一天能够理解我们人类看不到的领域知识。

我个人认为，当前的挑战在于真正的应用是基于具体的生活、工作和经济环境中的行业。这些领域中仍然存在许多规律。因此，架构师不仅需要了解计算机，还需要了解特定领域，运用软件技术解决领域问题。我们需要看到AI是否也能了解这些领域，并抓住其中的主要矛盾和矛盾的主要方面。如果AI能够做到这一点，那么我们的工作确实会受到影响。

王千祥：

当我们利用大型开源模型并对其进行领域训练时，我们也需要考虑多个模型的协作，例如领域专家模型、编码模型等。这样的协作可能会产生一些我们人类不太理解的架构和语言。就像我们通过自然语言直接编写代码，中间可能不再需要设计环节。

然而，我认为设计仍然是必要的，因为未来需求总会发生变化，设计架构可以帮助我们更好地应对这些变化。此外，评估架构的优劣是一个非常困难的问题，甚至比评估代码更难。对于代码，我们可以通过测试来判断其质量，但对于架构，评估的难度更大。

朱少民：

在这种情况下，人的价值可能会变得更加重要。当越来越多的机器人参与工作时，架构师等人类工作人员的责任也将变得更加重大。因此，我们不能忽视架构师的存在，他们仍然具有重要的价值和责任。

主持人：

我们实际上讨论了关于软件需求定义的问题，以及它对架构设计的影响。

那么在后续阶段，它会对软件测试产生哪些影响呢?

朱少民：

一方面是之前进行的一些实验，包括国内外的实验室在GUI自动化测试、基于故障的测试、接口测试脚本生成等方面的研究。这些实验探讨了自动生成测试用例和代码的可能性。另一方面是我之前做过的实验，通过明确的需求定义，利用不同的方法生成测试用例，如等价类划分、边界值分析和因果图等。

其次，之前我提到了微软研究院的楼建光老师所进行的一次分享，展示了类似于AlphaZero的方法在测试用例和脚本生成领域的应用。这种方法允许两个生成模型——代码生成模型和测试脚本生成模型的相互博弈，不断促进代码质量和测试覆盖率的提高。

另外，我还提到了GPT-4模型在测试领域的应用，它具有通用智能，能够使用各种工具进行测试。这意味着GPT-4可以在系统识别和验收测试中发挥重要作用，不再需要手动编写测试脚本。同时，强调资深测试专家的存在仍然是必要的，因为他们需要确保机器人的测试工作准确无误。

之前，我一直强调探索式测试和自动化测试这两者有机结合起来的重要性。人类在新功能的测试中应发挥创新能力，而回归测试则应全部交给自动化工具来完成。未来，强化学习和人类示范可以协同完成系统级别的测试工作，减轻了测试人员的工作负担。

在未来几年，大模型有望解决我们80%左右的测试问题，但人类仍需要控制整个过程，以确保测试的质量。在这个过程中，资深测试专家的角色将会得到保留，而大量底层测试人员的需求将逐渐减少。这就是我对未来软件测试领域的一些展望。

邹欣：

也许在未来的GPT-5或GPT-6中，就像朱老师所说，我们现在使用编程语言的方式可能会发生改变，这与我们自身的局限有关。就像AlphaZero一样，它能够自己解决问题，而不需要学习人类的方法。

主持人：

接下来，我们将讨论最后一个问题，即GPT模型对程序员的影响。这个话题引起了很多人的关注，因为GPT模型可以替代许多基础工作。许多程序员担心自己面临职业危机，希望听听三位老师的看法。

王千祥：

实际上，我刚才已经谈到了一些影响。GPT模型对开发人员的影响非常大，使他们更加勤奋地学习。我建议其他人员也要勤奋一些，多了解GPT-4的能力。很多人可能因为各种原因没有亲自尝试使用GPT模型，我特别佩服朱老师的探索精神，亲自从头到尾尝试了一遍。我鼓励大家都去尝试一下，感受到GPT模型带来的震撼后，你可能会更加迫切地想要适应新的变化。一定要适应并拥抱这些技术，否则可能会被淘汰。这是一个不可避免的规律。

邹欣：

实际上，每当新技术问世，总会引起很多人的担忧。但我认为，首先它确实是一个工具，我们应该好好学习使用它，没有什么大不了的。如果实在不能适应，我们还可以去尝试做其他事情。毕竟，在编程这个职业诞生之前，人类也没有这个职业，对吗? 我们在编程时经常提到，古代的织布机其实也是一种编程方式，需要制定计划和编程。现在，人们不再用手工织布，而是用机器代替。大家并没有因此感到可惜，而是享受着这一成果。我认为，在整个社会中，还有很多非常重要的事情等着我们去完成。作为程序员，我们可以拥有更大的格局，相信人类会不断发展。

首先，人类需要利用能源。如果我们不能利用能源，那么我们只能用锄头耕地。现在，我们可以利用各种能源，如水力、核电等。这个问题将持续很长时间，关键是如何更有效地利用能源。此外，当人们衣食无忧并拥有充足的能源后，我们需要考虑如何保持健康和长寿。在这方面，医学和生物学领域同样非常广阔，有许多问题可以由程序和AI来解决。

作为程序员，我们经常需要处理重复性高的工作，如数据库的增删改查。我们应该为AI能够接手这些工作感到高兴，这样我们就可以去做一些更有趣的事情，如攻克癌症、研究蛋白质折叠等。我认为，我们可以做更多有意义的事情，而不必担心明天AI会学会我们现在的工作。我们只需要学习新的东西来应对这些变化。

朱少民：

其实我本来想谈论一下，比如我们可以尝试成为AI提示工程师。就像前面提到的，现在已经有智能提示工程这个行业了，你可以尝试去做这样的工程师。新的职业总是会不断诞生，对于专家或资深人士来说，其实并没有太大的风险。正如王老师之前所说的，作为架构师或资深的测试人员、开发人员，你的价值将更大，你借助GPT会做得更好、更有效率，因为当有了机器人或助手来完成一些简单的工作时，你就不再需要亲自去做了。

正如邹老师刚才所说，拥有更大的格局是非常重要的。我们需要保持一种成长性思维，不断学习和成长，以更好地利用这些变化，或者去做自己更喜欢的事情。

以前你可能觉得测试人员的工作比较单调，但实际上，开发工作也未必非常有趣。如果你每天都在处理产品线上的代码，你真的有那么多创新吗?正如邹老师所说，90%的日常工作是常规工作，所以不会那么有趣。每天写代码和测试其实没有太大的区别。你可能觉得自己在编写新的代码，但大部分时间可能还是在实现“增删改查”功能，只是在不同的项目和业务中。这些并没有特别新鲜的东西。

但在未来，这些单调或不是特别有趣的工作都可以交给机器去完成，那么你自己就可以去做更有趣、更有意义的事情了。有时候，你应该把这种变化看作是一件好事。

觉得文章不错，顺手点个“点赞”、“在看”或转发给朋友们，欢迎您留言。

未完待续

如果想进一步了解GPT相关内容，请关注4月6日晚8点K+Talk大咖对话，本期K+Talk邀请到腾讯Tech Lead 茹炳晟老师、中科院计算所高级工程师李明宇老师以及Testin云测CTO陈冠诚老师共同做客直播间，结合最新一线实际应用案例，深入探讨GPT-4在编程和软件开发领域的革新作用。讨论与分享AI在代码生成、审查、优化等方面的实际应用，并解析其在软件开发流程中的影响。此外，还将探讨GPT-4在编程教育、职业变革等方面的未来趋势。敬请期待《编程新纪元：如何利用GPT-4重塑软件开发与创新》的精彩对话，共同见证AI与编程领域的交融发展！

未来几年GPT/大模型如何影响软件研发？相关推荐

【大模型】—Open AI GPT大模型介绍
大模型-- Open AI GPT大模型介绍人工智能技术的快速发展引发了对智能系统和应用的巨大需求.多模态大模型已经成为了人工智能领域的重要研究方向之一.OpenAI作为一家全球领先的人工智能公司, ...
中文稀疏GPT大模型落地 — 通往低成本高性能多任务通用自然语言理解的关键里程碑
作者:同润,临在团队:阿里云机器学习平台PAI 1. 概述 GPT模型能较好的处理NLP各个应用领域的任务,比如文本分类,推理,对话,问答,完形填空,阅读理解,摘要,生成等等.百亿/千亿参数量级的G ...
文心一言云服务即将上线；紫光原董事长赵伟国被审查；任正非：未来AI大模型赛道不只是微软一家；李开复筹办新AI公司丨每日大事件...
‍ ‍数据智能产业创新服务媒体 --聚焦数智 · 改变商业企业动态紫光集团有限公司原董事长赵伟国涉嫌职务犯罪被移送检察机关审查起诉近日,中央纪委国家监委网站消息,国家监委对紫光集团有限公司原董事 ...
复旦大学邱锡鹏教授：语言模型即服务，走向大模型的未来
来源:智源社区作者:智源社区整理:周致毅人类一直期待AI能在处理自然语言方面大放异彩,语言大模型在近些年已逐渐成为NLP领域的标配.随着模型的扩张,当前大模型的调用已变成上游厂商开放API供下游 ...
复旦邱锡鹏：语言模型即服务，走向大模型的未来
人类一直期待AI能在处理自然语言方面大放异彩,语言大模型在近些年已逐渐成为NLP领域的标配.随着模型的扩张,当前大模型的调用已变成上游厂商开放API供下游使用的模式.这一模式被复旦大学邱锡鹏教授称之为 ...
从量变到质变：AI大模型推动供应链金融和产业互联网的变革
ChatGPT.GPT-4等大模型出来之后,大家惊喜地发现这些模型跟以前的版本有了本质的区别.新的模型具有了基本的语言能力,部分通用知识,以及简单的逻辑推理能力(Chain Of Thought).这 ...
梭哈大模型，阿里云成了跟风者？
伴随AI大模型潘多拉魔盒打开,云市场GameChanger已到来.对阿里云这个昔日老大哥而言,从"领先者"变为"跟风者",是否还有机会去重塑行业 ...
2023北京智源大会亮点回顾 | 高性能计算、深度学习和大模型：打造通用人工智能AGI的金三角
AIGC | Aquila | HuggingFace AGI | DeepMind | Stability AI 通用人工智能(AGI)是人工智能领域的最终目标,也是一项极具挑战性的任务.在诸多技 ...
MathGPT来了！专攻数学大模型，解题讲题两手抓
允中发自凹非寺量子位 | 公众号 QbitAI 大模型领域又来新玩家. 据了解,学而思正在进行自研数学大模型的研发,命名为MathGPT. 面向全球数学爱好者和科研机构,以数学领域的解题和讲题算 ...

未来几年GPT/大模型如何影响软件研发？

未来几年GPT/大模型如何影响软件研发？相关推荐

最新文章

热门文章