使用 AI 通用模型來(lái)完成代碼生成這類(lèi)非常具體的任務(wù)可能會(huì)帶來(lái)問(wèn)題。人工智能生成的代碼就像是陌生人的代碼，它們可能并不符合你的代碼質(zhì)量標(biāo)準(zhǔn)。這種情況下，創(chuàng)建專(zhuān)業(yè)或?qū)Ｓ玫哪Ｐ筒皇橐粭l出路。

Luise Freese 和 Iona Varga 在 2023 年的 NDC Oslo 大會(huì)上探討了 AI 模型的實(shí)踐困境和倫理相關(guān)問(wèn)題。

Varga 提到，“人工智能”這個(gè)詞給人一種智慧的感覺(jué)，雖然這個(gè)名字實(shí)際只是代表了這些模型的構(gòu)建方式。以節(jié)點(diǎn)相連的形式模仿人腦中神經(jīng)元與突觸連接而成的網(wǎng)絡(luò)，這類(lèi)模型因此而得名“人工網(wǎng)絡(luò)”或“人工智能”。

Freese 補(bǔ)充道，抽象來(lái)說(shuō)，計(jì)算機(jī)是完全依賴(lài)于或開(kāi)或關(guān)的晶體管，通過(guò)這些開(kāi)關(guān)的組合，我們得以操縱比特。由于晶體管之間沒(méi)有相互的糾纏，這些開(kāi)關(guān)最終會(huì)帶來(lái)這樣的結(jié)果：

因此，計(jì)算機(jī)并不會(huì)思考，不過(guò)是我們的人工智能算法賦予了它們個(gè)性和特征，比如“讓我考慮一下”這類(lèi)禮貌說(shuō)辭。AI 僅僅是利用統(tǒng)計(jì)數(shù)據(jù)對(duì)事物進(jìn)行預(yù)測(cè)、分類(lèi)或組合。

Varga 提到，AI 的問(wèn)題在與使用極其通用的模型或是基礎(chǔ)模型完成非常具體的任務(wù)。大語(yǔ)言模型（LLM）的工作原理是先分析問(wèn)題、創(chuàng)建一兩個(gè)詞語(yǔ)，再根據(jù)統(tǒng)計(jì)數(shù)據(jù)預(yù)測(cè)下一個(gè)標(biāo)記的最佳匹配。此外，LLM 本身是無(wú)法對(duì)事實(shí)進(jìn)行核查的，因?yàn)檫@類(lèi)模型的設(shè)計(jì)目的是生成而非驗(yàn)證。

如果我們?cè)噲D建立一個(gè)能解決所有 AI 問(wèn)題的 AI 模型，那么我們將會(huì)創(chuàng)造出一種自我放大的螺旋式下降，F(xiàn)reese 補(bǔ)充道。若想實(shí)現(xiàn)螺旋式上升，那就應(yīng)該少用基礎(chǔ)模型，多用更為具體的模型，后者中有一部分實(shí)際就是搭建在基礎(chǔ)模型之上的。

AI 或許能生成代碼，但這些代碼是否能安全地使用，是否能滿(mǎn)足我們對(duì)質(zhì)量的標(biāo)準(zhǔn)要求？Varga 認(rèn)為這些問(wèn)題只能由真正的人類(lèi)來(lái)回答，這一過(guò)程并不容小覷。歸根結(jié)底，就像是代碼的編寫(xiě)一樣，調(diào)試陌生人的代碼遠(yuǎn)比自己從頭到尾參與其中的代碼更為困難。

一般模型的理解能力也更為通用，這在代碼生成問(wèn)題上可能會(huì)帶來(lái)問(wèn)題，正如 Varga 所解釋的：

舉例來(lái)說(shuō)，React v17 或 v16 這些可能沒(méi)有直接反應(yīng)在模型的上下文中，但模型也能了解這些代碼庫(kù)?；蛟S你會(huì)發(fā)現(xiàn)自己生成的一個(gè)函數(shù)中會(huì)混雜有兩個(gè)版本的代碼。

Varga 認(rèn)為，多數(shù)情況下 AI 都是解決問(wèn)題的好幫手。但使用 AI 就意味著你要去檢查、驗(yàn)證、修改、編輯或重寫(xiě)部分內(nèi)容，而這一部分可能才是我們低估 AI 工具帶來(lái)工作量的地方。

InfoQ 針對(duì)人工智能所帶來(lái)的挑戰(zhàn)問(wèn)題采訪(fǎng)了 Luise Freese 和 Iona Varga。

InfoQ：什么因素會(huì)造成 AI 的失敗？

Iona Varga： 一般來(lái)說(shuō)，AI 并不是命中注定要失敗的。我是醫(yī)學(xué)物理出身的，我也見(jiàn)過(guò)很多優(yōu)秀的 AI 工具，它們能出色地完成波彈性成像的實(shí)時(shí)剪切。

但由于虛假數(shù)據(jù)和扭曲事實(shí)問(wèn)題的存在，這些結(jié)果并不完全可信。舉例來(lái)說(shuō)，川普就職典禮上，實(shí)際的到場(chǎng)人數(shù)是要少于最初公布的數(shù)據(jù)。試著問(wèn)模型就職典禮的公園有多熱鬧，你大概會(huì)得到一個(gè)出乎意料的答案。但同樣，數(shù)據(jù)的來(lái)源時(shí)至今日也有頗具爭(zhēng)議的歷史背景，它們可能會(huì)出于政治劇本或標(biāo)準(zhǔn)等原因而被修改。

InfoQ：倫理道德如何才能幫助我們解決 AI 所帶來(lái)的問(wèn)題？

Luise Freese：倫理道德作為工具本身是幫不上太多忙的。倫理只是一種工作的方式，就像是 DevOps 一樣。一旦你有了規(guī)劃，知道該做什么了，“倫理道德”就是你對(duì)“完成”的定義。我所用的數(shù)據(jù)是否覆蓋了所有產(chǎn)品使用相關(guān)的人或事？通過(guò)這些道德的檢測(cè)，我們的工作方式將會(huì)在可訪(fǎng)問(wèn)性、包容性和避免偏見(jiàn)方面得到改善。

本文轉(zhuǎn)載自InfoQ公眾號(hào)