OpenAI最新研究：當(dāng)前AI模型仍無(wú)法媲美人類(lèi)程序員快訊
盡管這些前沿模型能夠快速地處理一些細(xì)節(jié)任務(wù)，任何模型若想被真正用于實(shí)際編程任務(wù)，OpenAI 對(duì)三款大型語(yǔ)言模型（LLMs）進(jìn)行了測(cè)試。
2 月 24 日消息，盡管 OpenAI 首席執(zhí)行官薩姆?奧爾特曼（Sam Altman）堅(jiān)稱(chēng)，到今年年底，人工智能模型將能夠超越“低級(jí)別”軟件工程師，但該公司研究人員的最新研究卻表明，即使是目前最先進(jìn)的 AI 模型，仍無(wú)法與人類(lèi)程序員相媲美。
研究人員在一篇新論文中指出，即使是前沿模型 —— 即那些最具創(chuàng)新性和突破性的 AI 系統(tǒng) ——“仍然無(wú)法解決大多數(shù)”編程任務(wù)。為此，研究人員開(kāi)發(fā)了一個(gè)名為 SWE-Lancer 的新基準(zhǔn)測(cè)試工具，該工具基于自由職業(yè)者網(wǎng)站 Upwork 上的 1400 多個(gè)軟件工程任務(wù)。通過(guò)這一基準(zhǔn)測(cè)試，OpenAI 對(duì)三款大型語(yǔ)言模型（LLMs）進(jìn)行了測(cè)試，分別是其自身的 o1 推理模型、旗艦產(chǎn)品 GPT-4o，以及 Anthropic 公司的 Claude 3.5 Sonnet。
具體而言，這一新基準(zhǔn)測(cè)試評(píng)估了這些 LLMs 在處理 Upwork 上的兩類(lèi)任務(wù)時(shí)的表現(xiàn)：一類(lèi)是個(gè)體任務(wù)，涉及修復(fù)漏洞并實(shí)施修復(fù)措施；另一類(lèi)是管理任務(wù)，要求模型從更宏觀的角度做出更高層次的決策。值得注意的是，在測(cè)試過(guò)程中，這些模型被禁止訪(fǎng)問(wèn)互聯(lián)網(wǎng)，因此它們無(wú)法直接抄襲網(wǎng)上已有的類(lèi)似答案。
這些模型所承擔(dān)的任務(wù)在 Upwork 上的價(jià)值累計(jì)可達(dá)數(shù)十萬(wàn)美元，但它們僅能解決一些表面的軟件問(wèn)題，卻無(wú)法在大型項(xiàng)目中真正找到漏洞及其根源。這種“半成品”的解決方案，對(duì)于與 AI 有過(guò)合作經(jīng)驗(yàn)的人來(lái)說(shuō)并不陌生 ——AI 擅長(zhǎng)輸出聽(tīng)起來(lái)自信滿(mǎn)滿(mǎn)的信息，但在仔細(xì)審查時(shí)往往漏洞百出。
盡管論文指出，這三款 LLMs 通常能夠“遠(yuǎn)快于人類(lèi)”地完成任務(wù)，但它們卻無(wú)法理解漏洞的廣泛性及其背景，從而導(dǎo)致解決方案“錯(cuò)誤或不夠全面”。
研究人員解釋稱(chēng)，Claude 3.5 Sonnet 的表現(xiàn)優(yōu)于另外兩款 OpenAI 模型，并且在測(cè)試中“賺取”的金額也超過(guò)了 o1 和 GPT-4o。然而，其大多數(shù)答案仍然是錯(cuò)誤的。研究人員指出，任何模型若想被真正用于實(shí)際編程任務(wù)，都需要具備“更高的可靠性”。
簡(jiǎn)而言之，該論文似乎表明，盡管這些前沿模型能夠快速地處理一些細(xì)節(jié)任務(wù)，但它們?cè)谔幚磉@些任務(wù)時(shí)的技能水平，仍遠(yuǎn)遠(yuǎn)不及人類(lèi)工程師。
盡管近年來(lái)這些大型語(yǔ)言模型取得了快速的發(fā)展，并且未來(lái)還會(huì)繼續(xù)進(jìn)步，但它們目前在軟件工程領(lǐng)域的技能水平仍不足以取代人類(lèi)。然而IT之家注意到，這似乎并未阻止一些首席執(zhí)行官解雇人類(lèi)程序員，轉(zhuǎn)而使用這些尚未成熟的 AI 模型。（遠(yuǎn)洋）
1.TMT觀察網(wǎng)遵循行業(yè)規(guī)范，任何轉(zhuǎn)載的稿件都會(huì)明確標(biāo)注作者和來(lái)源；
2.TMT觀察網(wǎng)的原創(chuàng)文章，請(qǐng)轉(zhuǎn)載時(shí)務(wù)必注明文章作者和"來(lái)源：TMT觀察網(wǎng)"，不尊重原創(chuàng)的行為T(mén)MT觀察網(wǎng)或?qū)⒆肪控?zé)任；
3.作者投稿可能會(huì)經(jīng)TMT觀察網(wǎng)編輯修改或補(bǔ)充。
