告诉AI写首诗,它会照做,只是需要人工润色才能完美;写代码也是如此。
本周《Kettle》节目中,El Reg系统编辑托拜厄斯·曼恩和高级记者汤姆·克莱本与布兰登·维利亚罗洛一起讨论了AI软件开发的现状,也就是所谓的"氛围编程"。
讨论的核心是汤姆本周早些时候报道的一项研究,该研究发现,告诉AI它是一名专业软件开发者实际上会让它产出更糟糕的代码,这对AI作为软件开发工具的使用意味着什么。
我们的看法?当然,AI能够编写代码——甚至是复杂的代码——但你仍然需要专业开发人员来修复它那些无处不在的错误和故障。换句话说,那些试图基于AI投注而减少开发团队规模的公司可能正在犯错。
您可以在这里收听《Kettle》节目,也可以在Spotify和Apple Music上收听。
Q&A
Q1:什么是"氛围编程"?
A:"氛围编程"是指使用AI进行软件开发的一种状态或方式,强调AI可以编写代码,但需要人工监督和完善的开发模式。
Q2:告诉AI它是专业开发者会让代码更好吗?
A:不会。研究发现,告诉AI它是一名专业软件开发者实际上会让它产出更糟糕的代码,这表明与AI交互的方式会影响其输出质量。
Q3:公司可以用AI完全替代开发团队吗?
A:不建议这样做。虽然AI能够编写甚至复杂的代码,但仍然需要专业开发人员来修复AI代码中无处不在的错误和故障,减少开发团队可能是错误决策。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。