تتطور قدرات برمجة الذكاء الاصطناعي! يمكن تحسين جودة الكود من خلال PUA المستمر للنماذج الكبيرة - مقالة AI

في السنوات الأخيرة، استمرت قدرات برمجة الذكاء الاصطناعي في التطور، لكنها لم تصل بعد إلى الكمال. في الآونة الأخيرة، اكتشف ماكس وولف، أحد كبار علماء البيانات في BuzzFeed، من خلال التجارب أنه إذا تم تزويد نموذج لغة كبير (LLM) باستمرار بمطالبات "لكتابة كود أفضل"، فيمكن للذكاء الاصطناعي بالفعل إنشاء كود أفضل. لقد اجتذب هذا الاكتشاف اهتمامًا واسع النطاق، كما أبدى علماء الذكاء الاصطناعي المشهورون في الصناعة اهتمامًا كبيرًا به، مؤكدين على أهمية التكرار وتصميم الكلمات السريع.

في تجربة وولف، استخدم إصدار Claude3.5Sonnet من نموذج الذكاء الاصطناعي لتنفيذ سلسلة من مهام البرمجة. في البداية، طرح مشكلة برمجية بسيطة على النموذج: كيفية إيجاد الفرق بين القيم الدنيا والقصوى بين مليون عدد صحيح عشوائي مجموع أرقامه 30. بعد تلقي هذه المهمة، أنشأ كلود كودًا يلبي المتطلبات، لكن وولف اعتقد أن الكود لا يزال لديه مجال للتحسين.

بعد ذلك، قرر وولف أن يطلب من كلود إجراء التحسين التكراري من خلال المطالبة "اكتب كودًا أفضل" في كل مرة بعد إنشاء الكود. بعد التكرار الأول، أعاد كلود هيكلة التعليمات البرمجية إلى فئة Python الموجهة للكائنات ونفذ تحسينين مهمين، مما أدى إلى زيادة سرعة التشغيل بمقدار 2.7 مرة. في التكرار الثاني، أضاف كلود معالجة متعددة الخيوط وحسابات متجهة، مما أدى في النهاية إلى تشغيل الكود 5.1 مرة أسرع من الإصدار الأساسي.

ومع ذلك، مع زيادة عدد التكرارات، يبدأ التحسن في جودة التعليمات البرمجية في التباطؤ. بعد عدة جولات من التحسين، على الرغم من أن النموذج حاول استخدام بعض التقنيات الأكثر تعقيدًا، مثل تجميع JIT والبرمجة غير المتزامنة، إلا أن بعض التكرارات أدت إلى تدهور الأداء. في النهاية، كشفت تجربة وولف عن إمكانات وقيود المحفزات التكرارية، مما منح الناس تفكيرًا جديدًا حول مستقبل برمجة الذكاء الاصطناعي.

لا يوضح هذا البحث إمكانات تطبيق الذكاء الاصطناعي في مجال البرمجة فحسب، بل يذكرنا أيضًا أنه على الرغم من أن الذكاء الاصطناعي يمكنه تحسين جودة التعليمات البرمجية من خلال التكرار المستمر، إلا أنه في التطبيقات الفعلية، لا تزال كيفية تصميم الكلمات السريعة بشكل صحيح وتحقيق التوازن بين الأداء والتعقيد أمرًا جديرًا بالاهتمام. موضوعات تمت مناقشتها بعمق.