في السنوات الأخيرة ، تم استخدام الذكاء الاصطناعي (AI) على نطاق واسع بشكل متزايد في مجال البرمجة ، لكن قدراته لا تزال لها قيود معينة. في الآونة الأخيرة ، يوجد Max Woolf ، وهو عالم بيانات كبير في BuzzFeed ، من خلال سلسلة من التجارب التي يمكن تحسين جودة الكود الناتجة عن الذكاء الاصطناعى بشكل كبير من خلال تقديم نصائح مستمرة لنماذج اللغة الكبيرة (LLMs). هذا الاكتشاف لا يثير المناقشات الساخنة في دائرة التكنولوجيا فحسب ، بل جذبت أيضًا انتباه العديد من علماء الذكاء الاصطناعى ، مما يبرز أهمية التحسين التكراري وتصميم الكلمات الفوري في برمجة الذكاء الاصطناعي.
في تجربة Woolf ، اختار نموذج AI Claude3.5Sonnet ككائن بحث. تتمثل الخطوة الأولى في التجربة في السماح للنموذج بحل مشكلة البرمجة البسيطة نسبيًا: كيفية العثور على الفرق بين الحد الأدنى والحد الأقصى لقيمة كل رقم 30 في مليون عدد من الأعداد الصحيحة العشوائية. بعد تلقي المهمة ، قام كلود بإنشاء رمز سريعًا يفي بالمتطلبات ، لكن Woolf يعتقد أنه لا يزال هناك مجال للتحسين في هذا الرمز.
من أجل زيادة تحسين الكود ، قرر Woolf أن يطلب من Claude تحسينًا بشكل متكرر بعد كل جيل من التعليمات البرمجية. بعد التكرار الأول ، قام كلود بإعادة تشكيل الكود في فئة بيثون الموجهة نحو الكائن ونفذت تحسينتين مهمتين ، مما زاد من الكود بأسرع 2.7 مرة. في التكرار الثاني ، قدم كلود أيضًا معالجة متعددة الخيوط والحوسبة المتجهة ، والتي مكّنت في النهاية الرمز من التشغيل بسرعة 5.1 مرات من الإصدار الأساسي.
ومع ذلك ، مع زيادة عدد التكرارات ، يتباطأ تحسين جودة الكود تدريجياً. على الرغم من أن النموذج جرب تقنيات أكثر تعقيدًا مثل تجميع JIT والبرمجة غير المتزامنة في التكرارات اللاحقة ، فإن هذه التحسينات لم تجلب تحسينات الأداء المتوقعة وحتى أدت إلى تدهور الأداء في بعض الحالات. توضح هذه الظاهرة أنه على الرغم من أن التلميحات التكرارية يمكن أن تحسن جودة الكود بشكل كبير في المراحل المبكرة ، فإن تأثيرها سيضعف تدريجياً بعد الوصول إلى مستوى معين.
لا توضح تجربة Woolf فقط الإمكانات الضخمة لمنظمة العفو الدولية في مجال البرمجة ، ولكنها تكشف أيضًا عن قيودها في التطبيقات العملية. على الرغم من أن الذكاء الاصطناعى يمكنه تحسين الكود من خلال تكرار ، فإن كيفية تحقيق التوازن بين الأداء والتعقيد عند تصميم الكلمات السريعة لا تزال مشكلة يجب مناقشتها بعمق. يوفر هذا البحث أفكارًا جديدة لبرمجة الذكاء الاصطناعي في المستقبل ، ويذكرنا أيضًا بأن الذكاء الاصطناعى ليس كليًا ، وأن استراتيجيات الاستخدام والتحسين العقلاني هي المفتاح.