Сложно не заметить хайп вокруг ChatGPT и других LLM. Пессимистичные прогнозы обещают, что уже через пару десятков лет разработчики будут не нужны, код за них будут писать большие языковые модели.
Я - не специалист в нейросетях, но являясь коммерческим директором одной компании и сооснователем другой, т.е. имею прямое отношение к найму. А поэтому со скепсисом смотрю на идеи “всех заменит ИИ”. Не всех и не совсем заменит, а попутно еще и новых потребностей нагенерит. И вот, почему.
![](https://habrastorage.org/getpro/habr/upload_files/4a6/0c7/128/4a60c71280f74631868e3593d675e4b2.png)
ИИ заменит разработчика?
Я встречал много прогнозов, согласно которым потребность в разработчиках вот-вот упадет до минимума. Дескать, совсем скоро программист будет сидеть, как в фантастических фильмах, и диктовать в микрофон: “А напиши ка мне банковское приложение с такими-то функциями”. И после пары минут ожидания получать идеальный результат.
Однако мне картина представляется несколько иначе.
LLM, конечно же, будут проникать в жизнь разработчиков все больше и больше. Уже сейчас можно с помощью ChatGPT писать вполне вменяемый код даже на том языке, который ты никогда не видел. Имея опыт разработки, ты в общих чертах представляешь, как должен работать метод, а синтаксис подскажет LLM. Это очень удобно - уверен, набор функций будет развиваться дальше. Т.е. сама привычная механика написания кода действительно будет исчезать. Возможно, мы даже не проиграем в качестве. Но сработает это только на простых задачах. Создать структуру большого проекта, где взаимодействует множество разнородных модулей, LLM-система не сможет, по крайней мере без человека на старте и финише.
Все мы знаем, что чем конкретнее сформулировано ТЗ, тем более хороший результат получится в конце. Чтобы LLM выдала релевантный результат, ей надо задать промт. И здесь нужен опыт - надо понимать, какой промт ты даешь, иначе рискуешь получить огромные куски говнокода. Это несложно с небольшими задачами, но в огромных проектах можно выудить из LLM разве что пачку несвязанных между собой модулей. Все это просто не будет работать, даже если каждый из модулей будет идеален и оптимизирован до блеска.
Сомневаюсь, что можно быстро научить давать промты для построения больших систем. Если мы дадим такую задачу среднестатистическому выпускнику даже неплохого технического ВУЗа, он растеряется, потому что у него нет опыта и понимания, как подобные системы создаются. А у того, кто знает, как создавать архитектуру, вполне может не хватить красноязычия. Ведь люди в среднем говорят достаточно плохо и ленятся писать. Наговаривают кружочки и аудиосообщения. Если их оцифровать, окажется, что из большинства сообщений сложно вычленить какой-то смысл. LLM просто не сможет из такого безумного потока информации слепить адекватное решение.
Поэтому системы с помощью LLM, возможно, будут создаваться намного быстрее. Вероятно, рядовых программистов понадобится намного меньше, потому что модели будут ускорят процессы. Но кто будет давать промт? Скорее всего появятся несколько другие роли - архитекторы, которые будут на каком-то специальном языке описывать общую схему системы, аналитики, которые смогут генерировать код. А еще должна развиться целая индустрия, которая будет деплоить, контролировать и тестировать созданный LLM код, в том числе на уязвимости и кибербезопасность.
Так что в ближайшие годы многие вещи действительно изменятся, но толковые люди с опытом и глубоким пониманием все равно будут нужны.
Как быстро ждать изменений
В своем прогнозе я стараюсь не отрываться от реальности.
Предполагая бурное развитие нейросетей, мы зачастую смотрим на логическую часть, но забываем про железо. А ведь постройка и обслуживание ЦОД под нейросети - очень недешевая вещь. И этот фактор сильно повлияет на то, как быстро нам ждать преобразований.
Большие языковые модели требуют огромных вычислительных мощностей. Их вроде бы можно постоянно наращивать. Казалось бы, что сложного построить заводы, которые будут непрерывно печатать микросхемы для таких ЦОДов. Но на данный момент таких заводов нет. Возможно, этой задачи просто не стоит.
Заводы, да и сами вычислительные мощности под LLM, будут потреблять огромное количество электроэнергии. Не так много в мире стран, у которых есть избыток электричества. Россия - одна из них. Гипотетически у нас можно поставить еще один блок АЭС (сейчас их строят за 3-4 года), который будет полностью обслуживать ферму под нейросети. Очевидно, так же могут сделать США и Китай. Смогут ли это сделать другие страны - большой вопрос.
С учетом этого изменения кажутся уже не столь близкими, ведь за них придется кому-то заплатить. А тех, кто мог бы, в этом мире совсем немного.
А как это будет встраиваться в индустрию?
Заплатить за мощности и электричество можно, если понимать задачу, которую придется решать (если задача того стоит).
Информационные технологии существуют не в вакууме. За редким исключением, вроде социальных сетей, которые выросли в самостоятельную сущность, разработка обслуживает другие индустрии. Разработчики входят в новую для себя сферу и начинают ее улучшать, дополнять, возможно, даже создавая в этой сфере нечто новое, чего раньше не было. При этом ИТ не порабощает отрасль - даже если ИТ исчезнет, индустрии продолжат существовать.
Возьмем банки. Существовали же они до появления ИТ. Мобильные приложения - это удобно, но если убрать из банковской сферы информационные технологии, они продолжат работать. Аналогичная история с такси. Понятно, что уберизация (Uber, Яндекс.Такси и т.п.) сформировала новый уровень качества, когда тебе не нужно искать таксопарк, кому-то звонить. Но суть услуги от этого не поменялась, она осталась очень похожей, разве что для клиента стала немного быстрее и дешевле. У меня ощущение, что за счет этого пользоваться такси мы стали намного чаще, чем 10-15 лет назад.
Вряд ли эти мелкие улучшения стоят затрат на ИИ. Мне кажется, человечество уже наигралось с банковскими приложениями и инструментами для ритейла. Пора с помощью ИТ в целом и ИИ в частности решать более серьезные глобальные задачи, которые могли бы продвинуть нас вперед. Но в масштабах планеты мы по прежнему меряемся тем, у кого палка больше. И это ограничивает спектр применения LLM.
Мир вступил в тяжелую фазу. Кажется, что на горизонте ближайших 50 лет перед государствами и людьми будет стоять всего четыре банальные задачи:
еда и, как следствие, вода;
энергия - тепло и электричество;
кров - где жить, как спрятаться от непогоды;
безопасность, в том числе, медицина и кибербезопасность, которая становится все более критической.
Контуры многих задач не до конца понятны. В теории нейросети (LLM-модели) могут дать заметный буст в этих областях. Но давайте немного погрузимся в детали.
ИИ в энергетике вполне распространен, потому что есть автоматизация, оптимизация расходования. В нефтедобыче есть анализ данных о месторождениях. В зеленой энергетике нейронные сети используются для прогнозирования погоды и более удачного размещения тех же солнечных панелей. Нейросети должны быть и у Росатома, который строит электростанции и атомные лодки. Вообще в этой сфере с помощью нейросетей можно многое улучшить, сделать сильнее и круче. Но можно ли допустить нейросеть до управления атомным реактором? На мой взгляд, нет, человечество к этому еще не готово.
В сельское хозяйство информационные технологии заходят широчайшими шагами. Они там нужны и точно будут усиливать свое влияние. Через 5-10 лет в этой сфере будет много ИТ-шников. Но и здесь задачи довольно простые - автоматизировать что-то связанное с посевами и уборками, сделать так, чтобы машины ездили сами без операторов. Отчасти эти задачи уже решены. Поля - понятные квадраты. Можно использовать фотосъемку, привязывать топографически и техника поедет. Это не супер-сложно, даже с учетом того, что на полях могут образоваться ямы, а техника умеет ломаться. Многие из этих технологий уже применяются - на Хабре были такие статьи (пример 1, пример 2).
В строительстве дело обстоит примерно так же. В первую очередь здесь будет нужен автономный транспорт. Человек еще какое-то время будет фигурировать в этом процессе, поскольку возможны всякие нюансы. Но со временем степень автоматизации будет расти.
В медицине LLM должны совершить настоящий бум, связанный с индивидуальным лечением. Но мне кажется, индивидуальная медицина появится тогда, когда на планете станет немного поспокойнее, когда станет актуальнее продление жизни, потому что пока перед человечеством стоят другие вопросы.
В итоге мы имеем вполне широкий спектр применений ИИ. Однако задачи здесь либо несложные, либо уже отчасти решенные. К действительно критическим вопросам человечество пока не готово подпустить нейросети.
Я много читаю и смотрю видео про искусственный интеллект, нейросети и т.п. Заметил один момент: как только речь идет об LLM, все говорят о бизнесе - как мы заработаем, как мы что-то улучшим и поднимем доходы. Кажется, это ключевая ошибка. Никакого серьезного прорыва не получится, если во главе угла будет стоять бизнес. Фундаментальные исследования не могут существовать, когда основной упор сделан на прибыль. Пока от этого подхода не откажутся, никаких глобальных изменений ждать нет смысла.
Автор: Кирилл Антонов, Максилект.
P.S. Мы публикуем наши статьи на нескольких площадках Рунета. Подписывайтесь на нашу страницу в VK или на Telegram-канал, чтобы узнавать обо всех публикациях и других новостях компании Maxilect.
Комментарии (12)
Anton888
09.08.2024 09:17Никакого серьезного прорыва не получится, если во главе угла будет стоять бизнес. Фундаментальные исследования не могут существовать, когда основной упор сделан на прибыль.
Я бы не сказал, что здесь есть какое-то противоречие. Прорывные идеи вроде нейросетей или трансформеров появляются в результате неприбыльных научных исследований. Но ресурсы на их масштабное осуществление аккумулируются только в результате ожидания прибыли. Никто не даст миллиарды на построение модели класса ChatGPT 4o просто так.
И в этом есть глубокий смысл. Инвесторы должны рисковать своими собственными деньгами, чтобы миллиарды шли только на реально перспективные прикладные разработки. При этом фундаментальных исследований должно быть очень много в самых разных областях - ведь заранее не знаешь, какое окажется прорывным. Но когда их много, невозможно миллиарды потратить на каждое.
Anton888
09.08.2024 09:17Я вот заметил, что дискуссия вокруг ИИ обычно строятся так. Одни говорят - "ИИ суперски рисует котиков, теперь дизайнерам кранты". А другие - "ну не, во-первых, котики получаются так себе, во-вторых, правильных котиков из всех нарисованных может отобрать только хороший дизайнер, в-третьих, написать промпт для нужного котика можно только имея понимание реальной задачи, а у ИИ его нет".
Но я бы поставил вопрос по-другому. Почему дизайнеры хорошо зарабатывают? Потому что в этой профессии высокий порог входа. Человеку нужно много лет учиться рисовать реалистичных котиков, чтобы потом на базе этого умения начать решать реально творческие задачи. Но приобретение самого умения - долгий, трудный, но довольно механистический процесс, творчества в нем мало.
И вот теперь вопрос. Научиться писать промты для котиков, отбирать правильные и понимать рабочие задачи - это трудно или легко? Если это легко, то порог входа резко понижается. И тогда зарплата рано или поздно снижается с условных 200 тыс. до 50.
И, соответственно, с программистами вопрос аналогичный - какая часть скиллов реально требует умственных усилий, а какая - просто запоминание механистических действий (пусть для этого и надо усвоить много информации)? В плане программистов я оптимист, но такого рода дискуссий особо не вижу.
Batalmv
09.08.2024 09:17+3И вот теперь вопрос. Научиться писать промты для котиков, отбирать правильные и понимать рабочие задачи - это трудно или легко? Если это легко, то порог входа резко понижается. И тогда зарплата рано или поздно снижается с условных 200 тыс. до 50.
Дизайнеры рисуют не только котиков но и "мокапы". А тут надо общение с заказчиков (чтобы понять, что надо) и с веб-лидом (чтобы не было слишком сложно/дорого).
А общение - это реально общение, а не просто нарисовать и ждать like/dislike
Более интересен другой вопрос: как обучать тех, кто будет делать "котиков", если простые задачи бдет делать ИИ?
Anton888
09.08.2024 09:17А общение - это реально общение, а не просто нарисовать и ждать like/dislike
Согласен, но просто скилл общения - это уже существенно ниже порог.
Более интересен другой вопрос: как обучать тех, кто будет делать "котиков", если простые задачи бдет делать ИИ?
Обучение останется всему, другой вопрос, насколько изменится спрос на это обучение.
Batalmv
09.08.2024 09:17Согласен, но просто скилл общения - это уже существенно ниже порог.
Язык чесать под пиво - да. Согласовывать дизайн макеты - нет. Сорян, тут надо и в требования въехать, и понимание чего можно, а чего нет знать. И клиента уметь "слушать". Что кстати умеют далеко не все в принципе
Обучение останется всему, другой вопрос, насколько изменится спрос на это обучение.
Пока есть спецы - будет и обучение. Сорян, тут все просто
vlad4kr7
09.08.2024 09:17+1https://www.youtube.com/watch?v=vB9dJt9j-5M
"ИИ" не смог 9.11 и 9.9 сравнить. И проблема не в том, что это пофиксили быстро, а в том, что такое элементарное знание вообще вызвало ошибку! А сколько еще ошибок осталось?
d00m911
09.08.2024 09:17ИИ, особенно уровня ChatGPT 4, пишет очень неплохой код, но вы очень правильно заметили, что многое зависит от правильно поставленной задачи. Если всё чётко сформулировать - алгоритм, ограничения, формат данных, необходимость использования тех или иных возможностей языка - как правило, получится читаемый и почти всегда работающий код. Единственное, по своему опыту могу сказать, что языковые модели вроде Codestral 22b пока ещё не способны осилить более или менее сложные задачи. Например, я попросил две нейросети нарисовать вращающийся куб, используя С++ и WinAPI. Какой-то код от Codestral я получил, он даже запустился после небольших изменений, но, во-первых, он не работал должным образом (неправильно выполнял поворот, ещё много мелких недостатков). А вот ChatGPT сразу выдал отличный и работоспособный код.
koreychenko
09.08.2024 09:17Я вот обратил внимание, что ChatGpt 4o по многим специфически запросам тупо выдает примеры из документации, а не сам пишет. Причем часто это примеры из документации к устаревшим версиям. Часто использует deprecated методы и классы.
vR4eslav
09.08.2024 09:17Я не понимаю, почему во всех статьях-опровержениях в разные стороны опускают механизм работы LLM и их системы вероятностной генерации каждого токена на основании параметра температуры? Неужели этого мало, чтобы понимать, что он не заменит специалистов банально по причине того, что сам специалистом не является как таковым? Выбор технологии исходя из вероятности какого-то слова в контексте? Бред же, ни говоря об отсутствии инициативности, что уже не такой важный аргумент, так как инициативность можно программно имитировать, хотя это будет далеко от нормальной безусловной инициативности. Пока не появится искусственный интеллект, о повальной замене, делегировании и переформировании рынка труда говорить просто смешно. Одно остаётся верным - если ты ведёшь себя как неосознанная нейросеть, нейросетью тебя и заменят, оно и к лучшему :)
ednersky
человечество давно научилось работать с НЕОТКРЫТЫМИ закономерностями.
здесь всего три метода: аппроксимация, интерполяция и экстраполяция
смысл в том, что берём и делаем 100500 измерений, а потом НЕ ЗНАЯ закономерности можем по базе сделанных измерений можем предсказать/рассчитать "сколько будет в конкретном случае".
современные нейронные сети - просто математический метод аппроксимации и интерполяции. Не больше.
что такое LLM? попытка "оцифровать" человеческий язык, а дальше, используя эти цифры, можно НЕ ЗНАЯ как устроено мышление строить фразы. Находить ассоциативные связи. итп
с одной стороны современные AI - большой шаг вперёд, но этот шаг не в том смысле что "мы стали понимать как устроено мышление", а в том смысле, что "мы собрали (вручную!) довольно большие базы данных (измерений)", что позволяет аппроксимировать и интерполировать относительно неожиданные вещи, вроде генерации картинок и (или) текстов