Anthropic ਦੇ ਤਾਜ਼ਾ ਅਧਿਐਨ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਜੋ ਡਿਵੈਲਪਰ ਕੋਡ ਜਨਰੇਸ਼ਨ ਲਈ AI 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਉਹ ਕੰਸੈਪਟ-ਅੰਡਰਸਟੈਂਡਿੰਗ (ਮੂਲ ਸਿਧਾਂਤਾਂ ਦੀ ਸਮਝ) ਟੈਸਟਾਂ ਵਿੱਚ 17 ਪ੍ਰਤੀਸ਼ਤ ਘੱਟ ਸਕੋਰ ਕਰਦੇ ਹਨ ਅਤੇ ਉਹ ਉਨ੍ਹਾਂ ਸਾਥੀਆਂ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਕੰਮ ਪੂਰਾ ਨਹੀਂ ਕਰਦੇ ਜੋ ਡਾਕੂਮੈਂਟੇਸ਼ਨ ਅਤੇ ਵੈੱਬ ਸਰਚਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਦੇ ਹਨ। ਇਹ ਨਤੀਜੇ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ ਕਿ ਭਾਵੇਂ AI ਸਕਿੰਟਾਂ ਵਿੱਚ ਕੰਮ ਕਰਨ ਵਾਲਾ ਕੋਡ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਅਸਲ ਇੰਜੀਨੀਅਰਿੰਗ ਮੁਹਾਰਤ ਦੀ ਲਾਗਤ ਨੂੰ ਘੱਟ ਨਹੀਂ ਕਰਦਾ।

ਇਹ ਅਧਿਐਨ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਇਸ ਪ੍ਰਯੋਗ ਵਿੱਚ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਦੋ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ। ਇੱਕ ਸਮੂਹ ਨੂੰ AI ਕੋਡ-ਜਨਰੇਸ਼ਨ ਟੂਲ ਤੱਕ ਬਿਨਾਂ ਕਿਸੇ ਰੋਕ-ਟੋਕ ਦੇ ਪਹੁੰਚ ਦਿੱਤੀ ਗਈ; ਦੂਜੇ ਸਮੂਹ ਨੇ ਸਿਰਫ਼ ਅਧਿਕਾਰਤ ਡਾਕੂਮੈਂਟੇਸ਼ਨ ਅਤੇ ਇੰਟਰਨੈਟ ਸਰਚਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉਹੀ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕੀਤੀਆਂ। ਅਸਾਈਨਮੈਂਟਾਂ ਤੋਂ ਬਾਅਦ, ਭਾਗੀਦਾਰਾਂ ਨੇ ਮੂਲ ਸਿਧਾਂਤਾਂ ਦੀ ਸਮਝ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇੱਕ ਕੁਇਜ਼ ਦਿੱਤਾ। AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਸਮੂਹ ਦਾ ਔਸਤ ਸਕੋਰ 17 ਪ੍ਰਤੀਸ਼ਤ ਪਿੱਛੇ ਰਹਿ ਗਿਆ, ਅਤੇ ਕਿਸੇ ਵੀ ਸਮੂਹ ਨੇ ਗਤੀ ਵਿੱਚ ਕੋਈ ਮਾਪਣਯੋਗ ਫਾਇਦਾ ਨਹੀਂ ਦਿਖਾਇਆ।

ਵਿਹਾਰਕ ਤੌਰ 'ਤੇ, “vibe coding”—ਯਾਨੀ AI ਨੂੰ ਕੋਡ ਦਾ ਇੱਕ ਟੁਕੜਾ (snippet) ਬਣਾਉਣ ਲਈ ਕਹਿਣਾ ਅਤੇ ਬਿਨਾਂ ਡੂੰਘੀ ਜਾਂਚ ਕੀਤੇ ਉਸਨੂੰ ਵਰਤ ਲੈਣਾ—ਉਤਪਾਦਕਤਾ ਨੂੰ ਨਹੀਂ ਵਧਾਉਂਦਾ। ਇਹ ਸਿਰਫ਼ ਗਿਆਨ ਦੀ ਉਸ ਕਮੀ ਨੂੰ ਛੁਪਾਉਂਦਾ ਹੈ ਜੋ ਬਾਅਦ ਵਿੱਚ ਬੱਗ (bugs), ਰੱਖ-ਰਖਾਅ ਦੀਆਂ ਮੁਸ਼ਕਲਾਂ, ਜਾਂ ਮਹਿੰਗੇ ਰੀ-ਰਾਈਟਿੰਗ (rewrites) ਦੇ ਰੂਪ ਵਿੱਚ ਸਾਹਮਣੇ ਆਉਂਦੀ ਹੈ।

ਅੰਕੜਿਆਂ ਦੇ ਪਿੱਛੇ ਦਾ ਸੰਦਰਭ

Anthropic ਦੀ ਖੋਜ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਇਸ ਦਾ ਵਾਅਦਾ ਅਧੂਰਾ ਹੈ। ਉਹ ਭਾਗੀਦਾਰ ਜਿਨ੍ਹਾਂ ਨੇ ਹਰ ਕਦਮ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ—ਜਿਵੇਂ ਸੁਝਾਵਾਂ ਨੂੰ ਕਾਪੀ-ਪੇਸਟ ਕਰਨਾ, ਵੇਰੀਏਬਲ ਨਾਮਾਂ ਵਿੱਚ ਬਦਲਾਅ ਕਰਨਾ ਅਤੇ ਅੱਗੇ ਵਧਣਾ—ਉਨ੍ਹਾਂ ਨੇ ਸਮੱਸਿਆ ਦੇ ਖੇਤਰ ਬਾਰੇ ਸਭ ਤੋਂ ਘੱਟ ਸਿੱਖਿਆ। ਉਹ ਡਿਵੈਲਪਰ ਜਿਨ੍ਹਾਂ ਨੇ ਇਸ ਟੂਲ ਨੂੰ ਇੱਕ ਸਹਿਯੋਗੀ ਵਜੋਂ ਲਿਆ—ਸਹੀ ਅਤੇ ਸਪਸ਼ਟ ਸਵਾਲ ਪੁੱਛ ਕੇ ਅਤੇ ਫਿਰ ਮਿਲੇ ਹੋਏ ਕੋਡ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ—ਉਨ੍ਹਾਂ ਨੇ ਮੂਲ ਢਾਂਚੇ (conceptual framework) ਨੂੰ ਬਿਹਤਰ ਤਰੀਕੇ ਨਾਲ ਯਾਦ ਰੱਖਿਆ।

ਇਹ ਅੰਤਰ ਉਦਯੋਗ ਦੇ ਇੱਕ ਵਿਆਪਕ ਨਿਰੀਖਣ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ: ਪ੍ਰੋਂਪਟ ਇੰਜੀਨੀਅਰ ਮਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਫੰਕਸ਼ਨ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ, ਪਰ ਜਿਵੇਂ-ਜਿਵੇਂ ਗੁੰਝਲਤਾ ਵਧਦੀ ਹੈ, ਇੱਕ ਸਿਸਟਮ ਇੰਜੀਨੀਅਰ ਤੇਜ਼ੀ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ। ਉਹ ਪਹਿਲਾਂ ਹੀ ਅੰਦਾਜ਼ਾ ਲਗਾ ਲੈਂਦੇ ਹਨ ਕਿ ਕੀ ਟੁੱਟ ਸਕਦਾ ਹੈ ਅਤੇ ਕੀ ਸਕੇਲ (scale) ਨਹੀਂ ਹੋ ਸਕਦਾ। ਉਨ੍ਹਾਂ ਦੀ ਰਫ਼ਤਾਰ ਉਨ੍ਹਾਂ ਦੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਨਾ ਕਿ ਅਕੁਸ਼ਲਤਾ ਨੂੰ।

ਕੌਣ ਜਿੱਤਦਾ ਹੈ, ਕੌਣ ਹਾਰਦਾ ਹੈ

ਇੰਜੀਨੀਅਰ ਜੋ ਫੈਸਲੇ ਲੈਣ ਦੀ ਸਮਰੱਥਾ ਬਣਾਈ ਰੱਖਦੇ ਹਨ ਉਹ ਇੰਜੀਨੀਅਰ ਜੋ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਸਮਝਦੇ ਹਨ, ਜਾਣਦੇ ਹਨ ਕਿ ਕਿੱਥੇ ਢਾਂਚਾ ਸਖ਼ਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜਾਂ ਲਚਕਦਾਰ, ਅਤੇ ਸਿਸਟਮ ਨੂੰ ਖਰਾਬ ਕੀਤੇ ਬਿਨਾਂ ਕੰਪੋਨੈਂਟਸ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖ ਸਕਦੇ ਹਨ, ਉਹ ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਸੰਸਥਾਵਾਂ ਦੇ ਪੈਸੇ ਬਚਾਉਂਦੇ ਹਨ। ਉਨ੍ਹਾਂ ਦਾ ਹੁਨਰ ਉਸ ਲੁਕਵੇਂ ਤਕਨੀਕੀ ਕਰਜ਼ੇ (technical debt) ਤੋਂ ਬਚਾਉਂਦਾ ਹੈ ਜੋ ਅਕਸਰ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਅਜਿਹੇ ਕੋਡ ਤੋਂ ਪੈਦਾ ਹੁੰਦਾ ਹੈ ਜੋ ਦੇਖਣ ਵਿੱਚ ਸਾਫ਼ ਲੱਗਦਾ ਹੈ ਪਰ ਉਸ ਵਿੱਚ ਸਪਸ਼ਟ ਉਦੇਸ਼ ਦੀ ਕਮੀ ਹੁੰਦੀ ਹੈ।

ਪ੍ਰੋਂਪਟ ਵਿਸ਼ੇਸ਼ਗਿਆ ਜੋ ਲੋਕ AI ਨੂੰ ਇੱਕ ਜਾਦੂਈ ਛੜੀ ਵਜੋਂ ਦੇਖਦੇ ਹਨ, ਉਹ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰੋਟੋਟਾਈਪ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ ਜਾਂ ਇਕੱਲੇ-ਦੁਹੱਲੇ ਬੱਗਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੇ ਹਨ। ਥੋੜ੍ਹੇ ਸਮੇਂ ਲਈ, ਉਹ ਉਤਪਾਦਕ ਲੱਗਦੇ ਹਨ, ਪਰ ਜਦੋਂ ਕੋਡਬੇਸ ਵਧਦਾ ਹੈ, ਤਾਂ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਕੋਡ ਦੇ ਟੁਕੜਿਆਂ ਵਿੱਚ ਲੁਕੀਆਂ ਹੋਈਆਂ ਧਾਰਨਾਵਾਂ (assumptions) ਮੁਸੀਬਤ ਬਣ ਜਾਂਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਬਾਅਦ ਡੀਬੱਗਿੰਗ (debugging) ਅਸਲ ਉਦੇਸ਼ ਨੂੰ ਲੱਭਣ ਦੀ ਇੱਕ ਲੰਬੀ ਪ੍ਰਕਿਰਿਆ ਬਣ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਰੱਖ-ਰਖਾਅ ਦੀ ਲਾਗਤ ਵਧ ਜਾਂਦੀ ਹੈ।

ਸੰਸਥਾ ਉਹ ਕਾਰੋਬਾਰ ਜੋ ਸਿਰਫ਼ AI-ਅਧਾਰਿਤ ਡਿਵੈਲਪਮੈਂਟ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਨੂੰ ਭਵਿੱਖ ਵਿੱਚ ਵਧੇਰੇ ਖਰਚਿਆਂ ਦਾ ਖ਼ਤਰਾ ਹੁੰਦਾ ਹੈ: ਡੀਬੱਗਿੰਗ, ਰੀਫੈਕਟਰੀਂਗ (refactoring), ਅਤੇ ਨਵੇਂ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵਿੱਚ ਵਧੇਰੇ ਸਮਾਂ ਲੱਗਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਸਪਸ਼ਟ ਕੋਡ ਨੂੰ ਸਮਝਣਾ ਪੈਂਦਾ ਹੈ। ਉਹ ਕੰਪਨੀਆਂ ਜੋ ਅਨੁਸ਼ਾਸਿਤ ਇੰਜੀਨੀਅਰਿੰਗ ਅਭਿਆਸਾਂ ਦੇ ਨਾਲ AI ਦੀ ਮਦਦ ਨੂੰ ਮਿਲਾਉਂਦੀਆਂ ਹਨ, ਉਹ ਲੰਬੇ ਸਮੇਂ ਦੀ ਸਥਿਰਤਾ ਬਣਾਈ ਰੱਖਦੇ ਹੋਏ ਰਫ਼ਤਾਰ ਦਾ ਲਾਭ ਉਠਾਉਂਦੀਆਂ ਹਨ।

ਉਹ ਵੇਰਵੇ ਜੋ ਜ਼ਿਆਦਾਤਰ ਰਿਪੋਰਟਾਂ ਛੱਡ ਦਿੰਦੀਆਂ ਹਨ

  • ਸਿੱਖਣ 'ਤੇ ਪ੍ਰਭਾਵ: 17 ਪ੍ਰਤੀਸ਼ਤ ਦਾ ਇਹ ਅੰਤਰ ਇੱਕ ਅਜਿਹੇ ਕੁਇਜ਼ 'ਤੇ ਮਾਪਿਆ ਗਿਆ ਸੀ ਜਿਸਨੇ ਸਿਰਫ਼ ਸਿੰਟੈਕਸ (syntax)