Kiedy oprogramowanie zaczęło pisać oprogramowanie

Jeśli dostarczasz kod, Twoja praca się zmienia.

Przeszedłeś od pisania każdej linii do korzystania z autouzupełniania. Teraz piszesz specyfikacje i patrzysz, jak agenci piszą, testują i dostarczają kod za Ciebie.

To nie stało się z dnia na dzień. To 70-letnia historia redefiniowania inteligencji.

Oto jak do tego doszło:

  1. Era symboliczna (lata 50. – 80. XX wieku) Inteligencja oznaczała logikę. Ludzie ręcznie pisali każdą regułę, używając instrukcji IF-THEN. Systemy te były genialne w ograniczonym zakresie, ale zawodziły w prawdziwym świecie. Nie potrafiły uczyć się na podstawie danych.

  2. Era statystyczna (lata 90. XX wieku – lata 2000.) Przestaliśmy narzucać maszynom reguły. Zamiast tego pokazywaliśmy im przykłady. Maszyny wykorzystywały matematykę do znajdowania wzorców w danych. To dało nam filtry antyspamowe i silniki rekomendacyjne. Inteligencja wciąż jednak zależała od ludzi wybierających odpowiednie cechy danych.

  3. Era głębokiego uczenia (2012–2017) Gra zmieniła się wraz z AlexNet. Odkryliśmy, że jeśli nałożysz na siebie wystarczającą liczbę warstw i użyjesz odpowiedniej ilości danych, model sam znajdzie własne cechy. Koniec z ręczną inżynierią cech. Komputery zaczęły widzieć i słyszeć jak ludzie.

  4. Era Transformerów (2017–2022) Architektura Transformer pozwoliła modelom przetwarzać ogromne ilości tekstu jednocześnie. To doprowadziło do powstania GPT. Inteligencja stała się kompozycyjna. Jeden model potrafił napisać wiersz, debugować kod w Pythonie i wyjaśniać matematykę. Język stał się interfejsem dla wszystkich zadań.

  5. Era agentowa (2023 – dziś) Dajemy modelom ręce. Agent nie tylko odpowiada na pytanie. Korzysta z narzędzi, przegląda sieć, wykonuje kod i poprawia własne błędy. Przechodzi od pasywnej odpowiedzi do aktywnej pętli.

Wzorzec jest jasny. Każda era przenosiła pracę z ludzi na maszyny.

  • AI symboliczna: Ludzie pisali reguły.
  • Statystyczne ML: Ludzie wybierali cechy.
  • Głębokie uczenie: Modele uczyły się reprezentacji.
  • LLM: Modele uczyły się z internetu.
  • Agenci: Modele planują i działają.

Każdy skok był również historią ekonomiczną. Budujemy to, na co możemy sobie pozwolić pod względem kosztów uruchomienia. W miarę jak moc obliczeniowa staje się tańsza, agenci stają się mądrzejsi.

Nie budujemy tylko narzędzi. Budujemy współpracowników.

Źródło: https://dev.to/adamthedeveloper/when-software-started-writing-software-a-developers-history-of-ai-4p9n

Opcjonalna społeczność edukacyjna: https://t.me/GyaanSetuAi