斯坦福大学副教授：人工智能与火、电力、书写

菏泽炫佑科技

斯坦福大学副教授：人工智能与火、电力、书写

（以下文字经过语音识别转为文字并润色）

尊敬的各位来宾、各位朋友，大家上午好。

首先感谢组委会邀请我参加本次峰会，让我有机会在这里与大家交流。 在这个信息通信技术时代，作为软件研发机构，我们需要思考如何构建AI（人工智能）战略。

我在软件研发领域工作了三十多年，其中十年在大学任教，十年在企业从事软件开发、测试和技术管理，*后十年又回到大学继续深造。软件工程的教学和研究。 我非常关注软件工程，尤其是软件工程的演化过程。

今年3月，我写了一篇文章《》，讨论了GPT（大规模预训练语言模型）出现后软件工程发生的巨大变化，进入软件工程3.0时代。

相信在座的大部分嘉宾都读过《失控》这本书。 近日，该书作者凯文·凯利出版了一本新书，名为《5000天的世界》。 为什么叫5000天呢？ 因为大约十年左右的时间，将会发生巨大的变化。

他在谈到新书时提到，人们对人工智能的关注度不够，人工智能被低估。 从长远来看，他认为人工智能对人类的影响就像火、电、文字等一样，具有改造的力量。

*近，我看到一段采访斯坦福大学副教授、人工智能实验室主任吴恩达的视频。 吴恩达是全球人工智能和机器学习领域*权威的学者之一。 他表示：人工智能就像100年前的电力，会给每个行业带来巨大的影响和改变，所有行业都将面临转型。

GPT的发布更是火上浇油。 从去年11月开始，我们就一直在讨论GPT和大模型的话题，每天都可能会发布相关消息。 在中国，有人称之为“百模战争”，类似于多年前的“千团大战”。 华为、科大讯飞、百度等多家公司都推出了自己的机型。 GPT的推出激发了人们的想象力，并像当时一样迅速扩大了市场。 这意味着AI解锁的时刻已经到来，可能比我们过去想象的任何一波AI浪潮都要强大。 在这个快速变革的时代，我们需要拥抱大模式，保持好奇心，与时俱进。

我们也看到了一些很好的例子，比如微软把所有的资源和精力都投入到了人工智能领域，all-in AI。 可以说，微软已经将人工智能视为公司的战略要素。 微软将AI技术和GPT能力集成到其产品中（例如，和），这表明了他们在AI上的战略。

鉴于人工智能技术在软件研发领域的应用还相对不成熟，我们需要建立自己的人工智能战略。 作为每一个软件研发机构，我们都需要开始思考人工智能策略，并逐步建立起来。 过去，我们可能只是尝试了AI技术，但并没有将其作为战略的重要组成部分，而只是抱着尝试的心态来使用。

在软件开发中，我们还没有充分利用人工智能技术。 虽然在一些行业，比如高铁、航空等，人工智能技术的应用相对较多，但我们在软件开发方面的应用仍然不足。 因此，我们需要构建与AI相关的AI战略。 那么，如何构建呢？

我简单将AI战略的构建分为三个步骤，帮助软件研发机构构建AI战略。

首先，我们需要改变对人工智能技术的认知，重新定位其在软件开发中的角色。 过去，我们可能只将AI技术视为一种辅助手段，比如代码编写过程中的代码提示、函数名补全等。 虽然这些功能确实在一定程度上有所帮助，但它们的真正影响是有限的，而且它们只是几个方面的帮助。 在测试领域，我们使用人工智能技术进行GUI测试、API测试等。即使在单元测试中，我们也使用深度神经网络等技术。

然而，这些应用仍然只是一些点的例子，我们需要将这些点连接起来，形成一个更完整的人工智能系统。 这就需要我们从**步开始改变对AI技术的认识，将其视为一种可以覆盖整个软件开发流程的重要能力，而不仅仅是局限于某些特定功能的应用。

接下来，第二步是扩大人工智能的应用范围，逐步向更具挑战性的领域努力。 首先，我们可以从简单的应用入手，比如在开发工具中加入更强大的AI功能，提供更智能的代码补全、自动化测试等功能。 随着我们逐渐熟悉和掌握AI技术，我们可以开始探索更复杂的场景，以提高软件开发的效率和用户体验。

将其变成一个更可行的解决方案，一个真正有效的框架。 过去我们可能只是在一些特定的点上应用了一些AI技术，在GUI测试上取得了一些突破。 但现在情况不同了。 基于大型模型的技术，例如代码生成、代码审查、代码优化和代码解释，使我们能够开辟更广泛的可能性。

过去，很多遗留代码可能无人看管，因为IT人员流动率很高，所以新员工可能无法理解以前编写的代码。 但现在我们可以依靠强大的GPT或者大模型来帮助我们理解这些代码，或者回顾新人的代码。 因此，现在我们可以利用代码大模型，在现有大模型的基础上微调或者优化我们自己的代码，然后训练出适合我们应用的大模型。

两周前，华为发布了盘古模型和代码模型的演示，着实给大家带来了巨大的震撼效果。 现在，我们还可以从大型模型中为用户故事生成验收标准、测试用例和测试脚本。 这里的截图都是我亲自完成的，从头到尾。 但需要人机交互，通过适当引导和不断细化，模型可以更好地应对各种特殊和负面场景的测试用例生成。 所以，从整体上来说，我们的测试方法和过去是完全不一样的。 它采用了AI技术，更加智能。 过去我们只是在几个点上使用自动化测试，本质上是执行测试的自动化，而不是真正的测试自动化。 今天，我们可以看到真正的自动化，不用写一行代码，不用写测试用例和脚本，我们就可以通过自然语言交互自动生成测试用例和测试脚本。

在数字化转型中，我们不再把计算机技术、人工智能技术当作支撑业务运营的工具，而是逐渐将它们融合起来。 这不仅仅是简单的融合，而是更广泛的融合。 未来，或者说从现在开始，人工智能技术将成为我们数字化转型的核心技术，给我们带来更多的机会和可能。

这项技术是我们业务系统的核心力量，正如微软所说，它是决定性的技术。 不同的是，人工智能已经渗透到我们身边，它决定了企业的运营效果和竞争力，这取决于我们对人工智能技术的应用和能力。 这就是我刚才提到的，我认为此时此刻，我们正处于一个软件工程的新时代。 因此，我把传统的软件工程（以瀑布模型或V模型为代表）定义为1.0，把过去所谓的“现代软件工程”（以敏捷为代表）定义为2.0。 从今年开始，我们进入了软件工程的3.0时代，也就是大模型时代、智能化时代，或者说是真正的数字化时代，因为软件的形态发生了巨大的变化。

在1.0时代app开发，软件更多地作为一种产品而存在。 2.0时代，软件作为服务（SaaS）存在，这使得持续交付和持续集成变得有价值。 今天，软件作为一种模型而存在。 我们可以看到，一个合适的GPT模型并不局限于特定的任务，而是具有多种功能。 有了合适的GPT模型，我们就可以执行翻译、文章摘要、代码生成、测试用例生成和许多其他任务。 模型是具有多种功能特性的真实软件。 这些功能特征并不是一一开发出来的，而是模型本身所具备的。

这个时代，模型成为核心，驱动开发和运维。 在1.0时代，我们通常只有一个闭环，而在2.0时代，我们有两个圆（）。 而在3.0时代，我们有三个圈子，加入了机器学习（ML）作为驱动力。 之所以用1.0、2.0、3.0来描述，是因为它符合软件演进的过程。 开发软件也是一个逐步迭代的过程，版本（1.0、2.0、3.0……）不断演化。 未来将会有更多的AI原生开发。 因此，很多年前，我们就开始出现云原生。

因为我们进入了云计算时代，所以我们有云原生开发或者云原生平台。 未来AI也可能成为一个平台，我们将会有更多AI原生的应用。 您可能会想，什么是 AI 原生应用程序？ 这是从一开始就从AI出发，这将不同于在原有软件中加入AI技术的应用。 就像一个平台或工具是从以云为中心的角度开始的，而不是从传统的单一系统慢慢演变成云系统。 因此，如果从一开始就构建一个云系统或平台，它就会更有弹性、更有韧性，更能体现这种能力。 这与构建一个可能庞大或复杂的系统不同，因为云的力量和弹性不会得到体现。

第二步，我们从简单的角度出发，以便可以参考一些工具。 如果您认为不需要参考工具，因为有些人喜欢重新发明轮子，那么您可以自己制作，这也很好。 但我们通常鼓励使用现成的工具（如果有），就像我们对开源大型模型所做的那样。 近日，刚刚有消息称，Meta()与微软联合发表声明：Llama 2开源版本免费用于商业用途。 因此，我们可以基于开源大模型Llama 2，构建自己的大模型。 此外，与过去不同的是，我们现在认识到模型的价值，更认识到数据的价值。 因为我们模型的力量取决于良好的数据。 如果我们有好的数据，我们的模型就会有更好的能力和更准确的输出。

所以，我们首先要建立自己的大模型。 你可以基于开源大模型构建自己的模型，并在基础大模型上进行微调，但*简单的方法是直接调整API或调用其他大模型的接口。 另一种方法是利用过去积累的知识库或数据，甚至建立一个包含知识或规则的数据库来保存这些数据。 然后，我们可以通过某种方式将它们绑定到大模型上。 通过这些知识或者数据，我们可以做进一步的优化或者调整，比如利用知识库的规则来验证大模型输出结果的准确性，也可以适应我们的业务，解决大模型的时效性问题。数据。

然而，对于更有实力的大企业来说，他们会训练自己的大模型，但这是*困难、成本*高的方法。

下一步是应用这个大型模型的能力。 我们一致认为，代码是大型模型应用的重要领域。 因此，我们需要一个编程助手来帮助我们生成代码、审查代码和解释代码、以及测试。 尽管我们有编程助理和测试助理可以生成代码和测试，但开发人员和测试人员仍需要进行评审。

更进一步，我们可以找业务分析师进行业务分析，了解客户和用户的需求，帮助梳理需求。 同时，大型机型可以在运维中发挥重要作用。 微软专家将在AIDD会议上分享这方面的案例，发现线上问题，诊断异常问题，通过大模型对问题进行分类。

这样，基于大模型的工程平台就会逐渐成长起来，可以帮助我们进行任务规划。 *近也有一些研究这项工作的工作。 该平台还可以帮助我们进行自我反思，因为大型模型的短期记忆是有问题的。 通过其他手段或者提示工具，比如GPT发布的代码解释器插件，可以对文件进行存储和保存，可以增强大型模型的长期记忆能力。

我们讨论了工具的内容，*终可以搭建一个基于大模型的工程平台，进一步形成一个完整的端到端的大模型应用框架。 通过该框架强调了前面提到的数据的重要性。

在数据层面，我们需要在数据资源、数据管理和处理方面进行投入。 因为*终每个组织或团队应用的效果取决于数据的质量和数据处理能力。 数据处理还反映了数据自我管理和数据工程技能。 这里显示的大型财务模型的第二层是数据工程层。 我们应该清楚这一点，因为大数据的概念已经讨论了十年。

接下来的第三步是组织和流程的规范化。 由于人的问题一直是*困难的问题，所以我们将在第三步中处理它。 组织是可以重新配置的，我们可以根据大模型能力的应用不断缩小团队规模。 有一种极端的说法，一个强大的人可以在大模型（作为助手）的帮助下独自完成一个产品，但这很夸张，而且不需要那么多人。 我们需要更多有能力的研发人员和更多的助手，就像海军陆战队一样，拥有强大的工具和武器。

今天我们也需要好的工具来提升我们的能力，这样我们的竞争力才会有很大的不同。 所以很多初级工程师的职位基本上可以取消，但同时我们可能会招收更多的高端人才。 各种角色应该都有，包括产品经理、开发和测试职位，但还需要更高级的开发和测试人员，每个人可能还有一些助理，比如代码助理和测试助理。 通过这种方式，我们能够使团队更加精简。 这就是为什么我们提到特种部队或美国海军陆战队，他们拥有非常好的工具来支持他们的行动。 因此，他们人数虽少，却能成就大事，甚至可能比数百人的团队更有效。 这就是工具的力量。

人工智能的力量对我们来说非常重要。 其中，人机协作发挥着重要作用，而AI这个超人，并不只是作为助手而存在。 在前面的讨论中，大模型主要扮演的是编程助手、测试助手和运维助手的角色。 它也可以作为 BA 助理存在，但这并不是唯一的情况。 当你水平低的时候，也许他是你的师傅，你是他的助手。 或者说，当我们的能力相当时，我们可以优势互补。 他可能在某些方面更强斯坦福大学副教授：人工智能与火、电力、书写，而你可能在其他方面更强，这会互相帮助。 他拥有丰富的知识，几乎涵盖了全世界的知识，而你的知识却非常有限。 虽然他各方面都不比你强，但很多时候他就是你的师父。 如果涉及到建筑，他可能是你的顾问和专家，可以给你建议和意见，虽然他不能自己做建筑工作。 他可以向你传授知识，解释什么是好的设计模式，或者什么是适合你需求的设计模式。 因此，他可以提供更多的帮助。 在每个环节、不同项目、不同时期，各自的能力都会有所不同。 所以，这种合作关系就发生了变化，有时候你是他的助手，他是主宰；有时候你是他的助手，他是主宰； 有时他是助手，你是主人。 所以我认为我们应该从更广泛的角度来看待这种伙伴关系，而不仅仅是作为助理。

另一方面，确实存在一个问题，如果你用来生成代码或者测试用例，可能会不太方便，因为你仍然需要逐字输入提示词。 我们能不能有一个平台来支持这种工作，包括生成提示词的助手，甚至可以帮助你生成更好的提示词。 或者多个研发人员协作共同生成测试用例，生成更好的提示词。 这样，我们之间的合作就会更加顺利。

当然，如果您的组织不想采取任何行动，也没关系，因为五年或十年后，大多数企业将不复存在。

如果你真的想在竞争中生存下来，你可以乘坐下一趟航班，因为我们8月18-19日将举办AiDD峰会，期待你的参与。

谢谢你们！

下载演讲PPT：关注本公众号，输入“AI攻略”即可获取下载地址。

炫佑科技专注互联网开发小程序开发-app开发-软件开发-网站制作等