أستاذ جامعي يوضح تفكيك الذكاء الاصطناعي التوليدي: هل Vibe Coding ليس بهذه الروعة؟ ما هي أفضل طريقة لكتابة البرامج باستخدام الذكاء الاصطناعي؟

في ظل التطور السريع للذكاء الاصطناعي التوليدي، يشعر الكثيرون بالحيرة حول ما إذا كان ينبغي عليهم الاستمرار في تعلم البرمجة، حيث قام الأستاذ في برنامج GQ magazine بتحليل مبدأ LLM وراء ChatGPT، مشيرًا إلى قيود Vibe Coding.

الأستاذ يوضح بشكل مفصل تقنية الذكاء الاصطناعي التوليدي، ويعلمك الفهم الصحيح لـVibe Coding

مؤخرًا، شاركت GQ Taiwan على قناة YouTube فيديو، دعت فيه بشكل خاص أستاذ علوم الحاسوب في جامعة كاليفورنيا بيركلي (UC Berkeley) Sarah Chasins، للرد على العديد من تساؤلات المستخدمين حول البرمجة والذكاء الاصطناعي.

في ظل التطور السريع للذكاء الاصطناعي التوليدي، يشعر الكثيرون بالحيرة حول ما إذا كان ينبغي عليهم الاستمرار في تعلم البرمجة، حيث لم يقتصر حديث الأستاذ Chasins على شرح المبادئ التقنية فحسب، بل قدم أيضًا ملاحظات عملية حول ظاهرة “Vibe Coding” التي ظهرت مؤخرًا.

الأستاذ يوضح مبدأ تقنية LLM وراء ChatGPT

أولًا، تشرح الأستاذة Sarah Chasins بطريقة يفهمها الجمهور، آلية عمل ChatGPT.

يعتمد ChatGPT على نماذج اللغة الكبيرة (LLM)، والمنطق الأساسي لعمله بسيط جدًا، وهو عبارة عن برنامج مسؤول عن تجميع الكلمات التي تتوافق مع بعضها البعض.

مطوروا LLM، يبدأون بجمع جميع المستندات والصفحات على الإنترنت التي كتبها البشر، وهذه البيانات تمثل التراكيب اللغوية المعقولة في الإدراك البشري.

ثم، يتم تدريب البرنامج على لعبة “ملء الفراغ” بشكل واسع. على سبيل المثال، سترى جملة مثل “الكلب لديه أربعة [فراغ]”، والإجابة المنطقية وفقًا لإدراك الإنسان هي “الكلب لديه أربعة أرجل”، ولكن إذا خمن البرنامج بشكل خاطئ، يقوم المطورون بتصحيح ذلك حتى يجيب بشكل صحيح.

بعد تدريب يستغرق وقتًا يعادل 300 إلى 400 سنة من حسابات الأرض، ينتج البرنامج في النهاية نسخة ضخمة جدًا من “ورقة غش”، وهي ما يُعرف عادةً في عالم التكنولوجيا بـ"المعلمات".

بعد ذلك، يكفي فقط تقديم ملف بصيغة الحوار، ليتمكن هذا البرنامج الماهر في ملء الفراغات من التحول إلى روبوت دردشة، ويقوم تلقائيًا بإكمال ردود الإنسان بناءً على المنطق.

المصدر: صورة مولدة بواسطة AI من Nanobanana، للاستخدام التوضيحي فقط، نرجو تفهم أن بعض الأحرف الصينية غير واضحة

أفضل الطرق لتعلم البرمجة في عصر الذكاء الاصطناعي

في مواجهة القدرات القوية لأدوات الذكاء الاصطناعي، يتساءل الكثيرون عن ضرورة تعلم البرمجة. يرى الأستاذ أن المهارة الأساسية في تعليم البرمجة تكمن في “تحليل المشكلة”، أي تقسيم مشكلة غامضة إلى أجزاء صغيرة، حتى يمكن حل كل جزء باستخدام بضع أسطر من الكود.

بدون هذا التدريب، سيكون من الصعب على المستخدمين استخدام أدوات الذكاء الاصطناعي لإنتاج برامج معقدة تعمل بشكل حقيقي. بالإضافة إلى ذلك، فإن بيانات تدريب LLM غالبًا ما تكون بأسلوب مهندسي البرمجيات، وتستخدم لغة غير مهنية، وغالبًا لا تتطابق مع اللغة اليومية للمستخدمين غير المتخصصين، مما يؤدي إلى صعوبة في توليد أكواد مفيدة من قبل الذكاء الاصطناعي.

أما بالنسبة لكيفية تحقيق أقصى استفادة من الذكاء الاصطناعي في كتابة البرامج، يقترح الأستاذ Chasins اتباع ثلاث خطوات:

1. تصغير المشكلة: تقسيم المشكلة إلى حجم لا يتجاوز 5 أسطر من الكود.
2. استخدام الكود الوهمي (Pseudo code): وهو نوع من الصياغة التي قد تستخدم عدة لغات برمجة، وتصف المنطق بطريقة تواصل مع الذكاء الاصطناعي، على الرغم من أن الكود الوهمي يشبه اللغة الطبيعية، إلا أنه ليس اللغة التي نستخدمها يوميًا، والغرض منه هو جعل الحاسوب يفهم المنطق بشكل أدق.
3. وضع خطة للتحقق: من خلال اختبارات مكثفة أو مراجعة احترافية لضمان صحة المخرجات التي ينتجها الذكاء الاصطناعي.

المصدر: صورة مولدة بواسطة AI من Nanobanana، للاستخدام التوضيحي فقط، نرجو تفهم أن بعض الأحرف الصينية غير واضحة

هل Vibe Coding بهذه الروعة؟

بالنسبة لظاهرة Vibe Coding التي تعتمد على توليد الكود مباشرة بواسطة نماذج LLM بدلاً من كتابة الكود يدويًا، فإن الأستاذة Sarah Chasins تتخذ موقفًا حذرًا.

تحلل أن هذه الأدوات تؤدي أداءً جيدًا عند التعامل مع المحتوى الروتيني الذي كتبه البشر مئات المرات، ولكنها غالبًا لا تصلح لأي شيء مبتكر.

وتستشهد بأبحاث تشير إلى أن الأشخاص الذين يستخدمون أدوات LLM كمساعدين، يعتقدون أن كفاءتهم زادت بنسبة 20%، لكن في الواقع، يكون معدل التطوير لديهم أبطأ بنسبة 20% مقارنة بمن لا يستخدمون الأدوات.

وهذا يدل على أن الاعتماد المفرط على الأدوات قد يعطي وهمًا بزيادة الكفاءة، وعند مواجهة متطلبات برمجية غير مألوفة، إذا افتقر المستخدم إلى مهارات تحليل المنطق الأساسية أو المعرفة بالمبادئ الفيزيائية، فلن يتمكن من تصحيح أخطاء الذكاء الاصطناعي، مما يؤدي إلى استغراق وقت أطول في النهاية.

كمثال بسيط، LLM يشبه سيارة ذات قيادة ذاتية عالية المستوى، يمكنها التعامل مع الطرق الشائعة، ولكن إذا لم تكن تعرف كيفية تحليل المسار، أو لم تفهم المبادئ الفيزيائية لعمل السيارة، كما هو الحال في تحليل منطق البرمجة، عند مواجهة طرق خطرة لم يسبق لك رؤيتها، مثل متطلبات برمجية مبتكرة، فإن القيادة الذاتية قد ترتكب أخطاء، وأنت أيضًا ستعاني من نقص المهارات الأساسية التي تمنعك من تصحيحها.

قراءة إضافية:
الذكاء الاصطناعي يُمكن شركة فردية من الظهور! “Vibe Coding” يغير قواعد اللعبة، حتى الفرق الصغيرة يمكن أن تحقق أرباحًا تفوق المليار