LLM 是否消除了对编程语言的需求？

发布日期：2024-11-07 07:48:41 浏览次数： 2556

作者：AI Tooling

微信搜一搜，关注“AI Tooling”

简介

Mojo 自推出以来就受到积极欢迎，社区围绕它进行开发，我们对此感到非常兴奋。鉴于 Copilot 和 Ghostwriter 等新的大型语言模型 (LLM) 驱动的开发人员工具，许多开发人员都在思考编程的未来——当人工智能编写代码时，编程语言是否仍然重要？

这是一个很好的问题！它切中开发人员工作流程的核心，让我们能够更广泛地反思编程工具的核心目的，并鼓励我们分享我们对编码技术长期发展方向的看法。首先，让我们从三个关键维度探索编程语言的用途。

“人机”规范

我学习编码时的早期兴趣之一是了解整个堆栈的工作原理，我作为一名学生参与了编程语言的设计和实现。作为其中的一部分，我的第一个观点是编程语言是人类用来向计算机表达一段代码应该做什么的意图的抽象。我了解到源代码是编译器或解释器将其翻译成计算机可以理解的东西的“配方”。

“程序员的心理分析主要是将抽象层次从低级转移到高级的能力。从小处看问题，从大处看问题。”——Donald Knuth

从这个观点来看，编程语言应该专注于以许多人都能理解的易懂方式展示机器的功能。语言应该被设计成具有明确的解释，允许精确指定算法或设计，简洁可以让聪明的程序员快速完成很多工作。这是一些面向专家开发人员的“大”语言（如 C++）积累语法糖和核心语言功能的原因之一，这些功能可以高效地表达重要的事情。

虽然这个观点是正确的，但随着我积累了更多的经验，我意识到这只是编程语言的一部分。

“人与人”规范

我很快了解到，大多数有趣的项目都是由团队构建的，规模越来越大，以至于很难将所有代码都放在脑子里。当这种情况发生时，软件开发领域就会出现新的动态——设计讨论、代码审查和第三方库/包集成。我参与过的最好、最有成就感的软件开发总是与一群才华横溢、敬业的人一起进行的。

在这种情况下，人们很快意识到，编程语言的目的逐渐发展成为一种抽象，让一个人向另一个人表达关于程序行为的意图。这仍然需要明确的规范，但也改变了目标——一种语言应该被设计成供人阅读，而不仅仅是供其他人编写。计算机非常宽容和理解（尤其是随着法学硕士的兴起），所以我们中的许多人都受益于清晰的设计模式和易于理解的代码。大多数代码最终只被编写一次，但被许多人阅读和迭代多次。

‍“程序是供人类阅读的，只是偶尔供计算机执行。”—— Harold Abelson 和 Gerald Jay Sussman

结果就是，过于巧妙的语法糖实际上开始违背语言的核心目标。专门的语法和不常用的功能可能会让那些没有编写过代码的人难以理解。虽然 LLM 和其他工具可以帮助解码或解释过于复杂的代码，但保持单一、可读的真相来源是理想的。

“计算机到人类”规范

通过这种视角，基于 LLM 的代码生成工具就像一个新团队成员，在项目中贡献、阅读和操作代码。有许多不同的例子，具有不同的特性和功能，例如，人工生成代码的提示、审查代码并提供改进建议的 AI 专家、自动生成单元测试的工具，以及其他新功能不断涌现。这些工具的定义特征是计算机生成集成到产品中的源代码。

虽然这些功能令人难以置信，但至少在不久的将来，这些代码生成工具不会取代编程语言的现有功能。事实上，当今对语言模型的主要担忧之一是信任——在某些情况下，它们可以产生惊人的结果，但在其他情况下，它们往往存在微妙的错误，有些是不确定的。因此，设计一种可供阅读而不仅仅是供其他人编写的语言变得更加重要，这样我们人类就可以审查和批准生成的代码。

让我们考虑一些例子：如果你提示 LLM 为你构建一个处理在线购买的移动应用程序，你会在不审查源代码以确保其正确计费的情况下发布它吗？或者，更极端的是，你愿意用 LLM 编写的代码将人类送上月球吗？这引出了开发人员的终极问题——我们愿意接受什么样的错误和成本？当今 LLM 的不可靠性意味着，作为代码所有者，我们需要知道提示是否生成了具有正确行为的东西——生成的代码实际上做了什么？这也是为什么直接生成低级机器代码的 LLM 对于一般用例来说并不有趣——很少有人愿意阅读、审查和验证机器代码。

展望未来，我们希望 LLM 能够增强开发人员的体验，并随着时间的推移变得更加可靠和值得信赖。但即使事实证明这是真的，LLM 仍然无法取代对编程语言的需求。LLM 很可能成为高效（“懒惰”）开发人员的关键扩展——与从在线参考资料中复制/粘贴相比，这是一个实质性的提升。此外，虽然 LLM 很可能会自动消除编程的样板和重复部分，但总会有一些用例需要人为干预。

虽然没有人知道未来，但我们认为人类将需要在许多应用程序中参与相当长一段时间——特别是在错误率低且由此产生的成本高的情况下。

LLM 最适合输出的编程语言是什么？

那些深陷软件开发的人会发现自己被各种各样的语言包围着，这些语言旨在解决各种领域的问题。你可能遇到过用于人工智能和数据科学的 Python、用于低级编程的 C 和 C++、用于 Web 的 Javascript 或 Typescript、用于构建移动应用程序的 Swift 和 Kotlin 以及用于加速器编程的 CUDA。这些都是很有价值的语言，但鉴于 LLM 减少了关心语法可写性的需要——编程语言的哪些品质在这个新时代很重要？

我们认为，在我们走向人工智能辅助世界的过程中，编程语言有三个基本方面会使其特别有用——它在许多领域的可用性和可扩展性、现有的训练数据量以及丰富而充满活力的生态系统。让我们依次介绍一下：

语言的第一个最关键部分是语言实现的可用性和可扩展性。最适合 LLM 的语言是高度可用且易于人类阅读的语言，但其实现可以扩展到许多不同的用例和应用程序。不幸的是，许多语言实现包括排除某些应用程序的设计决策。例如，标记/清除垃圾收集不适用于低级系统软件和加速器编程，Python 和其他解释型语言在需要性能、并行性和线程时并不理想，而 JVM 或基于 .NET 的语言并不适用于需要小型和低依赖性二进制文件的用例。

为了训练能够在许多不同用例和应用程序中生成高质量程序的 LLM，我们需要一个广泛的训练数据语料库来为模型提供种子。与没有现有代码可供训练的小众或新奇语言相比，LLM 在具有大量开放示例的流行和成熟语言（如 Python）上的效果要好得多。

最后，我们认为 LLM 需要一个丰富而充满活力的生态系统。即使对于现有的基于 LLM 的解决方案，丰富的社区也已经开发了提示库、工具和专业知识，从而形成了下一代生态系统。从这个观点来看，语言应该被设计成能够解锁庞大的开发者社区——无论我们选择在这个新世界中如何定义开发者，从传统编程到指令提示等等。

当我们查看大量现有的编程语言时，我们会看到该领域的许多点，但它们都提供了针对不同细分市场优化的权衡。我们如何推动最先进的技术向前发展？在我们看来，Mojo 是成为 LLM 理想语言的有力竞争者，因为它满足上述所有三个基本方面。

我们对 Mojo 的方法

在过去 20 多年中，我们从构建其他编译器和编程语言系统（例如 Clang/C++、Swift 等）中学到了很多东西。从这些经验中，我们构建 Mojo 的目的是：

成为完全兼容的 Python 超集，受益于其易于阅读和理解的语法，并使其庞大的开发者社区已经知道如何编写 Mojo！

支持系统编程功能和硬件加速器，随着我们进入新的并行计算世界，这些功能和硬件加速器将 Python 的性能和范围扩展到新的领域。

与现有的 Python 生态系统完全集成，扩展并受益于所有现有软件包。我们还将构建无缝的 C 和 C++ 互操作性，以随着时间的推移提升（并从中受益）这些社区的工作。

提供新的高性能异构编译器和运行时实现，受益于最先进的技术。

因此，我们认为 Mojo 是 LLM 生成和输出高度可扩展代码的最佳选择，因为它结合了 Python 的可读性和可用性，但又通过强大的底层系统功能对其进行了扩展，使其能够扩展到更多硬件上并推动下一组世界应用程序和用例。

我们认为 LLM 将继续释放多种语言的创造力和生产力，但我们也相信 Mojo 将做好充分准备，将协作软件开发提升到新的水平，并将编程带入新的领域。

Mojo 还处于早期阶段——我们发布了它的 0.1 版本——但我们长期致力于此，并有明确的目标。如果您有兴趣尽早成为 Mojo 的一员，请加入我们的社区或申请帮助我们构建它！