In den letzten Jahren wurde künstliche Intelligenz (KI) im Bereich der Programmierung zunehmend weit verbreitet, aber seine Fähigkeiten haben immer noch bestimmte Einschränkungen. Kürzlich hat Max Woolf, ein leitender Datenwissenschaftler von BuzzFeed, durch eine Reihe von Experimenten festgestellt, dass die Qualität des von AI erzeugten Codequalität durch kontinuierliche Bereitstellung von Tipps für große Sprachmodelle (LLMs) erheblich verbessert werden kann. Diese Entdeckung erregte nicht nur hitzige Diskussionen im Technologiekreis, sondern erregte auch die Aufmerksamkeit vieler AI -Wissenschaftler, was die Bedeutung der iterativen Optimierung und der schnellen Wortdesign in der AI -Programmierung weiter hervorhebt.
In Woolfs Experiment wählte er das KI -Modell Claude3.5Sonnet als Forschungsobjekt. Der erste Schritt im Experiment besteht darin, das Modell ein relativ einfaches Programmierungsproblem lösen zu lassen: Wie der Unterschied zwischen dem minimalen und dem maximalen Wert der Summe jeder Ziffer festgelegt wird, beträgt 30 in einer Million Zufallszahlen. Nach Erhalt der Aufgabe generierte Claude schnell einen Code, der den Anforderungen entspricht, aber Woolf ist der Ansicht, dass in diesem Code immer noch Verbesserungen vorhanden sind.
Um den Code weiter zu optimieren, beschloss Woolf, Claude nach jeder Code -Generation iterativ iterativ zu optimieren. Nach der ersten Iteration hat Claude den Code in eine objektorientierte Pythonklasse neu und implementierte zwei signifikante Optimierungen, die den Code um das 2,7-fache schneller erhöhten. In der zweiten Iteration führte Claude weiter mit Multi-Threaden-Verarbeitung und vektorisiertem Computing ein, wodurch der Code letztendlich schneller als die Grundversion mit 5,1-mal ausgeführt wurde.
Mit zunehmender Anzahl der Iterationen verlangsamt sich die Verbesserung der Codequalität allmählich. Obwohl das Modell komplexere Techniken wie JIT -Zusammenstellung und asynchrone Programmierung in nachfolgenden Iterationen ausprobierte, führten diese Optimierungen nicht die erwarteten Leistungsverbesserungen und führten in einigen Fällen sogar zu einer Leistungsverschlechterung. Dieses Phänomen zeigt, dass iterative Hinweise zwar in den frühen Stadien die Codequalität erheblich verbessern können, ihre Wirkung jedoch nach Erreichen eines bestimmten Niveaus allmählich schwächer wird.
Woolfs Experiment zeigt nicht nur das enorme Potenzial von KI im Programm der Programmierung, sondern zeigt auch seine Einschränkungen in praktischen Anwendungen. Obwohl KI den Code durch iterativ optimieren kann, ist das Ausgleich von Leistung und Komplexität beim Entwerfen von schnellen Wörtern immer noch ein Problem, das eingehend diskutiert werden muss. Diese Forschung liefert neue Ideen für zukünftige KI -Programme und erinnert uns auch daran, dass KI nicht allmächtig ist und Strategien für die rationale Verwendung und Optimierung der Schlüssel sind.