Для розробника це може здатися нелогічним, але здатність розробляти чіткі розумові моделі проблем, які ви хочете вирішити, і розуміти, навіщо, перш ніж почати працювати над тим, як це зробити, стає все більш важливою навичкою, особливо в епоху штучного інтелекту.

Кодування - одна з тих речей, які ШІ робить найкраще. Часто ШІ може писати якісніший код, ніж людина, і його можливості швидко вдосконалюються. Комп'ютерні мови, як бачите, використовують словниковий запас, який набагато обмеженіший, ніж людські мови. А оскільки комплексність ШІ-моделі зростає в геометричній прогресії зі збільшенням набору символів, що представляють мову, яку розуміє штучний інтелект, менший словниковий запас означає швидші та якісніші результати.

Однак тут є певний підступ: код, створений штучним інтелектом, може бути синтаксично та семантично правильним, але не достатньо функціональним. Іншими словами, він може працювати добре, але робити не те, що ви хочете. Результати роботи моделі дуже чутливі до того, як написані підказки. Пропустіть помилку у підказці, і ваш ШІ видасть код, який у кращому випадку буде правдоподібним, а в гіршому - некоректним і небезпечним.

У новій дисципліні під назвою "інженерія підказок" - на цьому етапі це більше мистецтво, ніж наука - розробники вчаться створювати короткі, чіткі та зрозумілі підказки, які допомагають штучному інтелекту виконувати те, що вони задумали. Існують різні методи, наприклад, підказки з кількома прикладами, коли до підказки додається низка прикладів, щоб спрямувати ШІ на правильний шлях.

Одна з найважливіших навичок, якої я навчився за десятиліття керування інженерними командами, - ставити правильні запитання. У випадку зі штучним інтелектом це дуже подібно: якість вихідних даних великої мовної моделі (LLM) дуже чутлива до якості запитання. Неоднозначні або погано сформульовані запитання змусять ШІ намагатися вгадати, про що ви насправді запитуєте, що, своєю чергою, збільшує ймовірність отримати неточну або навіть повністю вигадану відповідь (явище, яке часто називають "галюцинацією"). Тому, щоб отримати максимальну користь від ШІ, потрібно насамперед опанувати навички міркування, логіки та абстрактного мислення - фундаментальні навички, які розвиваються завдяки філософії. Питання "Чи вмієте ви кодувати?" перетвориться на "Чи можете ви отримати найкращий код від вашого ШІ, поставивши правильне запитання?".

Якщо трохи наблизити, то залежність продуктивності ШІ від якості розумових моделей, сформульованих користувачем, який підказує ШІ, свідчить про фундаментальні зміни у відносинах між авторами і читачами, і, загалом, у нашому ставленні до знань. У певному сенсі можна провести паралель з винайденням друкарського верстата, який демократизував інформацію завдяки масовому виробництву книжок і створенню бібліотек та університетів. До появи друкарського верстата, якщо ви хотіли дізнатися про математику, наприклад, вам, швидше за все, потрібно було мати фізичний доступ до вчителя математики або доступ до рукописного тексту, який, швидше за все, можна було придбати за великі гроші. Друковані книги зробили цей бар'єр набагато нижчим, а інтернет звів його практично до нуля. Але бар'єр залишився - це розрив у знаннях між автором і читачем. Ви можете мати доступ до будь-якого паперу чи книги у світі, але від них мало користі, якщо ви не можете їх зрозуміти.

Працюючи зі штучним інтелектом, ці відносини змінюються, як і поняття авторства. LLM адаптує свій контент до рівня знань і розуміння читача, спираючись на його підказки. Підказка читача - це поштовх, який стимулює штучний інтелект створювати контент, спираючись на праці в його навчальних даних, щоб створити новий текст спеціально для цього користувача - читач, у певному сенсі, є одночасно і споживачем, і автором. Використовуючи приклад з математики, якщо ви хочете зрозуміти концепцію меж в обчисленнях, ви можете знайти підручник для старшокласників або студентів, або спробувати знайти джерело в Інтернеті, яке відповідає вашому поточному рівню розуміння. З іншого боку, модель штучного інтелекту може надати персоналізовані та адаптивні інструкції, пристосовані до вашого рівня розуміння та стилю навчання. Не виключено, що в майбутньому золотий стандарт навчання - персоналізоване репетиторство - стане доступним кожному. Наслідки цього неможливо уявити.

Генеративний ШІ змінює наше ставлення до знань, не лише відкриваючи доступ до них, але й пояснюючи їх в індивідуальному контексті. Він створює пологий схил між вашим рівнем знань і рівнем знань, необхідним для розв'язання конкретної задачі. Але можливість доступу до знань, які належним чином адаптовані і, що більш важливо, точні, починається - і закінчується - з користувача. У міру того, як знання стає легше отримати, аргументація набуває все більшого значення. Але на цьому робота ще не закінчена. Як ми знаємо, штучний інтелект може помилятися, і він особливо добре вміє видавати неправильні результати за правдоподібні, що робить здатність розпізнавати істину ще однією надзвичайно важливою навичкою. Для того, щоб відповідально взаємодіяти з технологією і отримувати відповідну і точну інформацію, ми повинні керуватися філософським мисленням і здоровою дозою скептицизму і здорового глузду протягом усього шляху.

З мільярдами транзисторів і трильйонами комірок пам'яті процес створення програмного забезпечення мав виходити на дедалі вищі рівні зі створенням комп'ютерних мов, які б абстрагувалися від складності базового апаратного забезпечення, дозволяючи розробникам майже повністю зосередитися на якості алгоритму, а не на одиницях і нулях. Сьогодні ми перебуваємо на тому етапі, коли комп'ютери (тобто ШІ) не потребують цього проміжного рівня перекладу між мовою, якою ми говоримо, і тією, яку вони розуміють. Він, швидше за все, зрозуміє нас так само добре, як якби ми говорили з ним мовою Python. Тут одразу ж з'являється два варіанти: Ми можемо лінуватися, або ми можемо розвивати наше мислення.