分享嘉宾|主办：王永刚| ChatGPT 主编|孟一丹监制| CSDN（ID：CSDNnews）ChatGPT引发的新一轮编程革命，自然语言取代编程语言，只需要写提示词/拍照片就可以生成程序在这个时代，未来的编程范式是否会像写字一样简单提示词？
程序员如果想在这场变革中立于不败之地，该如何与AI合作呢？ 3月25日，在CSDN与《新程序员》联合主办的“新程序员大会（NPCon）：AIGC与大模型技术应用峰会”上，SeedV Lab创始人兼CEO、AI工程院执行院长王永刚创新工场表示：今天所有的计算机和系统都将被人工智能重写和重新定义。这也引发了无数人的思考：未来的程序员真的会沦为提示语的编写者吗？然后通过提示词操纵AI？这是一个非常简单的范式，可以概括未来所有的AI发展吗？
王永刚给出了否定的答案，他表示，“未来人工智能的发展应该是一个多范式的发展过程。”
王永刚SeedV Lab创始人兼CEO、创新工场人工智能工程院执行院长
本文为ChatGPT整理的演讲实录，编辑略有调整：
一切都将被AI重新定义
“最近一段时间，我一直处于兴奋和焦虑的状态，十几年的NLP经验已经拉到了和刚毕业的大学生一样的门槛。我的开发体验并不比现在使用ChatGPT进行开发的大学生好多少。优势”。
我是一名从1998年开始写商业程序的老手，有十几年的自然语言工作经验和五六年的AI投资和孵化经验。现在我又开始了新的创业旅程。我呼吁大家现在就开始与人工智能合作。无论是学习、发展还是创业，赶快行动吧。技术、产品和应用每时每刻都在改变未来。
想象一下哪些公司成为近一个月来最受关注的话题？您最常听到什么类型的公司的消息？也许你会注意到，有一类公司很少出现，如——手机制造商。最近几乎所有的手机厂商都遇到了一些困难。那么这些厂商和人工智能之间有什么直接联系呢？值得深思。
作为对未来技术的期待，我希望有一款革命性的手机，以人工智能为核心，从硬件平台、上层应用到整个用户体验进行重新设计。
如果有一天Open AI 的创始人说他们将推出一款革命性的手机，我不会感到惊讶。因为我们正处于一个所有应用、计算机、计算机系统都将被人工智能重新定义的时代。蒋涛表示，未来每个人都会成为程序员、计算机设计师，我们积累了大量的工程和科研经验，也见证了大量的投资和创业案例。
未来的程序员真的只需要写提示语就可以开发吗？
最近有很多人问我一个问题：市面上出现的很多创业团队，包括美国、欧洲、中国的团队，是不是只要调用GPT的API，输入一个提示词，就可以得到惊人的功能？这种创业发展方式是真正的创业发展吗？如果大家都发展到这个水平，你的系统和产品还有技术障碍吗？
作为一名拥有多年投资经验的投资者，我也在思考同样的问题。当我面对100个项目，而且都是用Hackathon的方式在短短几个小时内创建的，甚至是几个中学生创建的，你应该如何选择投资项目？
这些项目在技术门槛上几乎处于同一水平。谁将成为AI时代的“快手”？谁将成为AI时代的“移动支付”？可能没有人知道这个问题的答案。
但我们不要再思考或纠缠这个问题了。行动比思考和讨论更有效。无论您是投资、创业、开发还是以任何形式思考，请先行动。因此，今天我带领我们团队思考一个问题：未来的程序员真的只需要写几个提示词就可以了吗？我们需要挑战并回答这个问题。
如果今天的程序员通过编程语言来控制计算机，那么未来的程序员是否只需要编写提示文字就可以操纵AI了？虽然这个简单的范式也许能够概括所有未来人工智能的发展，但我认为未来人工智能的发展应该是多范式的。
为了解释这个想法，我想给你们看两幅画。有一些人工智能算法能够画出非常漂亮的画，但是你能猜出这两幅画中哪一幅是由人工智能算法画的吗？
事实上，未来人工智能的发展将需要多种开发过程，而不仅仅是简单地编写提示词来操纵人工智能。
右边的画是由当今的AI算法生成的，而左边的画则不同。它是通过数学公式生成的，是通过分形公式生成的三维图案。
十年前，此类软件帮助艺术家创作数字艺术品，但当时它并不被视为数字艺术。虽然这种软件几乎已经不再维护了，但是它们创建的图片仍然可以给我们带来震撼的视觉体验。
我想通过这两幅画来说明一个问题：今天的AI是基于神经网络或者深度学习的数学范式下的数学拟合系统。它适合我们面对的各种文字、图像等。数据的统计模式。然而，这个拟合系统并不是唯一存在的数学思维模型。
自古希腊以来，人类就建立了一套完整的数学逻辑思维方法，从归纳到演绎，涵盖了各个数学家和物理学家的研究成果。今天，我们仍然可以通过这些美丽的公式从演绎的角度得出许多不同层次的应用结果。因此，未来人工智能的发展应该是一个多范式的发展过程。
未来人工智能编程的两种范式
如果你来自某些垂直行业，比如数学模拟、物理模拟或者大气模拟等，你会发现这些任务一般有两条路径。第一种方法是使用公式或求解方程进行模拟，第二种方法是使用与AI统计相关的统计任务进行模拟。这两项任务之间存在根本区别。它们有一些共同点，例如，它们都涉及随机性，但左边的任务更具确定性。当您求解方程或使用数学公式进行推导时，结果基本上符合预期。
右边的任务是不同的。 AI模型使用大规模统计模型，具有强大的内在特征，其中包括一个称为不确定性或非确定性的特征。这个功能是每个从事AI软件开发的人首先需要解决的问题。
有人提出了Prompt Engineering的概念。即时工程最基本的任务就是把AI从容易陷入胡言乱语的状态拉回来，让它尽可能准确地完成我要求的任务。专业工程师最基本的任务就是让右边的AI在发散性、随机性、不确定性等方面达到左边人们的期望。
在人类期望的范围内，正如蒋涛在Wolfram Mathematica这样的系统中提到的，它是可以非常精确地控制的。例如，如果你需要重新整理一张包含公司过去几万条交易数据的Excel表格，并将所有交易单位从旧会计系统转换到今天的新会计系统，如果AI在处理这万多条数据时出现怎么办？数据？一两个错误，我该怎么办？
能否及时发现AI所犯的错误和不确定性，是当下急需考虑的问题。因为人工智能系统中的错误和不确定性可能会对许多任务产生重大影响。为了解决这个问题，需要考虑以下几点：
1.设计可解释的AI系统，使AI系统的决策过程和输出结果能够更好地被理解，更容易发现错误和不确定性；
2、引入监督反馈机制，监督AI系统的输出结果，并及时返回误差和不确定性信息，以纠正和提高AI系统的性能；
3、利用集成学习、多模型融合等技术，提高人工智能系统的鲁棒性和准确性，从而降低错误和不确定性的风险；
4、建立完善的测试评估体系，定期测试和评估AI系统的性能，及时发现错误和不确定性。
这些措施可以帮助我们更好地管理和控制人工智能系统的错误和不确定性，从而提高人工智能系统的可靠性和性能。
如果我们写的程序非常扎实，那么出错的概率就会很小。然而，如果我们把一个任务交给一个不确定性较高的人工智能，就必须对其进行测试和检查，以确保它输出的结果是正确的。
另外，在没有任何即时工程、没有任何中间思维链的情况下，即使使用GPT-4生成三维坐标也会很困难。
经过指挥工程、即时思维链、工具意图等技术增强后，人工智能生成的结果将更加准确。因此，AI输出的结果必须谨慎处理，必要时进行修正。
我今天分享的主题是关于未来AI编程范式的讨论。未来的AI编程范式将不再局限于简单提示词的编程范式，而是相对复杂的项目。该项目至少包括两种编程范例：
1.适用于端到端感知任务、创造性任务和探索性任务。它可以让我们通过n对n的方式通过提示词得到结果。
2. 适用于所有强调控制、结果确定性和计算准确性的应用任务。在这种任务中，我们不能完全交给一个大模型来一次性解决问题。相反，我们需要通过插件来调用各种后台服务。当这些中间层服务调用基于数理逻辑和传统计算机算法的底层功能模块时，它们将成为未来长期的编程范式。
虽然我现在特别擅长使用提示，但我也擅长传统的计算机算法。我建议你尽快把你的算法变成GPT可以调用的插件之一，成为GPT可以使用的工具之一。
未来，人们的主要应用将是GPT或类似的AI程序，而不是人类开发的传统计算机程序。因此，人类工程师的任务是帮助人工智能开发大量能够与现实世界准确交互的插件或工具。简而言之，人类工程师的角色将在这种范式中被降级，但这是我们必须承认的现实。让我们现在就开始行动，而不是说太多，谢谢大家。
分享宾客资料：
王永刚，SeedV Lab创始人兼CEO、创新工场人工智能工程院执行院长。专注于人工智能前沿技术的研发。作为联合创始人创办了多家人工智能科技公司，其中包括上市公司，是人工智能高端应用型人才培养项目DeeCamp的发起者和领导者。王永刚在谷歌从事技术工作十余年，在自然语言处理、分布式系统、动画和游戏引擎等方面积累了专业知识。
