企业官网建设流程全解析

由程序员所精心打造的 AI 工具, 它一开始就选择将替代的目标对准了这些程序员本身。

阿里云云原生应用平台负责人、以及通义灵码负责人丁宇, 他对光锥智能说道, 大模型的编码能力, 现在就已经具备高阶程序员的那种水平了, 也就是那些月薪能够达到几万元的高阶程序员。

事实上, AI代码工具并不是一件新发生的新鲜玩意儿, 它早在之前那一次被人称作人工智能的大热潮就已经开始实实在在地被用到实际场合中去开展相关的业务活动了。

但在这个事情发生之前呢, 很多人觉得那个人工智能写的代码产品原本只是用来辅助的, 而现在这个现象变了, 现在的它能够执行比较复杂的项目, 能够去编辑很长的上下文内容, 还可以独立地去做一些简单的代码任务之类的这些事情。

商汤科技旗下的那个做人工智能代码产品的叫小浣熊家族的团队里面, 专门负责技术的负责人叫张涛的人, 他对《光锥智能》这样的媒体报道渠道是这么说的。

AI代码已经进化成为一个具备工程水平的协同编码工具, 完成了从辅助角色到独立编写代码的转变。

在这种情况之下, 不仅仅是有越来越多的公司开始使用AI代码工具去做程序相关的工作来达到降低成本以及提高效率的目标, 甚至到了2025年以后的这个时间阶段, 人工智能都有很大的可能性是把所谓的中级程序员给替代掉。

Meta的首席执行官马克·扎克伯格最近发表言论, 指出人工智能系统在二零二五年时将具备中级软件工程师级别的代码编写能力。按照规划, 这家科技巨头计划在二零二五年启动自动化流程, 以中级软件开发人员的日常工作为目标。其最终的愿景是把旗下所有应用程序的编程任务全部委托给人工智能来执行。

这并非危言耸听, 眼下, ai生成出来的代码在企业里面的渗透程度, 真的已经到达了一个令人吓一跳的高峰了。

情况是这样的, 比如像谷歌这家公司, 它那边有超过百分之二十五的新代码, 那个部分是由人工智能生成的。

再看一下科大讯飞的情况，在他们公司内部, 由AI生成的代码被采纳的比例, 这个数据从2023年10月份的时候是百分之三十的状态, 一直发展到了2024年6月份, 这个数字就上涨到了52%。同时, 他们的单元测试行覆盖率这个指标, 也从原来的百分之三十, 提升到了百分之五十。

丁宇对光锥智能表示, AI编码赛道之所以会成为大模型应用中最火的赛道之一, 这是因为人工智能编程这个领域, 是被产品市场匹配度验证过的。在这个场景之下, 人们可以发现它既有最高频的强需求, 又具备最强的确定性。可以说, 在大模型的应用落地方面, 它就是最核心的那个点。

正是因为这个原因, 现在有更多的企业着手在人工智能辅助编程的领域进行投资。一些处于领先地位的大科技公司, 像微软、谷歌、亚马逊云科技、阿里和百度这些名字, 已经跑在了最前头。

然而, 市场上同时出现了特别多的相似产品, 这就引发了同质化竞争的麻烦局面。对于未来究竟应当怎样才能成功地脱颖而出, 这是一个值得思考的问题。另外, 怎样能够做到真正的、大规模的商业化成功应用, 也是一个需要解决的问题。

在2024年的8月份, 有一位来自美国知名企业的副总裁名叫Ricky, 他的女儿是一个刚刚8岁的小小女孩, 这位年仅8岁的小女孩只用了45分钟的时间就开发出一款聊天机器人, 这一举动引发了网络上多达180万网友的在线关注。

她正在使用的这个AI代码编辑器, 突然间就红得发紫了、变得特别火起来了。这种情况, 让AI编码这一个赛道再次变成了行业里大家都盯着看的焦点所在。

在全球范围内, 有数据显示的情况是, 大约有二百五十家初创公司推出了 AI 编码助手。在国内, 阿里巴巴、百度、腾讯、字节跳动等互联网大厂推出了相关产品, 科大讯飞、商汤科技等独角兽企业推出了相关产品, 甚至, AI 大模型创业公司智谱 AI 也推出了相关产品。

如今, 像雨后的春笋一样, 各种由智能技术打造的代码产品都冒了出来。这背后是因为大模型给这些用来写代码的智能工具带来了实打实的能力升级和真正的变化。

早期的人工智能代码工具, 主要的作用是能够执行那些相对简单的任务。举例来说, 它们可以根据程序员所写下的注释, 来自动补全剩下的代码内容。又或者说, 是在程序员进行编程操作的整个过程中, 随时提供关于代码错误的提示消息。

伴随着大模型能力的不断升级, AI代码工具能够去解决的问题变得越来越多。例如, 它已经基于存量工程实现了维护和升级的工作。“现在, 某些研发任务已经能够由AI实现自主化了。”丁宇如是说。

比如说, 那些大的语言模型可以把人类给出的指令当成自然语言去理解, 然后根据具体的工程背景情况, 自动地去把复杂的代码编写任务给完成掉, 像是同时修改前端和后端的那些多个文件, 还有执行脚本、编写测试用例、部署代码这些活儿。

丁宇是这样说的, 在最开始的时候, 通义灵码是作为一个编码助手的样子出现的, 它主要是给程序员提供一种辅助的帮助, 它是会根据那些代码的上下文信息, 来帮助程序员在研发的过程里面自动地把代码给补全的。

然后到了2024年年底的时候, 通义灵码升级成了2.0的版本, 变成了一种AI程序员的那个样子, 也就是变成了一个协同编码助手, 它现在能够和人类程序员一块儿去进行工作了, 它能够感知到整个工程的情况, 然后根据具体的场景任务去做批量文件的修改工作, 这样就实现了能力上面的一次非常大的跨越和提升。

关于从AI代码工具助手升级为AI程序员这一点, 前者的代码生成的主力还是人, 而后者的代码生成则逐渐转向以AI为主, 人类在其中主要起到监测和确认的作用。

在此之前, 主要的工作方式是由人来编写代码, 而AI只是辅助做一些简单的、可预测性强的、重复性的工作, 现在不一样了, 可以通过进行需求描述, 让AI来理解和帮助程序员完成一些中等难度的代码开发工作, 这一点也是张涛所说的内容。

另外, 在多模态大模型的进化过程里面, 还有在深度推理大模型的进化过程里面, 因为多模态大模型、深度推理大模型这样的发展情况, 所以AI代码工具这个方面的能力也在不断完善的这个过程里面进行着完善。

商汤小浣熊家族里面的那个叫做“办公小浣熊”的产品, 它除了可以去做基于大模型的数据处理, 还有数据分析, 也包括文档创作, 除此之外, 它还能够去生成一些数据上面的图片, 也能直接生成PPT这样的文件, 这其实就是一个综合体现, 把这个多模态的能力给输出出来了。

多模态输入是同样重要的, 很多工具类产品如果仅仅是通过语言描述来进行交互的话, 那是很难准确地实现需求的, 这是因为当我们把内容变成文本形式的时候, 会出现语言表达上的信息损失的情况, 而且大模型当前自身是在语义理解能力方面存在欠缺的, 还存在各种幻觉问题等等, 这些情况也是限制了AI代码工具的能力边界的, 所以直接以图像或者视频这样的方式作为视觉方面的输入到大模型那里的话, 则是能够更高效地完成任务了。

张涛就如此这般地讲说道。

与此同时, 凭借多模态大模型的支持, 人工智能代码工具得以完成一项端到端的全栈功能落地, 这一过程的跨度, 是从处理文本生成图像一直延伸到了直接生成完整的代码。

我们可以拿网站设计来举个例子。设计师会先使用文生图这种手段, 把前端的视觉效果图画出来。然后, 把这些视觉稿直接交给大模型去处理。大模型能够把看到的视觉效果图转换成前端页面的代码。接下来, 还需要考虑前面页面里包含的那些功能是什么。大模型就能根据这些具体的功能点, 自动地把后端的代码也给写好了。

丁宇表示, 现在人工智能编写代码的能力已经非常强了, 它有能力处理那些特别复杂的任务, 同时也抹平了关于技术和知识的差距, 举个例子来说, 它能够把前端部分和后端的逻辑一起都写出来, 这种做法打破了过去那种把前端的开发人员和后端的开发人员分开来合作的旧局面, 所以效率提得非常快, 不仅如此, 等代码被写好之后，人工智能编写代码的这个工具还能接着帮程序员去自动生成测试用的东西, 一直到最后, 再把经过修改好了的测试结果给返回回来。

虽然人工智能已经可以自己生成部分代码, 可是在实际搞的时候, 人家写出来的这些代码, 压根就没法一次就跑通, 里面还有很多程序漏洞的问题。

浙江大学的一名博士生陈荣, 他的研究方向是人工智能, 现在还处于在读阶段, 这个人用了化名叫陈荣, 他对着光锥智能说了这么一段话, 他的原话大意是这样的, 他说那些稍微复杂一点的代码，通常都是有bug的, 基本上不太可能一次就运行通过, 如果我们从技术逻辑这个方面去进行分析的话, 可以把这个情况理解为大家把模型的生成过程看作是像翻译任务那样在进行操作, 它最终输出的一串字符其实就是代码序列, 但是在这个过程中, 模型很有可能没有把代码运行的环境等各种影响因素考虑周全。

这背后的原因, 主要可以分成两个方面来看。第一个方面是, 大多数的普通人, 很难把自己真正想要的东西, 说得特别清楚、明白。这一点不奇怪。哪怕是那些已经干了很多年的程序员, 在编写代码的时候, 也经常会遇到需要反复去修改的情况。

另一方面, 大模型目前的语义理解能力存在不足, 加上出现幻觉问题的情况, 这就把AI代码工具的能力上限给限制住了。

所以呢, 张涛就说了那么一句话, 意思是大家看清楚了, 就算是在那个模型的上下文窗口允许的范围里面, 大模型是能把万行级别的代码给理解了的, 可是AI代码到底能干到哪儿、能力边界在什么位置这个问题, 还是很难说清楚、很难界定明白的。

就犹如人类程序员在编写测试代码的时候, 需要进行多次反复的修改和调试那样, 在由人工智能生成代码的过程里, 也可以采取与系统之间进行多轮交流的这种方式, 以此来有效降低代码中存在潜在错误bug的数量。

丁宇表示, AI编码并不是生成一次性的最终结果, 而是需要和大模型进行多轮交互，通过反复迭代来完成任务, 在与大模型联合编码的整个过程里, 会持续地进行思考、推理和探索, 等多轮交互且修改结果正确以后, 还能自主地展开测试, 并对代码进行部署和使用, 从而完成全生命周期的任务。

虽然当下的那些人工智能辅助编程工具产品, 还是存在一些不好用的地方, 但是有越来越多的大公司开始引入这种用人工智能写的代码的工具了, 就是那种价格便宜而且活儿干得不错的。这样的人工智能代码工具不仅让写程序的人编代码的速度变快了, 也帮助公司减少了花费并且增加了效果。

大型项目中的“螺丝钉”，AI为程序员提效超10%

大模型给AI代码工具带来的这种进化, 使得编程的门槛变得更低了。

眼下来说, 人工智能技术已经具备了自己进行代码撰写的本事, 而这些本事主要可以归结为三种基本情形。

从实际应用的角度进行观察可以发现, 上述种种场景在总体上的代码数量其实是处于较低水平的, 并且它们在真实开发过程中的困难程度也非常有限, 同时对于从事开发的这些人员所具备的编程理论知识水平的要求也是相对较低的。

毫无疑问, 人工智能代码工具的广泛使用, 实实在在地减少了大家在进入编程领域时的障碍程度, 这就使得那些本来就完全不具备编写程序基础的人员群体, 现在也有机会去真正了解和接触代码编程的具体操作模式了, 同时这些人群还完全可以凭借自身能力进行一些产品功能模块的独立开发工作。

然而, 尽管人工智能代码工具降低了编程入门的门槛, 但是, 程序员还是需要提升自身在编程能力方面可以达到的最高水平, 特别是在应对更加复杂的软件开发工作, 以及大型企业级系统的软件开发任务的时候。

来自金融科技领域的程序员肖肖, 他使用了一个化名, 对着光锥智能讲了一番话, 他说在处理一个公司内部的那些工程化项目的时候, 其实很难把全部的事情都直接放手交给人工智能去做, 原因是那种工程化的项目它包含的流程特别的多, 同时还需要好几个不同的部门一起进行合作以及协调, 而现在的人工智能系统它是没有办法看清整个事情全貌的。

很明显地能够看到, 大模型在企业当中所处理的更多的是那些脏活以及累活的范畴, 涉及到全局性质的工作与创新性工作的任务内容, 仍然还是亟需通过人类程序员来进行操作和完成。

程序员的工作任务, 它并不是单纯地去弄出个小型的项目来这么简单的, 他们实际上是需要面对那些生产线上的代码, 这时候整个项目文件的上下文状况就会变得非常错综复杂, 同时代码里面存在的那些相互关系也会显得相当繁杂, 并且, 这些程序员对于代码本身的质量还持有着他们自身所要求的一些标准。

张涛他对此进行了这番表述。

这种现状意味着, 对于企业里面的编程人员来说, AI用来写代码的这类工具在大多数情况下还只是一些帮忙的角色, 可是这样一来, 也间接地把这些编程人员干活的最低水平给撑高了, 因为像那些特别简单且重复干活的事情, 用AI基本上都能够处理好的。

丁宇坦言, 让AI直接生成一家银行所有业务相关的10万个代码文件, 这在目前肯定是做不到的。

在如今企业的大型项目中, AI进行编码工作肯定是从小任务开始的, 它会找到一个切入点, 比如去实现一个功能模块, 或者在一个包含百万行代码的工程中去查找安全漏洞, 在这些方面, AI能够做得非常准确, 而且速度非常快。

另外, 行业里面都很清楚这一点, 面对大型企业的这类项目而言, 最担心的情形便是系统所具备的那种不确定性因素, 要是真的出现了系统层面的bug缺陷问题, 那么极有可能会导致在资源调配环节以及经济损失方面产生非常巨大的负面后果。

所以在丁宇觉得这个观点是: 大型工程还是离不开人类程序员去把握软件开发过程里头的那些不确定性状况, 就拿架构设计、领域建模这样的事儿来说, 还得靠人；同时, 要把那些已经定了性的内容给它拆分开, 比如像模块开发、去找安全漏洞、再补充一些测试用例这类活儿, 然后交给AI去做, 让AI按照人类给它们的指令, 去操办这些确定性的工作。

虽然它的角色仅仅是扮演辅助的位子, 可是这个人工智能编写的代码工具这个东西, 也实实在在地给那些搞开发的同志们以及各类公司企业带来了一个相当明显的效率上面的提高。

我们以阿里云作为具体的例子来说明情况, 目前所有技术人员都已经全面在使用通义灵码这一工具了, 其月活跃用户占比超过了82%, 而每天由AI生成的代码数量占据了总提交代码量的30%以上。

可以根据这些现有的数据做一个大致的推算, 得出人工智能对提升开发人员工作效率的贡献率大概为17.5%, 要是再打个折扣的话, 这个数值也会处于10%到15%的区间之内。

所以, 丁宇表示他每次面对企业负责人的时候都会进行沟通, 他会说明通义灵码这一工具具备帮助工程师团队提升百分之十以上效率的作用, 这就代表着一种对应的关系, 如果某一个企业里面有100位工程师在应用这个名为通义灵码的软件, 那么该企业就可以多获得相当于10个工程师所提供的生产能力。

另外一点需要注意, 人类程序员这个群体是存在细分和分类的, 像前端开发者和后端开发者就是典型的例子。

如果我们非要让一个原本从事后端工作的工程师去承担前端的任务, 那么很有可能需要为这位后端工程师安排大量的培训学习环节。由于这样做的必要性在于补足其技能差距, 所以这个人是不可能立刻就接手下来前端程序员的相关工作的。

但当程序员拥有了AI代码工具之后, 只需要向AI进行询问, 就可以很轻松地学习各类语言平台的研发知识, 从而快速地上手工作。以前开发一个项目可能需要花费两到三周的时间来进行预研, 但现在只要在两三天之内就能把任务完成, 这让员工能够实现从1到N的能力增长。丁宇是这样说的。

当然, 对于人工智能这个领域来说, 它还能够助力人类程序员群体去承担更多那些具有重复性特征的工作任务。比如很多软件开发者们其实都不愿意亲自去编写测试相关的代码。因为在广大程序员的角度看来, 这些工作是属于没有创造性成分的内容。但是在实际的软件开发流程中, 这些内容又是不得不去完成的环节。

现在的人可以这么理解, AI代码工具这事儿挺有用, 它能把程序员写好的代码当成输入的提示, 然后自己去生成单元测试, 就这么简单地就解放了开发者, 让开发者能够把宝贵的精力集中到有创造性的工作上去。

另外, 对那个企业来讲, 除了那种看得见的价值有提升之外, 还有那种看不见的、隐性的东西在那儿摆着, 就是这个AI代码工具, 能让这个企业更容易去保持软件系统的好品质, 而且还能长期稳定下来, 它这个东西, 不光能把那个单元测试给补全了, 还能够自己主动地去发现安全上面有没有漏洞, 然后给出个修复的建议, 这样的话不仅提升了质量, 还缩短了那个项目交付所需要的时间周期。

更有意思的情况出现在现在这个时候, AI写代码的本事, 如果在旁边借助外部的工具来用, 就已经慢慢超过了那些水平中等程序员, 商汤小浣熊这个底层模型的特点之一就是, 把代码解释器这方面的能力给加强了, 让模型可以自己实现调试代码还要迭代更新的工作。

张涛说, 在比较复杂的工作项目里, 要是只靠着大模型去推算然后生成代码, 那么一次就成功的概率不会太高。通常来看, 这个比例一般都不会超过百分之二十。

但是, 办公小浣熊是用代码解释器的方法来处理的。它能在日常的图表这些事情上展现出能力来。在这样的情况下, 它生成的代码通过测试的比例, 已经快要达到百分之八十了。

AI编码赛道开始分化，细化场景的创新决定成败

现在, AI编码这项技术已经算是经过了PMF这个验证环节的落地方向了, 这也就导致了市面上出现了很多别的玩家都来切进到这一赛道里去这种情况, 然后就造成了那种出现大量同质化类型产品的问题。

目前, 在中国市场里, 很多企业, 包括那些互联网的巨头企业、中小企业和搞大模型的大创业公司, 一个个地都推出了AI代码产品, 比如阿里云的通义灵码、百度的文心快码、字节跳动的豆包、腾讯云AI代码助手, 还有智谱AI出的这些。

现在市面上推出的AI代码相关的商品种类特别多, 可是每一家所提供的功能本事方面, 它们之间的差异并不是很大的, 目前市场当中存在着的同质化现象是比较严重的, 功能实际上是差不多的, 这主要是因为毕竟各家的编程类的商品都希望能够去解决用户所遇到的那些问题的, 这一点都是一样的, 张涛这样说到。

然而, 伴随大模型技术的持续迭代与升级, AI编码这一领域也逐步进入了呈现差异化的中间阶段。张涛表明, 从目前的情况来看, AI代码开发这条赛道之中, 已经涌现出了多种多样的具体实现路径。

产品存在多种形态, 比如能够基于用户自行改造的开源IDE进行完整的任务编程。另外还有类似Bolt.new这样的工具, 它是以上的线形式提供服务的, 在这种情境下用户负责描述需求而由AI来完成网页开发工作, 但是这类工具的功能范围通常仅限于前端技术栈相关的内容而已。

在当前的时间点, 大家都比较清楚地看到情况, 各个不同的产品, 已经开始去寻找不一样的细分场景, 并且构建属于自己的产品优势, 来让实现差异化发展的目标, 这个状态是存在的, 有的更擅长做网页开发这件事, 有的更擅长做对已有项目的代码进行一些修改的任务, 还有的可以做一些小工具方面的开发工作, 或者是低代码的相关工作内容。

丁宇他觉得软件这玩意儿研发起来, 里面有很多很多的场景, 也有好多好多个细分的领域, 所以企业呢, 其实可以从各种不同的切入角度进去, 去做那个细分场景里面的创新, 或者是去做产品形态方面的创新。

至于各家AI代码工具产品, 它们在功能场景这个方面进行了细分。这种细分做法会给各自的产品带来商业层面的不同结果。各企业的商业化侧重点也就因此并不完全相同。

比如在商汤科技的小浣熊家族里面, 办公小浣熊这个产品主要就是集中力量做办公工具这一类赛道。那么在现实里的商业应用落地方面, 情况就是C端的用户和B端的客户两边是同时在进行推进的。

这里面的情况是这样的, 面向消费者的C端主要采用的是付费订阅这种方式, 而面向企业与单位的B端则主要是进行私有化部署的安排, 当前的数据显示, 已经有接近40家客户选择了私有化部署这些客户当中包含一些体量非常大的互联网厂商在内。

然而, 张涛这边也是特别看好那个C端赛道的市场潜力, 从目前的情况来看, C端产品的推广效果已经超过预期的水平了。

从场景功能方面来看, 到商业化落地方向上去分析, AI编码这个赛道里面都已经开始出现分化的现象了, 不过这并不意味着它就是AI代码行业未来发展过程的最终形态内容。

伴随着大模型这种技术在能力方面的持续去进行迭代, 那么下一步的AI代码是要去能够实现一个叫做是自主编程的一个状态, 这个状态的意思是什么?

就是这个代码不会去仅仅只是去辅助程序员去做那个开发了项目这一件事情了, 它而是有能力去自主地直接去接受那些独立出来的需求。然后呢, 它再去把这个完整的整个项目任务给它完成掉。

丁宇表示, 未来的趋势是一定会走向由人工智能主导的自主编程工作模式。这种变化同时也代表了它将为企业以及相关领域的开发技术人员创造出高达十倍的信息技术生产力增长空间。