Узнайте, почему в эпоху AI код становится ещё важнее. Разбираем, как языки программирования и качественный код помогают моделям создавать лучшие решения. Читайте сейчас!
Многие считают, что с приходом AI код стал расходным материалом. Но на самом деле всё наоборот: компьютеры впервые по-настоящему зависят от кода. В этой статье я объясню, почему программирование остаётся ключевым навыком, и как качественный код помогает AI работать лучше.
Странно, но многие не заботятся о коде. Однако код существовал только для людей. Машинам никогда не было дела до качества кода или выразительности. Чтобы понять это, ответим на два вопроса: что такое код на самом деле и кто его аудитория?
Код — это ограниченная форма общения, с помощью которой программисты описывают свои алгоритмы и ментальные модели. Это нотация, как карта или ноты. Многие думают, что код пишется для компьютеров, но это не так. Ваш код компилируется или интерпретируется другими программами, а машинам нужен только машинный код. Все слои абстракции — это карта для людей, а не территория для машин.
Аудитория кода — вы. Код — это общение между программистами, чтобы передать идеи в форме, которую мы можем понять, поддерживать и изменять. Иногда вы общаетесь с собой в будущем. Код всегда был для людей, никогда для машин.
Почему же код внезапно стал более долговечным? Потому что компьютеры теперь зависят от кода для поиска новых решений. Раньше люди делали тяжёлую работу, а теперь сам код стал несущей частью процесса генерации ПО.
Языковые модели требуют тех же структур и подсказок, что и люди, потому что они обучены на коде, написанном людьми. Их статистические модели ожидают того же, что и мы. Для фокуса им нужны те же предварительные условия. Это означает, что всё, чего достигли хороший дизайн языков и ПО за последние три десятилетия, стало ещё более верным: структуры и синтаксис, которые элегантно выражают пространство задачи, легче модифицировать и расширять, а также легче воспринимаются моделью.
Модели разделяют некоторые наши ограничения: они чувствительны к контексту, ограничены контекстом и процветают на чёткой коммуникации. Акт программирования всегда был о возвышении этих сигналов.
Возникает вопрос: а что если появится язык, более подходящий для моделей? Это возможно, но модели хороши именно благодаря количеству обучающих данных. Любой новый язык для моделей выбрасывает три десятилетия данных и закрывает дверь для человеческого контроля. Нет смысла привязываться к более низкому уровню абстракции, когда высокоуровневые становятся более информационно плотными.
Почти случайно мы пришли к тому, что модели хороши в программировании только потому, что обучены на огромном корпусе информации, созданной для людей. Вы можете увидеть это в действии: если не направлять дизайн и заниматься чистым «vibe coding», системы быстро становятся неуправляемыми. Талантливые программисты, направляющие модели, могут создавать работы, похожие на человеческие, и продолжать совместно эволюционировать в информационно плотные решения.
Другая область, где традиционные детерминированные техники и языки программирования незаменимы — это верификация и тестирование. Именно здесь люди будут tempted двигаться быстро, потому что исторически это самый низкокачественный угол инженерии: QA.
Сейчас много разговоров об использовании естественного языка для верификации, потому что это почти всегда работает. Но когда мы имеем дело с растущей недетерминированностью в ПО, я считаю, что «почти всегда» недостаточно. Я предпочту полностью «vibe coded» реализацию в паре с традиционно запрограммированным набором тестов, чем кучу markdown-спецификаций.
Мы уже видели эту мечту в BDD с Gherkin. Gherkin провалился, потому что полагался на потери при переводе в исполняемое ПО. Человеческий язык никогда не был реальным кодом; мы всё равно использовали программиста для перевода намерения в код, который что-то проверял. Не стоит повторять эту ошибку, позволяя статистической модели редко, но иногда делать те же ошибки. Позволять большой недетерминированной машине быть драйвером верификации — ошибка. Вместо этого используйте модели для генерации детерминированных тестов, которые обеспечивают повторяемость. Всё, что должно быть всегда правильно, не должно быть на «вибрациях».
На недавнем ретрите ThoughtWorks Future of Software Engineering много говорили об «организационной знаниевой ткани». Это идея, что существует корпус организационных знаний, который нужно курировать для эффективной обработки моделями. Он находится где-то между корпоративной вики, структурированными данными и программированием, и возможно требует новой роли — корпоративного библиотекаря.
Но чем больше я думаю, тем больше понимаю, что это всё равно код. Хотя мы могли бы изобрести новую форму полуструктурированной документации, у нас уже есть такие вещи. Это markdown. А остальное — это ПО на языках программирования, которые должны становиться лучше. Поиск новых способов содержать идеи, описывающие поведение систем, остаётся важным, пока мы хотим, чтобы люди управляли этими системами.
Не бросайте программирование. Углубляйтесь в качество кода: пишите читаемый, модульный, тестируемый код. Используйте AI как помощника, но не позволяйте ему писать критически важные части без вашего контроля. Инвестируйте в автоматическое тестирование — это станет вашим конкурентным преимуществом. И помните: код жив, и он нужен как людям, так и машинам.
Хочешь закрепить знания на практике?
Решай задачи на Algolit — интерактивная платформа для обучения
Начать бесплатно →