با ادغام قابلیت‌های هوش مصنوعی مولد در برنامه‌ها، می‌توانیم مکانیزم‌هایی را ایجاد کنیم که پیش از این با برنامه‌های سنتی قابل دستیابی نبودند.
علاوه بر این، با توانایی هوش مصنوعی مولد در تولید خودکار برنامه‌ها، می‌توانیم برنامه‌هایی را بر اساس ایده‌های خود به راحتی و آزادانه ایجاد و اجرا کنیم.
تا کنون، من سیستم‌هایی را ایجاد کرده‌ام که می‌توانند مقالات وبلاگ من را به انگلیسی ترجمه کرده و در وبلاگ‌های انگلیسی منتشر کنند، ویدئوهای توضیحی از ویدئوهای ارائه ایجاد کرده و در یوتیوب بارگذاری کنند، و سایت‌های وبلاگ خودم را با فهرست‌ها، دسته‌بندی‌ها و برچسب‌ها تولید و منتشر کنند.
به این ترتیب، سیستمی که از محتوای اصلی به عنوان ماده خام استفاده می‌کند و ویژگی‌های هوش مصنوعی مولد را برای تولید محتواهای مشتق شده مختلف در خود جای می‌دهد، می‌تواند یک کارخانه فکری نامیده شود.
همچنین، من یک برنامه وب برای مدیریت و نظارت بر وضعیت این کارخانه فکری توسعه داده‌ام که هم بر روی رایانه‌های شخصی و هم بر روی تلفن‌های هوشمند قابل استفاده است. علاوه بر این، بخش‌هایی که پردازش خودکار را در پاسخ به رویدادها انجام می‌دهند، بر روی ماشین‌های مجازی که برای پردازش دسته‌ای در بک‌اند آماده شده‌اند، اجرا می‌شوند.
بنابراین، من به تنهایی رابط کاربری (فرانت‌اند) رایانه شخصی و تلفن هوشمند، بک‌اند سرور وب، پردازش دسته‌ای بر روی ماشین‌های مجازی، و زیرساخت‌های مربوط به آنها را، همگی با حمایت هوش مصنوعی مولد، توسعه دادم.
این تنها مهندسی فول‌استک نیست؛ می‌توان آن را مهندسی همه‌جانبه نامید، زیرا شامل توسعه جامع جنبه‌های مختلف سیستم می‌شود.
علاوه بر این، هنگام بهبود قابلیت استفاده از برنامه وب توسعه یافته یا افزودن ویژگی‌های جدید، می‌توانم برنامه‌نویسی را به هوش مصنوعی مولد بسپارم و این امکان را فراهم کنم که بهبودها به راحتی در حین استفاده از آن انجام شوند.
این امر نرم‌افزار را حتی انعطاف‌پذیرتر و روان‌تر از نرم‌افزارهای سنتی می‌کند و به من امکان می‌دهد چیزی را ایجاد کنم که کاملاً با الگوهای استفاده من مطابقت دارد. من این را "نرم‌افزار مایع" (liquidware) می‌نامم.
من در واقع اینها را توسعه داده‌ام و در حال حاضر از آنها استفاده می‌کنم. آنها صرفاً مفاهیم نیستند، بلکه از قبل یک واقعیت در توسعه نرم‌افزار هستند.
اگرچه هنوز آن را توسعه نداده‌ام، اما پیش‌بینی می‌کنم که در حوزه سیستم‌های تجاری، روش توسعه‌ای که به عنوان "توسعه مبتنی بر فرآیند کسب‌وکار" شناخته می‌شود، به واقعیت تبدیل خواهد شد.
این رویکردی است که به دنبال بهینه‌سازی کلی برنامه‌ها نیست که منجر به پیچیدگی سیستم‌ها می‌شود، بلکه ماژول‌های نرم‌افزاری را بر اساس فرآیندهای کسب‌وکار منفرد تقسیم‌بندی می‌کند.
تنها تعریف چارچوب اصلی رابط کاربری، مدیریت مجوزهای کاربر، و مدل‌های داده‌ای که باید بین فرآیندهای کسب‌وکار به اشتراک گذاشته شوند، به عنوان چارچوب بیرونی سیستم کسب‌وکار به اشتراک گذاشته می‌شوند.
سایر پردازش‌های داخلی سیستم و داده‌های موقت در سطح فرآیند کسب‌وکار مدیریت می‌شوند.
این ممکن است شامل توابع و ساختارهای داده‌ای باشد که می‌توانند توسط دو یا چند فرآیند کسب‌وکار به اشتراک گذاشته شوند. با این حال، اگر اینها به ماژول‌های مشترک یا کتابخانه‌های سفارشی تبدیل شوند، در حالی که قابلیت استفاده مجدد کد و کیفیت بهبود می‌یابد، ساختار نرم‌افزار پیچیده می‌شود و تغییرات مستلزم بررسی مداوم تأثیرات بر سایر فرآیندهای کسب‌وکار است.
در شرایطی که هوش مصنوعی مولد برنامه‌ها را به طور خودکار تولید می‌کند، عیب دوم بر مزیت اول غلبه می‌کند. بنابراین، رویکرد مبتنی بر فرآیند کسب‌وکار، که بر بهینه‌سازی فردی به جای بهینه‌سازی کلی تأکید دارد، منطقی می‌شود.
علاوه بر این، واحدهایی مانند "ورود اطلاعات پایه کارمند جدید"، "به‌روزرسانی اطلاعات پایه کارمند" و "جستجوی کارمندان بر اساس نام" را به عنوان فرآیندهای کسب‌وکار جداگانه تصور کنید.
در روش‌های توسعه سنتی، رابط‌های کاربری مربوطه، فرآیندهای فرانت‌اند، فرآیندهای بک‌اند و فرآیندهای دسته‌ای در فایل‌های مختلف در دایرکتوری‌های مختلف از هم جدا می‌شوند. علاوه بر این، هر یک توسط مهندسان مختلفی توسعه می‌یابند.
با این حال، زمانی که یک مهندس واحد مهندسی همه‌جانبه را انجام می‌دهد و در عین حال برنامه‌نویسی را به هوش مصنوعی مولد می‌سپارد، منطقی‌تر است که کدهای مورد نیاز برای یک فرآیند کسب‌وکار را در یک فایل یا پوشه واحد یکپارچه کنیم.
علاوه بر این، نتایج تحلیل نیازمندی‌ها، مشخصات آزمون، نتایج آزمون، و سوابق بازبینی نیز می‌توانند در همان مکان یکپارچه شوند.
این امکان را فراهم می‌کند که تمامی خروجی‌های مهندسی نرم‌افزار بر اساس هر فرآیند کسب‌وکار مدیریت شوند. و از آنجا که نیازی به در نظر گرفتن بهینه‌سازی کلی نیست، بهبودها می‌توانند در داخل آن فرآیند کسب‌وکار متمرکز شوند و فرآیندهای کسب‌وکار جدید به راحتی به سیستم کسب‌وکار اضافه شوند.
به این ترتیب، توسعه برنامه و آنچه با برنامه‌ها قابل توسعه است، به دلیل هوش مصنوعی مولد به طور قابل توجهی در حال تغییر است. این یک امکان آینده نیست؛ بلکه از هم‌اکنون یک واقعیت کنونی است، و در آینده نزدیک، تکامل آن تنها افزایش خواهد یافت، و مرحله بعدی باید فراتر از آن پیش برود.
سیستم‌های شبیه‌سازی
آنچه با برنامه‌ها قابل دستیابی است، به سیستم‌های تجاری و کارخانه‌های فکری که در اینجا ذکر شد، محدود نمی‌شود.
سایر حوزه‌هایی که من به آنها اشاره نکرده‌ام، به طور کلی می‌توانند به عنوان سیستم‌های شبیه‌سازی طبقه‌بندی شوند.
چه حل یک معادله فیزیکی ساده با یک فرمول تحلیلی واحد باشد و چه محاسبه پدیده‌های فیزیکی پیچیده با برنامه‌های تکراری، هر دو را می‌توان سیستم‌های شبیه‌سازی نامید.
علاوه بر این، سیستم‌های شبیه‌سازی را می‌توان نه تنها در فیزیک، بلکه در شیمی، زیست‌شناسی، یا حتی جامعه‌شناسی و اقتصاد نیز به کار برد. همچنین، شبیه‌سازی‌ها نه تنها در حوزه دانشگاهی، بلکه در زمینه‌هایی مانند مهندسی، پزشکی، طراحی نهادی و مدیریت کسب‌وکار نیز کاربرد دارند.
بازی‌ها نیز نوعی سیستم شبیه‌سازی هستند. در هر بازی، می‌توان گفت که فیزیک، جامعه، قوانین و غیره در دنیای آن بازی، به اصطلاح، در حال شبیه‌سازی هستند.
فراتر از آن، ما نیز نوعی شبیه‌سازی را انجام می‌دهیم وقتی برنامه‌های زندگی، سفرها، یا نحوه خرج کردن پول توجیبی خود را برنامه‌ریزی می‌کنیم.
این شبیه‌سازی‌ها به روش‌های مختلفی انجام شده‌اند: با ایجاد و اجرای برنامه‌ها، با فرمول‌بندی و محاسبه معادلات روی کاغذ، با فکر کردن در ذهن، با سازماندهی ایده‌ها با متن و فلش‌ها روی تخته سفید، یا با رسم نمودار در اکسل.
توسعه یک برنامه شبیه‌سازی برای یک مشکل خاص، امکان شبیه‌سازی‌های پیچیده‌تری را نسبت به معادلات تحلیلی فراهم می‌کند. با این حال، به مهارت‌های برنامه‌نویسی، تلاش و زمان نیاز دارد.
همچنین، مدل شبیه‌سازی باید به وضوح تعریف شود، که برای این کار به مهارت، تلاش و زمان برای بررسی نیاز است.
علاوه بر این، شبیه‌سازی‌ها تنها به روش‌هایی قابل انجام بودند که با برنامه‌ها قابل بیان بودند، و تا کنون تنها آنچه می‌توانست به صورت محاسباتی بیان شود، شبیه‌سازی می‌شد.
هوش مصنوعی مولد این وضعیت را به طور قابل توجهی تغییر خواهد داد.
هوش مصنوعی مولد نه تنها امکان توسعه آسان برنامه‌های سیستم شبیه‌سازی را فراهم می‌کند، بلکه با تعبیه هوش مصنوعی مولد در سیستم‌های شبیه‌سازی، عناصری که نمی‌توان با فرمول‌های ریاضی بیان کرد نیز قابل شبیه‌سازی می‌شوند. این امر عناصر شبیه‌سازی کیفی مبهم و شبیه‌سازی‌هایی را که شامل عوامل هوشمند شبیه انسان هستند، ممکن می‌سازد.
علاوه بر این، چنین مدل‌های شبیه‌سازی را می‌توان نه تنها با فرمول‌های ریاضی، بلکه با زبان طبیعی نیز بیان کرد و توسط هوش مصنوعی مولد تفسیر شوند.
این امر، سیستماتیک کردن شبیه‌سازی‌های مختلفی را که در موقعیت‌های گوناگون انجام داده‌ایم، آسان‌تر خواهد کرد.
این به ما امکان می‌دهد نتایج شبیه‌سازی دقیق‌تر، کارآمدتر و مؤثرتری به دست آوریم و احتمال خطا و فرضیات جانبدارانه را کاهش دهیم.
علاوه بر این، هنگام بحث یا بررسی مسائل پیچیده، استفاده از سیستم‌های شبیه‌سازی برای بحث و بررسی، به جای تکیه بر شبیه‌سازی‌های ذهنی فردی، امکان‌پذیر خواهد بود.
این امر دقت مشورت را افزایش می‌دهد و بحث‌ها را سازنده‌تر می‌کند. دلیل آن این است که به جای اشاره به هوش یا اشتباهات فکری یکدیگر، بحث‌ها می‌توانند بر نقاط واضحی مانند مدل زیربنایی شبیه‌سازی، هرگونه حذف یا عناصر از دست رفته، نحوه تخمین بخش‌های بسیار نامطمئن، و اینکه کدام شاخص‌ها در بین نتایج مورد تأکید قرار می‌گیرند، تمرکز کنند.
با آسان شدن ساخت سیستم‌های شبیه‌سازی، نحوه تفکر ما از تفکر خطی، که بر شهود، فرضیات، و بدخواهی یا اشتباهات دیگران تمرکز دارد، به تفکر شبیه‌سازی تغییر خواهد کرد.
این مانند جستجو در اینترنت با تلفن هوشمند در طول یک مکالمه برای بررسی منابع خبری، ویکی‌پدیا، یا منابع اصلی است. دیگر نیازی به بحث‌های بی‌پایان که صرفاً بر اساس خاطرات یکدیگر است، نخواهد بود.
در طول یک بحث، هوش مصنوعی مولد مدل شبیه‌سازی، قوانین شبیه‌سازی و پیش‌شرط‌ها را از محتوای بحث سازماندهی خواهد کرد.
افراد درگیر در بحث تنها باید اطلاعات و فرضیه‌ها را به آن مدل و قوانین اضافه یا تصحیح کنند و سپس نتایج شبیه‌سازی را تأیید کنند. درست مانند زمانی که یک منبع خبری قابل اعتماد یافت می‌شود، آن نتایج شبیه‌سازی می‌توانند به عنوان یک زمینه مشترک برای بحث عمیق‌تر عمل کنند.
این امر شنوندگان را از دوران تردید در مورد اینکه چه کسی درست می‌گوید یا چه کسی قابل اعتماد است، آزاد خواهد کرد. آنها همچنین دیگر در تلاش برای درک اصطلاحات و مفاهیم مبهمی که در بحث‌ها ظاهر می‌شوند، از اصل مطلب دور نخواهند شد.
آنها فقط باید به چیزهای بسیار ساده فکر کنند: چگونه عدم قطعیت را ارزیابی کنند و کدام ارزش‌ها را در اولویت قرار دهند.