با ادغام عملکردهای هوش مصنوعی مولد در برنامه‌ها، می‌توانیم مکانیزم‌هایی را ایجاد کنیم که پیش از این با برنامه‌نویسی سنتی غیرقابل دستیابی بودند.
علاوه بر این، با توانایی هوش مصنوعی مولد در تولید خودکار برنامه، می‌توانیم برنامه‌ها را همانطور که در ذهن تصور می‌کنیم، آزادانه و به آسانی ایجاد و اجرا کنیم.
من تا کنون سیستم‌هایی را ساخته‌ام که مقالات وبلاگ من را به انگلیسی ترجمه کرده و در یک وبلاگ انگلیسی منتشر می‌کنند، ویدئوهای توضیحی را از ویدئوهای ارائه ایجاد کرده و در یوتیوب بارگذاری می‌کنند، و وبلاگ شخصی‌ام را با فهرست‌ها، دسته‌بندی‌ها و برچسب‌ها تولید و منتشر می‌کنند.
به این ترتیب، مکانیزمی که از محتوای اصلی به عنوان ماده خام استفاده می‌کند و عملکردهای هوش مصنوعی مولد را برای تولید محتوای مشتق شده مختلف در خود جای می‌دهد، می‌تواند یک کارخانه فکری نامیده شود.
علاوه بر این، من یک اپلیکیشن وب برای اجرای این کارخانه فکری و مدیریت وضعیت آن ایجاد کرده‌ام که هم در رایانه‌های شخصی و هم در گوشی‌های هوشمند قابل دسترسی است. همچنین، بخش‌هایی که پردازش خودکار را در پاسخ به رویدادها انجام می‌دهند، بر روی ماشین‌های مجازی که برای پردازش دسته‌ای فراتر از بک‌اند آماده شده‌اند، اجرا می‌شوند.
بدین ترتیب، من فرانت‌اند رایانه شخصی و گوشی هوشمند، بک‌اند سرور وب، پردازش دسته‌ای بر روی ماشین‌های مجازی و زیرساخت اینها را، همه به تنهایی و با پشتیبانی هوش مصنوعی مولد، توسعه دادم.
این صرفاً مهندسی فول‌استک نیست، بلکه می‌توان آن را مهندسی همه‌جانبه نامید که به طور جامع جنبه‌های مختلف یک سیستم را توسعه می‌دهد.
علاوه بر این، هنگام بهبود جنبه‌های اپلیکیشن وب توسعه یافته که استفاده از آنها ناخوشایند است یا اضافه کردن ویژگی‌های جدید، می‌توانم برنامه‌نویسی را به هوش مصنوعی مولد بسپارم و این امکان را فراهم می‌کند که به راحتی در حین استفاده، بهبودهایی اعمال شود.
این حتی انعطاف‌پذیرتر و سیال‌تر از نرم‌افزارهای سنتی است و به من امکان می‌دهد چیزی بسازم که کاملاً با نحوه استفاده من مطابقت داشته باشد. من این را نرم‌افزار سیال می‌نامم.
من شخصاً اینها را توسعه داده و در حال حاضر از آنها استفاده می‌کنم. این فقط یک مفهوم نیست؛ بلکه در حال حاضر واقعیت توسعه نرم‌افزار است.
اگرچه هنوز توسعه نیافته است، در زمینه سیستم‌های کسب‌وکار، من پیش‌بینی می‌کنم که روش توسعه فرآیند کسب و کار محور به واقعیت تبدیل خواهد شد.
این رویکردی است که به دنبال بهینه‌سازی کلی برنامه‌ها نیست، که سیستم‌ها را پیچیده می‌کند، بلکه به جای آن ماژول‌های نرم‌افزاری را به فرآیندهای کسب و کار فردی تقسیم می‌کند.
تنها تعریف چارچوب اصلی رابط کاربری، مدیریت امتیازات کاربر و مدل‌های داده‌ای که نیاز به اشتراک‌گذاری بین فرآیندهای کسب و کار دارند، به عنوان چارچوب بیرونی سیستم کسب و کار به اشتراک گذاشته می‌شوند.
سایر پردازش‌های داخلی سیستم و داده‌های موقت در واحد فرآیند کسب و کار مدیریت می‌شوند.
ممکن است توابع یا ساختارهای داده‌ای وجود داشته باشند که توسط دو یا چند فرآیند کسب‌وکار قابل اشتراک‌گذاری باشند. اما اگر آنها 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 تأثیر آنها بر سایر فرآیندهای کسب‌وکار خواهد بود.
در شرایطی که هوش مصنوعی مولد به طور خودکار برنامه‌ها را تولید می‌کند، معایب گزینه دوم (افزایش پیچیدگی و نیاز به بررسی مداوم تأثیر تغییرات) از مزایای گزینه اول (قابلیت استفاده مجدد کد و کیفیت) بیشتر است. بنابراین، رویکرد فرآیند کسب و کار محور، که بهینه‌سازی فردی را به جای بهینه‌سازی کلی در اولویت قرار می‌دهد، منطقی می‌شود.
علاوه بر این، واحدهایی مانند "وارد کردن اطلاعات پایه کارمند جدید"، "به‌روزرسانی اطلاعات پایه کارمند" یا "جستجوی کارمندان بر اساس نام" را به عنوان فرآیندهای کسب و کار فردی تصور کنید.
در روش‌های توسعه سنتی، هر رابط کاربری، فرآیند فرانت‌اند، فرآیند بک‌اند و فرآیند دسته‌ای به فایل‌های مختلف در دایرکتوری‌های مختلف تقسیم می‌شد. علاوه بر این، هر یک توسط یک مهندس متفاوت توسعه می‌یافت.
اما، هنگامی که یک مهندس با کمک هوش مصنوعی مولد برنامه‌نویسی را انجام می‌دهد و مهندسی همه‌جانبه را اجرا می‌کند، منطقی‌تر است که کد مورد نیاز برای یک فرآیند کسب و کار واحد را در یک فایل یا پوشه جمع‌آوری کند.
علاوه بر این، نتایج تحلیل نیازمندی‌ها، مشخصات تست، نتایج تست و سوابق بازبینی نیز می‌توانند در همان مکان یکپارچه شوند.
این امکان مدیریت تمامی محصولات مهندسی نرم‌افزار را در واحد یک فرآیند کسب‌وکار فراهم می‌آورد. و از آنجایی 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 که با برنامه‌ها قابل توسعه است، به دلیل هوش مصنوعی مولد در حال تغییرات چشمگیری است. این یک سناریوی آینده نیست؛ بلکه در حال حاضر واقعیت است، و در آینده نزدیک، پیچیدگی آن تنها می‌تواند به پیشرفت ادامه دهد، و مرحله بعدی ناگزیر باید فراتر از آن حرکت کند.
سیستم‌های شبیه‌سازی
آنچه از طریق برنامه‌ها قابل دستیابی است، تنها به سیستم‌های کسب‌وکار و کارخانه‌های فکری که در اینجا ذکر شد، محدود نمی‌شود.
حوزه‌های باقی‌مانده‌ای که من به آنها اشاره نکرده‌ام، می‌توانند به طور کلی به عنوان سیستم‌های شبیه‌سازی طبقه‌بندی شوند.
چه حل معادلات ساده فیزیک با یک فرمول تحلیلی واحد باشد و چه محاسبه پدیده‌های فیزیکی پیچیده با برنامه‌های تکراری، هر دو را می‌توان سیستم‌های شبیه‌سازی در نظر گرفت.
علاوه بر این، سیستم‌های شبیه‌سازی نه تنها در فیزیک، بلکه در شیمی، زیست‌شناسی، جامعه‌شناسی، اقتصاد و سایر زمینه‌ها نیز قابل استفاده هستند. فراتر از دانشگاه، شبیه‌سازی‌ها در مهندسی، پزشکی، عملیات سازمانی و مدیریت کسب‌وکار نیز کاربرد دارند.
بازی‌ها نیز نوعی سیستم شبیه‌سازی هستند. در هر بازی، فیزیک، جامعه، قوانین و سایر جنبه‌های موجود در جهان آن بازی، به نوعی شبیه‌سازی می‌شوند.
فراتر از آن، ما نیز هنگام برنامه‌ریزی زندگی، سفر یا نحوه خرج کردن پول توجیبی خود، نوعی شبیه‌سازی انجام می‌دهیم.
این شبیه‌سازی‌ها به روش‌های مختلفی انجام شده‌اند: با ایجاد و اجرای برنامه‌ها، محاسبه معادلات روی کاغذ، فکر کردن در ذهنمان، سازماندهی افکار با متن و فلش روی تخته سفید یا 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 توسعه برنامه‌نویسی، تلاش و زمان نیاز دارد.
همچنین، روشن‌سازی مدل شبیه‌سازی الزامی است که به نوبه خود نیازمند مهارت، تلاش برای بررسی و زمان است.
علاوه بر این، شبیه‌سازی‌ها به آنچه که می‌توانست به صورت برنامه‌نویسی بیان شود محدود شده‌اند، و پیش از این تنها آنچه می‌توانست به صورت محاسباتی بیان شود، قابل شبیه‌سازی بود.
هوش مصنوعی مولد به طور قابل توجهی این وضعیت را تغییر می‌دهد.
هوش مصنوعی مولد نه تنها می‌تواند به راحتی برنامه‌های سیستم شبیه‌سازی را توسعه دهد، بلکه با گنجاندن هوش مصنوعی مولد در سیستم‌های شبیه‌سازی، عناصر غیرقابل بیان ریاضی نیز می‌توانند شبیه‌سازی شوند. این امکان عناصر شبیه‌سازی کیفی مبهم و شبیه‌سازی‌هایی با عوامل هوشمند شبه‌انسانی را فراهم می‌کند.
علاوه بر این، این مدل‌های شبیه‌سازی را می‌توان نه تنها به صورت ریاضی، بلکه به زبان طبیعی نیز بیان کرده و توسط هوش مصنوعی مولد تفسیر شوند.
این امر باعث می‌شود که شبیه‌سازی‌های مختلفی که در بسیاری از موقعیت‌ها انجام داده‌ایم، به راحتی به سیستم‌های شبیه‌سازی تبدیل شوند.
در نتیجه، ما قادر خواهیم بود نتایج شبیه‌سازی دقیق‌تر، کارآمدتر و مؤثرتری را با کاهش احتمال نادیده‌گرفتن جزئیات یا وارد کردن سوگیری‌ها به دست آوریم.
علاوه بر این، هنگام بررسی یا بحث در مورد مسائل پیچیده، می‌توانیم از یک سیستم شبیه‌سازی برای بررسی و بحث استفاده کنیم، نه اینکه به شبیه‌سازی‌های ذهنی فردی تکیه کنیم.
این امر دقت بررسی را افزایش داده و بحث‌ها را سازنده‌تر می‌کند. به جای اشاره به هوش یا اشتباهات فکری یکدیگر، بحث‌ها می‌توانند بر نقاط واضحی مانند مدل‌های زیربنایی شبیه‌سازی، هر گونه حذف یا عناصر از دست رفته، نحوه تخمین بخش‌های بسیار نامطمئن، و اینکه کدام معیارها در میان نتایج اولویت دارند، متمرکز شوند.
با آسان شدن ایجاد سیستم‌های شبیه‌سازی، شیوه تفکر ما از تفکر خطی—که بر شهود، مفروضات، و بدخواهی یا اشتباهات دیگران تمرکز دارد—به تفکر شبیه‌سازی تغییر خواهد کرد.
این مانند جستجوی اینترنت با تلفن هوشمند در طول یک بحث برای تأیید منابع خبری، ویکی‌پدیا یا منابع اولیه است. دیگر نیازی به بحث‌های بی‌پایان که صرفاً بر حافظه یکدیگر تکیه دارند، نخواهد بود.
در طول یک بحث، هوش مصنوعی مولد، مدل شبیه‌سازی، قوانین شبیه‌سازی و پیش‌شرط‌ها را از محتوای بحث سازماندهی خواهد کرد.
شرکت‌کنندگان در بحث فقط لازم است اطلاعات و مقدمات را در آن مدل و قوانین اضافه یا تصحیح کنند و سپس نتایج شبیه‌سازی را بررسی کنند. درست مانند یافتن یک منبع خبری معتبر، این نتایج شبیه‌سازی می‌توانند به عنوان یک زمینه مشترک برای تعمیق بحث عمل کنند.
این بدان معناست که افرادی که به بحث گوش می‌دهند، دیگر در عصری زندگی نخواهند کرد که نیاز به تأمل در مورد اینکه چه کسی درست می‌گوید یا چه کسی قابل اعتماد است داشته باشند. و همچنین با تلاش برای درک اصطلاحات فنی و مفاهیم پیچیده‌ای که در بحث ظاهر می‌شوند، اصل مطلب را از دست نخواهند داد.
آنها تنها باید به مسائل بسیار ساده‌ای فکر کنند: چگونه عدم قطعیت را ارزیابی کنند و چه ارزش‌هایی را اولویت‌بندی کنند.