Bằng cách nhúng các chức năng AI tạo sinh vào chương trình, chúng ta có thể tạo ra các cơ chế mà trước đây không thể đạt được bằng lập trình thông thường.
Hơn nữa, khi AI tạo sinh trở nên có khả năng tạo chương trình tự động, chúng ta sẽ có thể tự do và dễ dàng tạo và chạy các chương trình theo ý tưởng của mình.
Cho đến nay, tôi đã xây dựng các hệ thống dịch bài viết blog của mình sang tiếng Anh và đăng chúng lên một blog tiếng Anh, tạo video giải thích từ video thuyết trình và tải lên YouTube, cũng như tạo và xuất bản trang blog riêng của mình với các chỉ mục, danh mục và thẻ.
Theo cách này, một cơ chế sử dụng nội dung gốc làm nguyên liệu thô và tích hợp các chức năng AI tạo sinh để sản xuất nhiều nội dung phái sinh khác nhau có thể được gọi là Nhà máy trí tuệ.
Hơn nữa, tôi đã tạo một ứng dụng web để vận hành Nhà máy trí tuệ này và quản lý trạng thái của nó, giúp nó có thể truy cập được trên cả PC và điện thoại thông minh. Ngoài ra, các phần xử lý tự động được kích hoạt bởi các sự kiện được thực thi trên các máy ảo được chuẩn bị cho xử lý hàng loạt vượt ra ngoài phần phụ trợ.
Do đó, tôi đã tự mình phát triển các giao diện người dùng PC và điện thoại thông minh, phần phụ trợ máy chủ web, xử lý hàng loạt trên máy ảo và cơ sở hạ tầng cho chúng, tất cả đều với sự hỗ trợ của AI tạo sinh.
Đây không chỉ đơn thuần là kỹ thuật full-stack, mà có thể được gọi là Kỹ thuật đa năng, một khái niệm phát triển toàn diện các khía cạnh khác nhau của một hệ thống.
Hơn nữa, khi cải thiện các khía cạnh của ứng dụng web đã phát triển mà không thuận tiện khi sử dụng hoặc thêm các tính năng mới, tôi có thể giao việc lập trình cho AI tạo sinh, cho phép dễ dàng cải tiến trong quá trình sử dụng.
Điều này thậm chí còn linh hoạt và lưu động hơn phần mềm thông thường, cho phép tôi tạo ra thứ gì đó hoàn toàn phù hợp với cách sử dụng của mình. Tôi gọi đây là Liquidware.
Tôi đã tự mình phát triển và đang thực sự sử dụng chúng. Đây không chỉ là một khái niệm; nó đã là thực tế của phát triển phần mềm.
Mặc dù chưa được phát triển, trong lĩnh vực hệ thống kinh doanh, tôi dự đoán rằng phương pháp phát triển Hướng quy trình kinh doanh sẽ trở thành hiện thực.
Đây là một cách tiếp cận không nhằm mục tiêu tối ưu hóa tổng thể chương trình, vốn làm phức tạp hệ thống, mà thay vào đó chia các mô-đun phần mềm thành các Quy trình kinh doanh riêng lẻ.
Chỉ định nghĩa khung cơ bản của giao diện người dùng, quản lý quyền người dùng và các mô hình dữ liệu cần được chia sẻ giữa các Quy trình kinh doanh mới được chia sẻ làm khung bên ngoài của hệ thống kinh doanh.
Các xử lý hệ thống nội bộ khác và dữ liệu tạm thời được quản lý theo đơn vị Quy trình kinh doanh.
Có thể có các hàm hoặc cấu trúc dữ liệu trong số này có thể được chia sẻ bởi hai hoặc nhiều Quy trình kinh doanh. Tuy nhiên, nếu chúng được biến thành các mô-đun dùng chung hoặc thư viện tùy chỉnh, trong khi khả năng tái sử dụng mã và chất lượng được cải thiện, cấu trúc phần mềm sẽ trở nên phức tạp, và các thay đổi đòi hỏi phải liên tục xem xét tác động của chúng đến các Quy trình kinh doanh khác.
Trong tình huống AI tạo sinh tự động tạo chương trình, nhược điểm của cái sau lớn hơn ưu điểm của cái trước. Do đó, cách tiếp cận Hướng quy trình kinh doanh, nhấn mạnh Tối ưu hóa cá nhân thay vì tối ưu hóa tổng thể, trở nên hợp lý.
Ngoài ra, hãy hình dung các đơn vị như "nhập thông tin cơ bản nhân viên mới", "cập nhật thông tin cơ bản nhân viên" hoặc "tìm kiếm nhân viên theo tên" là các Quy trình kinh doanh riêng lẻ.
Trong các phương pháp phát triển truyền thống, mỗi giao diện người dùng, quy trình frontend, quy trình backend và quy trình xử lý hàng loạt sẽ được tách thành các tệp khác nhau trong các thư mục khác nhau. Hơn nữa, mỗi quy trình sẽ được phát triển bởi một kỹ sư khác nhau.
Tuy nhiên, khi một kỹ sư duy nhất thực hiện Kỹ thuật đa năng bằng cách để AI tạo sinh thực hiện lập trình, sẽ hợp lý hơn khi hợp nhất mã cần thiết cho một Quy trình kinh doanh vào một tệp hoặc thư mục duy nhất.
Ngoài ra, kết quả phân tích yêu cầu, đặc tả kiểm thử, kết quả kiểm thử và hồ sơ đánh giá cũng có thể được hợp nhất ở cùng một vị trí.
Điều này cho phép quản lý tất cả các sản phẩm kỹ thuật phần mềm theo đơn vị của một Quy trình kinh doanh duy nhất. Và, vì không cần xem xét tối ưu hóa tổng thể, các cải tiến có thể được tập trung vào Quy trình kinh doanh đó, và các Quy trình kinh doanh mới có thể dễ dàng được thêm vào hệ thống kinh doanh.
Theo cách này, việc phát triển chương trình và những gì có thể phát triển bằng chương trình đang trải qua những thay đổi đáng kể do AI tạo sinh. Đây không phải là một kịch bản tương lai; nó đã là hiện tại, và trong tương lai gần, sự tinh vi của nó chỉ có thể tiếp tục phát triển, và giai đoạn tiếp theo chắc chắn phải vượt xa hơn thế.
Hệ thống Mô phỏng
Những gì có thể hiện thực hóa thông qua chương trình không chỉ giới hạn ở các hệ thống kinh doanh và nhà máy trí tuệ đã đề cập ở đây.
Các lĩnh vực còn lại mà tôi chưa đề cập có thể được phân loại rộng rãi là hệ thống mô phỏng.
Dù giải các phương trình vật lý đơn giản bằng một công thức giải tích duy nhất hay tính toán các hiện tượng vật lý phức tạp bằng các chương trình lặp đi lặp lại, cả hai đều có thể được coi là hệ thống mô phỏng.
Hơn nữa, các hệ thống mô phỏng có thể được sử dụng không chỉ trong vật lý, mà còn trong hóa học, sinh học, xã hội học, kinh tế học và các lĩnh vực khác. Ngoài học thuật, mô phỏng cũng được áp dụng trong kỹ thuật, y học, vận hành tổ chức và quản lý kinh doanh.
Trò chơi cũng là một loại hệ thống mô phỏng. Trong bất kỳ trò chơi nào, vật lý, xã hội, quy tắc và các khía cạnh khác trong Thế giới của trò chơi đó, theo một nghĩa nào đó, đang được mô phỏng.
Ngoài ra, chúng ta cũng thực hiện một loại mô phỏng khi lập kế hoạch cuộc sống, chuyến đi hoặc cách chi tiêu tiền túi của mình.
Những mô phỏng này đã được thực hiện theo nhiều cách khác nhau: bằng cách tạo và chạy chương trình, tính toán phương trình trên giấy, suy nghĩ trong đầu, tổ chức các ý tưởng bằng văn bản và mũi tên trên bảng trắng, hoặc vẽ biểu đồ trong Excel.
Phát triển một chương trình mô phỏng cho một vấn đề cụ thể cho phép thực hiện các mô phỏng phức tạp hơn so với các phương trình giải tích. Tuy nhiên, nó đòi hỏi kỹ năng phát triển chương trình, nỗ lực và thời gian.
Nó cũng đòi hỏi làm rõ mô hình mô phỏng, điều này đòi hỏi kỹ năng, nỗ lực xem xét và thời gian.
Ngoài ra, các mô phỏng đã bị giới hạn ở những gì có thể biểu diễn dưới dạng chương trình, và trước đây chỉ những gì có thể biểu diễn bằng tính toán mới có thể được mô phỏng.
AI tạo sinh đang thay đổi đáng kể tình hình này.
AI tạo sinh không chỉ có thể dễ dàng phát triển các chương trình hệ thống mô phỏng, mà bằng cách tích hợp AI tạo sinh vào các hệ thống mô phỏng, các yếu tố không thể biểu diễn bằng toán học cũng có thể được mô phỏng. Điều này cho phép các yếu tố mô phỏng định tính mơ hồ và các mô phỏng liên quan đến các tác nhân thông minh giống con người.
Hơn nữa, các mô hình mô phỏng này có thể được biểu diễn không chỉ bằng toán học mà còn bằng ngôn ngữ tự nhiên và được AI tạo sinh diễn giải.
Điều này sẽ giúp dễ dàng chuyển đổi các mô phỏng đa dạng mà chúng ta đã thực hiện trong nhiều tình huống thành các hệ thống mô phỏng.
Kết quả là, chúng ta sẽ có thể thu được kết quả mô phỏng chính xác hơn, hiệu quả hơn và hiệu lực hơn, với khả năng bỏ sót chi tiết hoặc đưa ra thành kiến giảm đi.
Hơn nữa, khi xem xét hoặc thảo luận các vấn đề phức tạp, chúng ta sẽ có thể sử dụng hệ thống mô phỏng để xem xét và thảo luận, thay vì dựa vào các mô phỏng tinh thần cá nhân.
Điều này nâng cao độ chính xác của việc xem xét và làm cho các cuộc thảo luận mang tính xây dựng hơn. Thay vì chỉ ra trí thông minh hay những sai lầm trong suy nghĩ của nhau, các cuộc thảo luận có thể tập trung vào những điểm rõ ràng như các mô hình cơ bản của mô phỏng, bất kỳ sự thiếu sót hay yếu tố còn thiếu nào, cách ước tính các phần có độ không chắc chắn cao, và những chỉ số nào trong kết quả được ưu tiên.
Khi các hệ thống mô phỏng trở nên dễ dàng tạo ra, cách tư duy của chúng ta sẽ chuyển từ tư duy tuyến tính – vốn tập trung vào trực giác, giả định và ác ý hoặc sai lầm của người khác – sang Tư duy mô phỏng.
Điều này giống như việc tìm kiếm trên internet bằng điện thoại thông minh trong một cuộc thảo luận để xác minh các nguồn tin tức, Wikipedia hoặc các nguồn thông tin chính. Sẽ không cần phải tranh cãi vô tận chỉ dựa vào ký ức của nhau.
Trong một cuộc thảo luận, AI tạo sinh sẽ tổ chức mô hình mô phỏng, các quy tắc mô phỏng và các điều kiện tiên quyết từ nội dung của cuộc thảo luận.
Những người tham gia thảo luận chỉ cần thêm hoặc sửa đổi thông tin và tiền đề trong mô hình và quy tắc đó, sau đó kiểm tra kết quả mô phỏng. Giống như khi tìm thấy một nguồn tin đáng tin cậy, các kết quả mô phỏng này có thể đóng vai trò là cơ sở chung để làm sâu sắc thêm cuộc thảo luận.
Điều này có nghĩa là những người lắng nghe cuộc thảo luận sẽ không còn sống trong một kỷ nguyên mà họ cần phải suy nghĩ ai đúng hay ai đáng tin cậy. Họ cũng sẽ không bị lạc mất bản chất bằng cách cố gắng hiểu các thuật ngữ và khái niệm kỹ thuật khó hiểu xuất hiện trong cuộc thảo luận.
Họ sẽ chỉ cần xem xét những điều rất đơn giản: cách đánh giá sự không chắc chắn và những giá trị nào cần ưu tiên.