Существующие большие языковые модели (LLM) действительно имеют много практической ценности. Николас Карлини, научный сотрудник Google DeepMind, подробно поделился более чем 50 примерами использования LLM в своей работе, охватывающими программирование, письмо, изучение новых технологий и многие другие аспекты.
Николас считает, что LLM не переоценены, поскольку они действительно способны справляться со все более сложными задачами. За последний год он проводил не менее нескольких часов в неделю, взаимодействуя с различными LLM, и эти модели помогли ему увеличить скорость написания кода в исследовательских и побочных проектах как минимум на 50%.
Николас приводит некоторые конкретные примеры использования LLM:
- Создание целых веб-приложений с использованием незнакомых технологий
- Изучение новых фреймворков и инструментов
- Автоматическое преобразование программ в C или Rust для повышения производительности
- Упрощение и сокращение больших кодовых баз
- Написание начального экспериментального кода для исследовательских статей
- Автоматизация монотонных задач и одноразовых скриптов
- Замена веб-поиска для настройки и конфигурации нового программного обеспечения
- Помощь в отладке сообщений об ошибках
Николас разделяет эти приложения на две категории: помощь в обучении и автоматизация скучных задач. Хотя эти приложения могут показаться не слишком впечатляющими, все они происходят из реальных рабочих потребностей и демонстрируют ценность LLM в автоматизации скучных частей работы.
Как исследователь безопасности, Николас последние десять лет работал над демонстрацией того, как модели ИИ могут потерпеть неудачу в незнакомых условиях. Он полностью понимает ограничения этих систем. Тем не менее, он считает, что LLM принесли наибольшее повышение его рабочей эффективности со времен появления интернета.
Николас подробно описывает, как использовать LLM для создания полных приложений и изучения новых технологий. Например, он использовал GPT-4 для написания мини-игры "Конкурс предсказаний способностей GPT-4", где почти вся начальная версия приложения была создана GPT-4.
В области изучения новых технологий Николас приводит пример использования LLM в качестве наставника для изучения новых инструментов, таких как Docker. По сравнению с традиционными методами обучения, получение необходимых знаний непосредственно от LLM гораздо эффективнее.
Цель Николаса в написании этой статьи - доказать, что LLM уже принесли ему большую пользу, и предоставить примеры для тех, кто не знает, как использовать LLM. Он признает, что LLM пока не могут решать самые сложные и интересные части работы программиста, но они уже хорошо справляются с простыми задачами, значительно повышая эффективность работы.
Пять лет назад LLM в лучшем случае могли писать тексты, которые казались связными, но не имели практической пользы. Сегодня они способны повысить эффективность программирования Николаса в среднем на 50%. Этот прогресс впечатляет и предвещает возможность еще больших изменений, которые LLM могут принести в будущем.