Чому ШІ частіше впливає на роботу програмістів, ніж водіїв вантажівок: справа в даних, а не в складності

Новий погляд на вплив ШІ на ринок праці

Поширеною помилкою у сприйнятті впливу штучного інтелекту на робочі місця є уявлення, що машини "піднімаються" ринком праці за рівнем складності: спочатку проста робота, потім складна; спочатку ручна, потім професійна. Однак поточна хвиля ШІ рухається інакше. Деякі складні "білі комірці" виявилися вразливими раніше, ніж багато рутинних фізичних завдань. Програмування є одним із найяскравіших прикладів.

Кодування: легка мішень для ШІ завдяки даним

Водіння вантажівки в умовах негоди, трафіку, завантажувальних майданчиків, пошкоджених знаків, дорожніх робіт та людської непередбачуваності не є очевидно більш інтелектуально вимогливим, ніж написання програмного забезпечення. Проте, це складніше перетворити на тип навчальної задачі, з якої можуть вчитися великі мовні моделі (LLM). Звіт Всесвітнього економічного форуму 2023 року "Jobs of Tomorrow: Large Language Models and Jobs", підготовлений спільно з Accenture, досліджував ймовірний вплив LLM на роботу.

Ключовий висновок полягає не в тому, що ШІ акуратно замінює одну професію, залишаючи іншу недоторканою. Вразливість залежить від відповідності завдань роботи матеріалу, який системи ШІ можуть спостерігати, імітувати та виробляти. Саме тому кодування виглядає вразливим, і це відчувається нелогічно. Це не тому, що розробка програмного забезпечення легка, а тому, що код надзвичайно доступний як дані.

Ми часто говоримо про автоматизацію так, ніби складність є головним бар'єром. Якщо робота кваліфікована, творча або добре оплачувана, вона має бути захищена. Якщо робота виглядає повторюваною, вона має бути вразливою. Цей старий інстинкт походив зі світу, де машини найкраще справлялися зі стандартизованими фізичними або канцелярськими рутинами. Великі мовні моделі змінили механізм сортування. Вони найсильніші там, де робота залишає велику кількість текстоподібного матеріалу: документи, квитки, електронні листи, транскрипти, репозиторії коду, приклади, логи, відповіді та ревізії. Їм не потрібно, щоб робота була простою. Їм потрібно, щоб результати та проміжні кроки роботи були достатньо видимими, щоб вивчати з них закономірності. Програмне забезпечення має таку видимість.

Код написаний формальними мовами. Він зберігається в репозиторіях. Він супроводжується коментарями, документацією, тестами, обговореннями проблем, запитами на злиття (pull requests) та прикладами того, як одна версія стала іншою. Значна частина цього матеріалу є публічною або напівпублічною, особливо через проєкти з відкритим вихідним кодом. Це дає моделям ШІ величезний запис того, як програмісти вирішують проблеми, називають речі, виправляють помилки та збирають працюючі системи.

Переваги коду для навчання ШІ

Документ OpenAI "Evaluating Large Language Models Trained on Code" представив Codex як модель GPT, донастроєну на загальнодоступному коді з GitHub. Продуктивна версія Codex стала основою GitHub Copilot. Ця деталь є центральною для поточної дискусії на ринку праці. Програмісти не просто створювали програмне забезпечення. Вони також створили публічний архів програмної роботи.

Для моделі код має ще одну перевагу. Це текст, але його також можна перевірити. Абзац може звучати правдоподібно, будучи неправильним. Код можна запустити, протестувати, проаналізувати лінтером та порівняти з очікуваною поведінкою. Це полегшує побудову циклів зворотного зв'язку. Модель можна навчати або оцінювати не лише за тим, чи схожа її відповідь на код, а й за тим, чи працює програма за заданих умов. Це допомагає пояснити, чому завдання програмування стали природною мішенню для помічників ШІ. Модель може пропонувати функцію, перекладати між мовами, писати шаблонний компонент, пояснювати помилку, складати тест або рефакторити невеликий блок. Жодне з цього не є повною роботою інженера-програміста, але це торкається достатньо видимої поверхні програмування, щоб мати значення.

Водіння вантажівок: складність даних фізичного світу

Водіння вантажівки також має дані, але це інший тип даних. Це дані датчиків, контекст дороги, погода, карти, динаміка транспортного засобу, правила логістики, зобов'язання з безпеки та реальні граничні випадки. Їх дорого збирати, важко маркувати та небезпечно погано тестувати. Робота відбувається у фізичному просторі, де неправильна відповідь може поставити людей під загрозу. Це не робить водіння вантажівки інтелектуально вищим за кодування. Це робить його менш доступним для мовної моделі, навченої переважно на тексті та коді.

На відміну від цього, водій вантажівки не залишає чіткого публічного сліду маркованих рішень: ось момент, коли водій помітив, що фургон дрейфує, ось невеликий тиск на гальма, ось погляд у дзеркало, ось судження про те, чи достатньо широкі ворота складу, ось неформальний дзвінок диспетчеру, ось рішення не довіряти навігатору. Дещо з цього можна інструментувати, але значну частину неможливо зібрати так дешево або безпечно, як код.

Вразливість не дорівнює заміщенню

Важливо розрізняти поняття "вразливість" та "заміщення". Вразливість до ШІ не означає, що робоче місце зникне. Це означає, що деякі завдання в рамках цієї роботи перетинаються з тим, що модель може правдоподібно допомагати, прискорювати або автоматизувати. Дослідження OpenAI та Університету Пенсільванії "GPTs are GPTs" вимірювало вразливість як показник потенційного економічного впливу, а не як доказ заміщення робочої сили. Вони виявили, що навички програмування та письма позитивно корелюють з вразливістю до LLM, тоді як ручна рутинність та вразливість до робототехніки показали негативні кореляції.

Багато вразливих ролей є добре оплачуваними, освіченими та комп'ютерними. Їхні завдання часто складні, але виконуються через мову, символи та програмні інтерфейси. Це робить їх досяжними для моделей, чиєю рідною територією є мова та код. Водіння відрізняється. Автономні системи транспортних засобів – це не просто мовні моделі на колесах. Вони вимагають сприйняття, картографування, контролю, апаратного забезпечення, регулювання, рамок відповідальності, операцій з автопарком та толерантності до рідкісних, але серйозних граничних випадків.

Наслідки для розробників та водіїв

Для працівників програмного забезпечення урок полягає не в тому, що кодування закінчено. Більш імовірна зміна – це зсув у тому, що цінують роботодавці. Якщо моделі можуть генерувати рутинний код, пояснювати поширені помилки та створювати перші чернетки, дефіцитна людська праця зміщується до формулювання проблем, системного проєктування, суджень, перевірки, безпеки, розуміння продукту, координації та відповідальності за наслідки. Цей зсув все ще може бути болючим. Робота початкового рівня часто містить завдання, які інструменти тепер можуть імітувати найлегше. Молодші розробники вчаться, виконуючи невеликі виправлення, пишучи тести, читаючи помилки та перетворюючи чіткі вимоги на код. Якщо компанії автоматизують занадто багато цього рівня, вони можуть послабити шлях навчання, який створює досвідчених інженерів пізніше.

Для водіїв вантажівок картина вразливості інша. Автоматизація все ще може змінити професію, особливо на довгих шосейних маршрутах або контрольованих логістичних коридорах. Але бар'єр полягає не лише в тому, чи може ШІ "розуміти" водіння. Це питання того, чи може вся фізична та регуляторна система працювати безпечно, економічно та законно без водія в кабіні. Це вищий тягар розгортання, ніж прохання моделі скласти код в редакторі, поки людина його перевіряє. Програмний інструмент може помилятися, бути виправленим і перезапущеним. Важкий транспортний засіб має набагато меншу толерантність до поганого припущення.

Ширший урок: дані, а не статус

Порівняння кодування та водіння вантажівок корисне, оскільки воно руйнує комфортне припущення. ШІ не рухається економікою, поважаючи статус, оплату чи професійну ідентичність. Він рухається туди, де завдання оцифровані, записані, достатньо повторювані для моделювання та пов'язані з програмними каналами, де можна доставляти результат. Це робить деяких висококваліфікованих працівників більш вразливими, ніж вони очікували. Це також залишає деяких ручних працівників менш вразливими, ніж припускали старі історії автоматизації, принаймні для мовних моделей. Межа проходить не між розумною роботою та простою роботою. Вона проходить між роботою, яка стала даними, та роботою, яка залишається вбудованою у фізичний світ.

Звіт Всесвітнього економічного форуму корисний, оскільки він відсуває дискусію від одного драматичного питання: чи забере ШІ робочі місця? Краще питання: які частини яких робіт видимі для машини і чому. Кодування видиме, тому що покоління розробників зробили його таким. Водіння вантажівки складніше зафіксувати, тому що світ не представляє себе як чистий репозиторій. Але цей розрив може не зберегтися. Камери стають дешевшими, датчики поширюються на транспортні засоби та склади, і кожен маршрут доставки, рух навантажувача та маневр на складі повільно реєструється десь. То що станеться, коли фізичний світ почне створювати той самий щільний, публічний слід записаної поведінки, який код створював десятиліттями?

Що це означає для розробників

Для розробників це означає зсув у цінності навичок: рутинне кодування може бути автоматизоване, тому фокус переміщується на формулювання проблем, системний дизайн, судження та відповідальність. Робота початкового рівня, що включає прості виправлення та написання тестів, може стати більш вразливою до автоматизації, що потенційно впливає на традиційні шляхи навчання.

Ключові факти

• Вплив ШІ на робочі місця визначається не складністю роботи, а доступністю та природою навчальних даних.

• Поточна хвиля ШІ (LLM) раніше впливає на складні "білі комірці", ніж на рутинні фізичні завдання.

• Кодування є яскравим прикладом вразливої до LLM роботи через надзвичайну доступність коду як даних (формальні мови, репозиторії, документація, відкритий вихідний код).

• Водіння вантажівки складніше для навчання LLM через природу даних фізичного світу (датчики, погода, граничні випадки), які дорого збирати та тестувати.

• Звіт Всесвітнього економічного форуму 2023 року "Jobs of Tomorrow: Large Language Models and Jobs" (з Accenture) досліджував вплив LLM на роботу.

Джерела

• We tend to assume AI is replacing jobs because coding is complex work it has mastered, but the World Economic Forum found the opposite is true: AI is more likely to replace coders than truck drivers not because coding is harder, but because the training data is easier to come by - Silicon Canals