复旦大学发布的中国版ChatGPT，会迎来中国科技革命吗

行业普遍能力显著加剧了挑战

中国的软件开发行业数量庞大，但是整体水平并不尽如人意。虽然国内拥有大量程序员，但是很难掌握先进的工程实践和技术，这导致了软件开发的问题和质量不稳定。

例如，XP（Extreme Programming）包含的一组工程实践，如TDD（测试驱动开发）、重构等，在中国大型软件开发组织的上下文中难以广泛实现。这些工程实践需要高水平的技术人才和团队协作能力，但是中国的软件开发组织很难招聘到这样的人才，而且组织管理也难以支持这些实践的实施。

因此，中国的软件通常在3-5年内就需要重新开始，这是由于工程实践差导致软件逐渐腐化到无法维护。然而，从另一个角度来看，由于中国的软件工程师数量众多，对于软件的质量要求也没有那么高，因此每3-5年推倒重来的做法也被视为一种解决方案。

但是，在为人工智能配套的软件上，这种做法可能会面临巨大的挑战。为了实现智能化，软件需要更高的精度和更长久的维护，定期的推倒重来可能从效率和质量上都不能满足需求。例如，训练OpenGPT的过程涉及到多个软件组件和工具，包括深度学习框架、分布式训练工具、数据处理和清洗工具等，这些软件组件和工具的更新和维护都是必要的。因此，中国的软件开发者们需要更加重视工程实践和技术的学习和应用，只有这样才能够适应追赶需求，但是这与我们之前所说现状的限制产生了矛盾。

基于ChatGPT的AI定制软件开发方案

我们从文中看到，复旦团队则采用不同的技术路线，通过让MOSS和人类以及其他对话模型都进行交互，显著提升了学习效率和研发效率，短时间内就高效完成了对话能力训练。

那么在软件开发方面，我们能否采用类似的思路呢？我们是否可以直接基于现有的ChatGPT进行AI所需的定制软件的开发？尽管这个想法听起来大胆，但实际上是可行的。

我们发现，在使用ChatGPT进行编程的时候，它可以基本上满足一些简单场景的编程需求。通过一些特定的手法，它可以有效地编写出可用的软件。这里所说的简单，是指需求描述简单，不是指需求本身简单或者实现简单。实际上，ChatGPT现在更擅长于处理许多复杂算法和软件框架的开发，因为这些需求都有专业术语，因此需求本身的描述可以很简单。

经过本人实际测试，使用ChatGPT进行编程可以大大提高开发效率。此外，基于ChatGPT进行编程也会带来一些有趣的生产方式变化。在软件开发的工程实践中，我们通常会采用一种假设：重写比重构更慢。但是，在使用ChatGPT进行编程时，我们会发现重写会更快。尽管测试仍然很重要，因为测试会告诉ChatGPT是否正确重写，但ChatGPT本身也可以根据实现代码推理出需要哪些更多的测试用例。这将形成一个恐怖的飞轮，人类提供简单的测试和需求，让ChatGPT编写出符合测试的实现，然后让ChatGPT根据实现和需求反向推理出需要哪些更多的测试，并给出测试用例和可以执行的测试代码。这样的工作方式与测试驱动开发（TDD）很像，只是其中最耗费脑力的部分：基于测试改进代码和想出更多测试变成了AI的工作，而人只需要让AI按照TDD的方式工作并适时纠偏即可。

基于这种生产方式及其可观的收益，我们很容易得出一个结论：ChatGPT可以用于简单小单元的开发，但对于更复杂的系统，它能否提供帮助呢？一般来说，由于算力的限制，ChatGPT输入的文本是有限的，而且ChatGPT自身的封闭性使得自建业务上下文的大语言模型AI是不可能的。然而，我们可以从工程化的角度出发，将复杂系统拆分为小单元，用简单逻辑拼装起来。既然ChatGPT可以完成小单元的编程，并以惊人的效率完成，为何不发明一种架构来充分利用这种生产力的提升呢？