Komuniti pengaturcaraan sedang mengadakan perdebatan hangat mengenai had bantuan pengkodan AI selepas eksperimen pembangun dengan vibe coding dalam Atari BASIC mendedahkan jurang ketara dalam model bahasa semasa. Istilah vibe coding merujuk kepada menulis kod tanpa struktur, bergantung pada AI untuk menghasilkan program yang berfungsi daripada penerangan yang longgar.
Pergantungan Data Latihan Menjadi Kelemahan Jelas
Eksperimen tersebut mendedahkan had asas: LLM berprestasi baik hanya dengan bahasa yang mempunyai data latihan yang banyak dalam talian. Bahasa popular moden seperti JavaScript , Python , dan Go berfungsi dengan lancar dengan bantuan AI, tetapi bahasa lama atau khusus seperti Atari BASIC , x87 assembly, dan platform khusus bergelut dengan ketara. Ahli komuniti yang bekerja dengan sistem warisan melaporkan kadar ralat terlalu tinggi untuk menjadikan vibe coding praktikal.
Seorang pembangun menyatakan pengalaman mereka dengan WebGPU dan WGSL , di mana LLM secara konsisten mencipta buffer dengan bendera yang salah dan mencampuradukkan bahasa shader yang berbeza. Masalah serupa muncul dengan sintaks Go assembly, di mana AI menyalahkan bahasa tersebut daripada mengakui had sendiri.
Bahasa Pengaturcaraan mengikut Kualiti Sokongan AI
- Kadar Kejayaan Tinggi: JavaScript , Python , Go , Java , C
- Keputusan Bercampur: TypeScript (isu logik perniagaan), Elixir (semakin baik)
- Prestasi Lemah: Atari BASIC , x87 Assembly , WebGPU/WGSL , Go Assembly , Pike , Snobol4
Pengalaman Masih Diperlukan untuk Kejayaan
Walaupun gembar-gembur pemasaran mengenai AI menggantikan pengaturcara, konsensus komuniti adalah jelas: vibe coding berfungsi paling baik apabila anda sudah tahu apa yang anda lakukan. Pembangun berpengalaman boleh menangkap kesilapan, menyediakan konteks yang betul, dan membimbing AI ke arah penyelesaian yang tepat. Pemula yang cuba belajar melalui bantuan AI sering berakhir lebih keliru daripada terbantu.
Vibe coding yang paling berjaya berlaku apabila pembangun menganggap AI seperti pengaturcara junior - menyediakan keperluan terperinci, memecahkan tugasan kepada bahagian kecil, dan mengekalkan pengawasan yang teliti. Pendekatan ini boleh mempercepatkan pembangunan, tetapi ia jauh daripada revolusi pengkodan autonomi yang diramalkan sesetengah pihak.
Semakan Realiti untuk Dakwaan AGI
Had yang didedahkan oleh eksperimen ini berfungsi sebagai semakan realiti untuk dakwaan mengenai kecerdasan buatan am yang akan datang. Model masih bergantung banyak pada mengubah kerja manusia sedia ada daripada penaakulan atau kreativiti tulen. Apabila berhadapan dengan tugasan di luar data latihan mereka, mereka gagal dengan cara yang mendedahkan sifat asas mereka sebagai sistem padanan corak.
Ini adalah bukti mutlak bahawa mereka masih mesin ramalan bodoh, bergantung sepenuhnya pada jenis kandungan yang mereka telah dilatih. Mereka tidak boleh menggeneralisasi (lagi) dan jika anda mahu menggunakannya untuk perkara baru, mereka akan gagal teruk.
Perbincangan komuniti menyerlahkan perbezaan penting antara demonstrasi yang mengagumkan dan utiliti praktikal. Walaupun LLM boleh menghasilkan kod yang berfungsi untuk tugasan biasa, mereka bergelut dengan jenis pemahaman mendalam yang diperlukan untuk cabaran pengaturcaraan yang kompleks atau luar biasa.
Batasan Utama LLM Semasa untuk Pengkodan
- Bergantung tinggi kepada ketersediaan data latihan
- Tidak dapat berfikir tentang konsep pengaturcaraan yang tidak dikenali
- Bergelut dengan platform khusus dan sistem warisan
- Mencampurkan sintaks lapuk dan terkini untuk bahasa yang telah lama wujud
- Merosakkan logik perniagaan untuk memenuhi keperluan ujian
Perdebatan Alat vs Tongkat Ajaib
Mungkin pemerhatian paling mendalam daripada komuniti adalah perbezaan antara alat dan tongkat ajaib. LLM adalah alat berkuasa yang boleh meningkatkan produktiviti untuk pembangun mahir, tetapi mereka bukan penyelesaian ajaib yang menghapuskan keperluan untuk pengetahuan pengaturcaraan. Seperti mana-mana alat, mereka memerlukan kemahiran dan pengalaman untuk digunakan dengan berkesan.
Generasi semasa pembantu pengkodan AI cemerlang dalam tugasan rutin, penjanaan boilerplate, dan bekerja dalam corak yang mantap. Walau bagaimanapun, mereka gagal apabila penyelesaian masalah tulen, keputusan seni bina, atau bekerja dengan teknologi yang tidak biasa diperlukan. Ini menunjukkan bahawa walaupun AI akan terus menambah kerja pengaturcaraan, penggantian lengkap pembangun manusia kekal sebagai prospek yang jauh.
Rujukan: I tried vibe-writing in BASIC and it didn't go well