- ตลอดหลายทศวรรษที่ผ่านมา คำทำนายเรื่อง “จุดจบของโปรแกรมเมอร์” ผิดพลาดมาโดยตลอด และความก้าวหน้าทางเทคโนโลยีกลับนำไปสู่ การเพิ่มขึ้นของนักพัฒนาและโปรแกรม มากกว่าเดิม
- แม้จะมีเทคโนโลยีอัตโนมัติหลากหลายรูปแบบอย่าง WYSIWYG, 4GL, No-Code, LLM เกิดขึ้น แต่ในความเป็นจริงก็ไม่ได้ลดความจำเป็นของนักพัฒนาลง
- เครื่องมือที่อิงกับ LLM มีความน่าเชื่อถือและความสามารถในการบำรุงรักษาต่ำกว่าเทคโนโลยีในอดีต และในทีมส่วนใหญ่ก่อให้เกิด ประสิทธิภาพการทำงานลดลงและคุณภาพแย่ลง
- ความยากที่แท้จริงของการเขียนโปรแกรมไม่ได้อยู่ที่การเขียนโค้ด แต่คือ ความสามารถในการแปลงความคิดที่กำกวมของมนุษย์ให้เป็นตรรกะ ซึ่งยังคงเป็นขอบเขตของมนุษย์
- ดังนั้น ความเป็นไปได้ที่ AI จะมาแทนที่นักพัฒนาจึงต่ำ และคาดว่าความต้องการนักพัฒนาที่มีทักษะจะยิ่งเพิ่มขึ้น
วงจร “จุดจบของโปรแกรมเมอร์” ที่เกิดซ้ำ
- ตลอด 43 ปีที่ผ่านมา มีการอ้างว่าเทคโนโลยีหลากหลายอย่าง เช่น Visual Basic, Delphi, Executable UML, No-Code, Low-Code จะทำให้ไม่จำเป็นต้องมีโปรแกรมเมอร์อีกต่อไป
- ในช่วงทศวรรษ 1970~80 มี 4GL, 5GL และก่อนหน้านั้นก็มี Fortran, COBOL ย้อนกลับไปอีกแม้แต่ คอมไพเลอร์ A-0 ก็เคยถูกคาดการณ์แบบเดียวกัน
- คอมพิวเตอร์อิเล็กทรอนิกส์ยุคแรกอย่าง COLOSSUS ถูกโปรแกรมด้วยการเดินสายทางกายภาพ และคนรุ่นถัดมายังเคยถูกล้อว่า “ไม่ใช่โปรแกรมเมอร์ของจริง”
- แต่ผลลัพธ์คือ จำนวนโปรแกรมเมอร์ไม่ได้ลดลง กลับเพิ่มขึ้นด้วยซ้ำ และถูกยกให้เป็นตัวอย่างสำคัญของ Jevons Paradox
ความแตกต่างระหว่าง LLM กับเทคโนโลยีในอดีต
- เทคโนโลยีในอดีตช่วย เพิ่มความเร็วในการผลิตซอฟต์แวร์และยังคงความน่าเชื่อถือได้จริง แต่ LLM กลับให้ผลตรงกันข้ามในทีมส่วนใหญ่
- LLM ทำให้คุณภาพโค้ดลดลงและบำรุงรักษายากขึ้น จนนำไปสู่สถานการณ์แบบ “LOSE-LOSE”
- แม้ใช้พรอมป์ต์เดียวกันก็ไม่อาจให้ผลลัพธ์แบบเดิมได้เสมอ และโค้ดที่สร้างขึ้นยังจำเป็นต้องผ่าน การตรวจสอบและแก้ไขโดยนักพัฒนามนุษย์
- ไม่มีหลักฐานว่า AI กำลังแทนที่นักพัฒนา ขณะที่การลดจำนวนพนักงานในช่วงหลังเกิดจากปัจจัยทางเศรษฐกิจ เช่น การจ้างงานเกินตัวในช่วงโรคระบาด การขึ้นดอกเบี้ย และการทุ่มลงทุนในดาต้าเซ็นเตอร์
โจทย์ยากที่เป็นแก่นแท้ของการเขียนโปรแกรม
- แก่นของการเขียนโปรแกรมคือ กระบวนการเปลี่ยนความคิดอันกำกวมของมนุษย์ให้กลายเป็นการคิดเชิงคำนวณที่แม่นยำตามตรรกะ
- นี่คือความยากที่ไม่เคยเปลี่ยน ตั้งแต่ยุคบัตรเจาะรูไปจนถึง COBOL, Visual Basic และ Python
- เนื่องจาก ภาษาธรรมชาติมีความกำกวมและไม่แม่นยำโดยเนื้อแท้ จึงมีการอ้างคำทำนายของ Dijkstra ว่า ยุคที่เราจะเขียนโปรแกรมด้วยภาษาอังกฤษหรือภาษาฝรั่งเศสจะไม่มีวันมาถึง
- วิธีคิดแบบนี้สามารถเรียนรู้ได้ แต่ ไม่ใช่สิ่งที่ทุกคนจะชอบหรือทำได้ดี และอุปทานของบุคลากรที่มีทักษะก็ขาดแคลนอยู่เสมอ
ข้อจำกัดของ AI และความยั่งยืน
- AGI (ปัญญาประดิษฐ์ทั่วไป) ยังอยู่อีกไกล และต้องอาศัยความสามารถระดับมนุษย์ด้าน ความเข้าใจ การให้เหตุผล และการเรียนรู้
- LLM ขนาดใหญ่ ก่อให้เกิดต้นทุนและการขาดทุนมหาศาล ทำให้ ไม่ยั่งยืนในระยะยาว
- เมื่อเวลาผ่านไป ข้อจำกัดจาก ภาษาและเวอร์ชันไลบรารี ที่โมเดลเคยเรียนรู้ อาจทำให้ความสามารถในการใช้งานลดลง
- ด้วยเหตุนี้ LLM ขนาดมหึมาอาจลงเอยเป็นเพียงการทดลองที่ไม่คุ้มทุน เหมือนโครงการสำรวจดวงจันทร์ Apollo
แนวโน้มของสภาพแวดล้อมการพัฒนาในอนาคต
- การพัฒนาซอฟต์แวร์ในอนาคตอันใกล้คาดว่าจะอยู่ในรูปแบบที่ เครื่องมือช่วยเหลือซึ่งอิงกับโมเดลภาษาขนาดเล็ก ทำหน้าที่ เสริม เช่น การสร้างต้นแบบหรือการเติมโค้ดอัตโนมัติ
- อย่างไรก็ตาม การตัดสินใจสำคัญและการรับประกันคุณภาพยังคงต้องอาศัยนักพัฒนามนุษย์เป็นผู้นำ และตามกฎของ Jevons ความต้องการนักพัฒนาอาจเพิ่มขึ้นด้วยซ้ำ
- องค์กรควร ลงทุนกับการจ้างและพัฒนานักพัฒนาที่มีทักษะตั้งแต่ตอนนี้ เพราะนี่คือ กลยุทธ์สำคัญในการเพิ่มประสิทธิภาพและความน่าเชื่อถือ ไม่ว่าจะมี AI หรือไม่ก็ตาม
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
หลังจากลองใช้ agent-LLM มาหลายปี ผลคือมันแทบไม่มีประโยชน์กับการเขียนโปรแกรมจริงเลย
มันแก้ปัญหาไลบรารีระดับล่างที่ซับซ้อนหรือ บั๊กที่ไม่เป็นไปตามสัญชาตญาณ ไม่ได้ และไม่เข้าใจตรรกะของชั้น abstraction ต่าง ๆ
แต่ถ้าเป็นงาน boilerplate ที่ทำซ้ำมาแล้วนับพันครั้ง เช่น การสร้างเว็บไซต์ง่าย ๆ มันกลับทำได้ยอดเยี่ยม และช่วยประหยัดเวลาได้ระดับหนึ่งวันทำงาน
แต่ยังมองไม่เห็นว่า LLM จะก้าวข้ามงานง่าย ๆ ไปสู่การเข้าใจปัญหาซับซ้อนได้
การเขียนโค้ดระดับล่างหรือการแก้บั๊ก legacy ไม่ใช่ทั้งหมดของการเขียนโปรแกรม งานสร้างเว็บไซต์ที่ LLM ทำได้ก็เป็นการเขียนโปรแกรมรูปแบบหนึ่งอย่างชัดเจน
มันช่วยประหยัดเวลาได้มากในการทำความเข้าใจ codebase ขนาดใหญ่ ระดมความคิดเรื่องฟีเจอร์ และหาช่องว่างในการ implement
มันแทนทั้งหมดไม่ได้ แต่ในฐานะเครื่องมือทรงพลังของวิศวกร มันมีคุณค่าแน่นอน
แต่สำหรับนักพัฒนาส่วนใหญ่ งานคือการ ประกอบ framework และ library เข้าด้วยกัน
เหมือนรถยนต์ไฟฟ้าที่อาจไม่เหมาะกับการขนส่งสินค้าหนัก แต่ก็มีประโยชน์มากพอสำหรับผู้ขับขี่ทั่วไป LLM ก็อยู่ในตำแหน่งแบบนั้น
ถ้าเป็นเมื่อไม่กี่เดือนก่อนผมอาจเห็นด้วย แต่ตอนนี้ดูเหมือนเทคโนโลยีได้ข้ามเส้นนั้นไปแล้ว
ผมทำงานในสาย ERP และเอเจนต์ช่วยเพิ่มผลิตภาพได้แบบก้าวกระโดด
ต่อให้ค่าสมาชิกรายเดือนขึ้นไปถึง 500 ดอลลาร์ ผมก็ยังจะใช้ต่อ เพราะมันคุ้มค่า
ผมกลัวว่าคำทำนายที่ว่า AI จะลดความจำเป็นของโปรแกรมเมอร์จะกลายเป็นจริง
ตอนนี้ผมรู้สึกแล้วว่า AI เก่งกว่าผมในเรื่อง การออกแบบ, code review, การตรวจจับบั๊ก, การวางแผนโปรเจ็กต์
เหมือนผมเหลือแค่บทบาทเป็น วาทยกร ที่คอยควบคุมกระบวนการเท่านั้น
มันน่ากลัวตรงที่ให้ความรู้สึกเหมือนกำลังทำงานที่เมื่อก่อนต้องใช้ 20 คนอยู่คนเดียว
มนุษย์เท่านั้นที่เก่งเรื่องการวางแผนระยะยาวและการตัดสินใจ เรามี ความกังวล ความภาคภูมิใจ และอารมณ์ ซึ่งนั่นแหละคือจุดแข็งที่แท้จริง
AI ก็เป็นแค่ถุงคำ ไม่มีทั้งความรักและความต่อเนื่อง
แค่มีความสามารถพื้นฐาน มนุษย์ก็ยังดีกว่ามาก
ถ้าคนเดียวทำงานที่เคยต้องใช้ 20 คนได้ ก็แปลว่า 20 คนนั้นเดิมทีก็ผลิตภาพต่ำอยู่แล้ว
หัวใจสำคัญคือการเดินเครื่องล้างจานอย่างต่อเนื่อง และ coding agent ของ AI ก็เหมือนเครื่องนั้น
ผมใส่พรอมป์ต์ ตรวจผลลัพธ์ แล้วจัดระเบียบมัน สุดท้ายก็ยังต้องใช้มือมนุษย์อยู่ดี
ถ้า AI ทำให้คนหนึ่งคนทำงานที่เคยต้องใช้ 20 คนได้ นั่นคือ การเพิ่มผลิตภาพ และสร้างความมั่งคั่งได้มากขึ้น
ผมคิดว่ากระแส LLM ตอนนี้คือ Eliza effect ขนาดใหญ่
แนวคิดที่เกี่ยวข้องดูได้จาก ELIZA effect และหนังสือของ Weizenbaum Computer Power and Human Reason
LLM ดูเหมือนวิวัฒน์มาเพื่อทำให้ คนที่มีอิทธิพล (CEO, นักลงทุน) ประทับใจ
มันไม่จำเป็นต้องเก่งถึงระดับผู้เชี่ยวชาญจริง แค่ดู “ดีพอ” ก็ถูกนำไปใช้แล้ว
ภัยคุกคามที่แท้จริงต่อ developer อเมริกันคือ การเอาต์ซอร์ส ไม่ใช่ AI
ผมเป็นผู้อพยพและทำงานอยู่ที่บริษัทการเงินในนิวยอร์ก พนักงาน 95% มาจากต่างประเทศ และคนที่รับเข้าใหม่ส่วนใหญ่ก็ถือ วีซ่า H1B
อย่างที่ Dijkstra เคยพูดไว้ตั้งแต่ 50 ปีก่อน การเขียนโปรแกรมด้วยภาษามนุษย์นั้นเป็นไปไม่ได้
เพราะภาษาธรรมชาติมีความ กำกวมและไม่แม่นยำ โดยเนื้อแท้
คนที่บอกว่า “พรอมป์ต์คือซอร์สโค้ดแบบใหม่” ก็คล้ายกับ คนที่สร้างแอปด้วย Excel
ผมอ่านหนังสือชื่อ “Blood in the Machine” แล้วได้รู้ประวัติของ ขบวนการลัดไดต์
ก่อนการปฏิวัติอุตสาหกรรม เสื้อผ้าถูกผลิตกันในระดับครัวเรือน แต่เมื่อเครื่องจักรเข้ามา อุตสาหกรรมหัตถกรรมก็พังทลาย
ตอนนี้นักพัฒนาก็ดูเหมือนกำลังเดินตามเส้นทางเดียวกัน
แต่ในการพัฒนาซอฟต์แวร์ การเขียนโค้ดเป็นแค่ส่วนหนึ่งของกระบวนการทั้งหมด
อย่างที่ Toyota เข้ามาแทนช่างฝีมือ ถ้า LLM ทำให้การบำรุงรักษาเป็นอัตโนมัติได้ นักพัฒนาก็คงเจอชะตาเดียวกัน
ถึงจะมีเสื้อผ้าราคาถูกล้นตลาด แต่ ดีไซเนอร์และแบรนด์หรู ก็ยังอยู่ ซอฟต์แวร์ก็น่าจะเปลี่ยนไปในลักษณะเดียวกัน
เมื่อก่อนก็เคยบอกว่าเครื่องมือ WYSIWYG อย่าง Visual Basic และ Delphi จะมาแทนโปรแกรมเมอร์ แต่สุดท้ายก็ไม่จริง
AI ก็คล้ายกัน มันอาจสร้าง โค้ดที่เปราะบางและไม่เสถียร ได้ แต่สุดท้ายก็ยังต้องมีโปรแกรมเมอร์จริงมาทำให้เสถียร
ย้อนกลับไปในยุค 1980 รัฐบาลและอุตสาหกรรมก็ทุ่มเงินมหาศาลกับ 4GL แต่สุดท้ายก็ล้มเหลว
โครงการ MITI Fourth Generation Project ของญี่ปุ่นก็คล้ายกัน “วิกฤตซอฟต์แวร์” ในตอนนั้นดูเหมือนกระแส AI ในปัจจุบันมาก
บทความนี้ให้ความรู้สึกเหมือน บทความสรรเสริญ AI โดยเฉพาะช่วงท้ายที่โปรโมตบริการด้านการศึกษา
ถึงอย่างนั้น ผลิตภาพของผมก็เพิ่มขึ้นจริง ดังนั้นสุดท้ายแล้ว ความต้องการนักพัฒนาอาจลดลง คงเลี่ยงไม่ได้
กลับรู้สึกเหมือนเป็น บทความที่ LLM เขียน จากการปะติดปะต่อความเห็นหลาย ๆ แบบ
ถ้าต้นทุนการพัฒนาลดลงครึ่งหนึ่ง ก็จะมีอีกหลายวงการที่หันมาใช้ซอฟต์แวร์มากขึ้น
ดู Jevons paradox
เช่นเดียวกับ โมเดล Swiss cheese ในความปลอดภัยการบิน LLM ก็อาจมองได้ว่าเป็นอีกชั้นหนึ่งของการพัฒนาซอฟต์แวร์
แม้แต่ละชั้นจะไม่สมบูรณ์ แต่ก็สามารถ ชดเชยข้อบกพร่อง ของกันและกันเพื่อยกระดับคุณภาพโดยรวมได้
เรายังไม่ถึงขั้นนำมันไปใช้กับการตรวจสอบโค้ดหรือการวิเคราะห์การทดสอบอย่างชาญฉลาด
แต่ผมมั่นใจว่าสักวันจะมีกรณีใช้งานที่เหมาะสมจริง ๆ ออกมา
ถ้าจะให้มั่นใจเรื่องความปลอดภัย สุดท้ายก็ยังต้องมีคนตรวจทั้งหมดอยู่ดี
ความน่าเชื่อถือของซอฟต์แวร์การบินกับความไม่เสถียรของ LLM นั้นเทียบกันไม่ได้เลย