AIGC重构应用开发智能化新格局

AIGC重构应用开发智能化新格局主讲人：中国信息通信研究院人工智能研究所 秦思思目 录01背景现状02发展趋势目 录03信通院工作介绍大模型加速人工智能技术迈向“大一统”OpenAI GPT-42023年3月语言自动驾驶生物化学气象机器人特斯拉FSD V122023年8月上海实验室UniAD2023年6月盘古气象大模型Pangu-Weather2023年7月谷歌气象大模型GraphCast2023年7月机器人RT22023年7月特斯拉Optimus Gen22023年12月谷歌AlphaMissense蛋白质预测2023年9月谷歌GNoME晶体结构预测2023年11月以Transformer架构为基础的大模型不断取得新突破，进一步确认了人工智能技术发展走向新范式视频生成谷歌VideoPoet2023年12月参数规模、计算量和训练数据增加可带来模型性能持续提升（Scaling Law)一个模型能同时支持多种任务和多个模态，甚至实现跨模态通过模型微调、思维链提示等措施即可实现能力进一步增强规模可扩展性强多任务适应性强能力可塑性强传统AI规模增大不能带来性能持续提升一个模型只能胜单任务和单模态模型训练完成后能力无法进一步拓展大模型三个主要特征大模型底层算法走向统一使得人工智能平台化成为可能，基础模型正在成为新的“操作系统”，创新不断提速内容生成知识管理软件工程随着人工智能技术的不断进步，特别是大模型能力的持续提升，软件工程领域正迎来前所未有的变革，软件工程的流程和模式正被重新定义，软件智能化进程显著加速。软件工程发展历程软件工程3.0—“智能化软件工程”围绕“智能化”理念以构建智能化助手（Copilot）为起点，通过使用大模型为核心的AI技术驱动软件全生命周期能力升级。2001年敏捷软件开发宣言发布1968年NATO会议“软件工程”学科诞生2022年ChatGPT发布软件工程1.0软件工程2.0软件工程3.0结构化、规范化、工程化以瀑布模型为代表持续构建、持续集成、持续交付以敏捷开发、DevOps为代表理解能力、生成能力以AI技术为代表智能化数据驱动交互性自适应持续优化各工具都将逐步实现对大模型等AI能力的调取和应用，以提高工具自身能力的，为智能化软件工程打下坚实基础。高质量数据 是 大 模 型 成 功 的 关键，“Garbage In，Garbage Out”仍然适用。⚫ 大模型与人之间的人机交互⚫ 大模型与工具间的交互通过建立数据飞轮和反馈闭环，根据用户反馈、场景化数据和监控数据对大模型持续改进。根据对工程级代码的更优理解能力，以及检索增强生成（RAG）等工具的辅助能力，大模型的自学习能力越发强大.智能化软件工程发展概述需求分析需求续写UI设计接口设计代码生成补全解释单测生成测试用例生成测试脚本生成配置生成运维问答工单处理需求检查需求评审数据库设计架构设计代码重构自动化测试缺陷分析配置检查故障定位日志分析需求验证设计评审全流程编码缺陷修复自动化部署故障修复需求分析系统设计编码实现测试阶段部署交付运维阶段软件工程生命周期研发过程初步提效有望提效探索提效AI辅助效能提升环节示例代码审查依托Agent等技术，全面实现测试流程自动化与智能化，显著提高测试效率和质量利用Agent、RAG等技术，实现运维阶段故障自动定位与修复，达成智能化运维目标横向发展AI能力可深度赋能工业软件开发、嵌入式开发等场景，提升工业智能化水平AI能力可集成至CAE等工程计算软件中，增强国产计算软件的性能，助力提升现有能力局限纵向发展围绕软件全生命周期，以提高质量和效率为核心，以解决问题为点，用AI全面使能，推动智能化进程35%20%45%持续性工作时间占比AI将逐渐赋能软件工程全生命周期智能开发发展现状软件开发是大模型率先应用落地的领域之一，Gartner已将“AI增强软件开发”列入2024年十大战略技术趋势之一 。智能开发工具能力持续提升，应用行业更加多元化应用需求快速增长，编码阶段提效显著⚫使用智能开发工具的人数和频率越来越多;⚫智能开发工具的使用助力开发人员编码效率提升明显。智能开发价值显现20232023BIS年度经济报告：AI编程工具对程序员的生产力提升超过50%，且其中中仅有小部分来自于代码的直接生成，而更多是通过与机器交互的过程激发了程序员的创造力 。GitHub Copilot可帮助开发人员在编码过程中解决超过三分之二的漏洞 。2023年5月GitHub首席执行官在全球网络峰会上，演示GitHubCopilot X实现简单的贪吃蛇小游戏用时为18分钟，而2024年8月通过真实操作，使用Deepseek编码助手（V2）仅需2分钟左右，开发时长大幅减少，开发人员将有更多时间思考产品创新。提升开发效率，降低项目风险改善代码质量，提高产品稳定性加速产品迭代，增强企业竞争力软件开发的智能化转型正成为企业提升软件产品竞争力的关键因素。智能开发发展现状及价值显现智能开发工具市场迅速发展，国内外百花齐放*数据来源：信通院国内案例征集及调研访谈研发效率提升大量重复性编码得以释放，效率大幅提升交互方式革新从低代码平台拖拽式和积木式交互到AI编程助手自然语言交互落地方式变革从传统行级代码开发，到跨文件代码生成解决的问题智能开发作为智能化软件工程中的早期发力点，落地路径趋于成熟，交互方式发生变革，开发阶段效率全面提升互联网、金融代码自动化生成比例可达35%智能化开发工具企业内部推广使用率30%+全生命周期综合提效10%~55%，编码提效50%+，单测提效40%智能开发工具综合采纳率达到35.8%综合提效应用层代码资产保护、智能化水平衡量、落地路径不明确技术层推理结果处理、模型在线学习与AI Agent结合技术层工程化层工程化层工具衔接、模型量化、适配能力应用层智能开发框架1应用层工程化层模型调度模型定制模型层基础大模型研发问答大模型代码大模型安全过滤IDE智能编码代码生成代码补全代码注释代码解释开发者辅助研发问答bug排查代码搜索代码优化核心进展2效能提升3未来挑战4智能开发当前大模型在测试领域的局部应用是可行的，但考虑到测试工作的复杂性，基于Agent通过大模型+小模型+测试工具协调实现新一代智能测试，将是未来智能测试短期发展过程中的必然方式测试计划测试分析测试设计测试执行测试评估与报告结束测试测试控制小模型测试工具传统技术大模型新技术大模型更佳工具更佳ML模型更佳Agent对历史用例评审修复，降低维护成本问题2问题1问题3问题4减少简单重复性测试用例设计工作，节省时间功能测试用例设计释放需求理解分析所消耗的人工测试需求理解智能化的测试脚本代码生成，极大提升测试阶段编码效率自动化测试脚本生成用例评审与修复解决的问题某互联网企业已在200+产品业务中应用智能测试工具，测试用例采纳率达到40%某科技企业应用智能测试工具生成测试用例采纳率达55%，测试用例脚本编写效率提升30%互联网企业应用科技企业应用智能测试视图1效率提升2核心功能3未来挑战4数据参差不齐，高质量数据集成本高未来挑战数据质量问题效果评估指标模型性能局限多模态能力不足测试需求理解需要理解更长的上下文对流程图、架构图等缺乏有效理解模型缺乏指导与评测有效指标测试实施数