大家好，我是袁庭新。分享一篇我在陕西理工大学给计算机专业、人工智能专业和网络工程专业的演讲内容。
各位计算机学院的小伙伴们，大家好啊！欢迎各位来到今天的分享会，非常荣幸能在这里和大家相聚。今天在这里，我要与大家共同探讨一个正在深刻改变我们行业、乃至整个社会的热门话题——《AIGC时代面临的机遇与挑战》。
首先，自我介绍一下，我叫袁庭新。不过大家也可以叫我老袁，因为同学们都这么叫我，这样感觉更亲切些。我呢，算是计算机行业里的一个“老炮儿”了，当然，这里的“老”不是指年龄，是指在这个领域里摸爬滚打的时间，一晃眼就是好多年。今天呢，我来到这里，就是希望能跟大家一起分享一些我在计算机行业里的所见所闻，包括最新的技术趋势、行业动态，还有一些我个人的心得和体会。AIGC技术的兴起，究竟意味着哪些前所未有的机遇？又伴随着哪些不容忽视的挑战？我们如何在浪潮中把握方向，不仅成为技术的驾驭者，更能成为推动社会进步的力量？
先给大家介绍一位顶级大佬——里德·霍夫曼。他是著名互联网企业家，领英联合创始人；知名风险投资者，Open AI早期投资人；《纽约时报》畅销书作者、播客主持人。他著有《GPT时代人类再腾飞》一书，这本书探讨了AI，尤其是像GPT-4这样的大语言模型，如何在教育、商业、创造力、社交媒体、新闻、劳动方式等方面提升人类的能力与强化人类的特质。今天我把这本书带过来了，就是这本书。这是人类历史上第一部由GPT-4与人类合著的开创之作！
你们知道吗？这一年来，人工智能，特别是AIGC，简直火的一塌糊涂。从AI生成图片、一键搞定PPT、智能写作助手，到辅助写论文、智能客服，还有AI和法律、教育的结合，这些应用简直遍地开花。对于咱们这些学计算机的小伙伴来说，最感兴趣的莫过于AI如何辅助我编程，还有怎么让软件研发工作也变得智能化起来。是不是听起来就让人跃跃欲试啊？这个板块来给大家介绍两款工具：AI编程助手、AI程序员。
过去这一年里，AI辅助编程工具呈爆发式增长，简直就是百花齐放，百家争鸣的热闹场面！Gartner是美国的一家信息技术研究分析公司，提供了大量专业的行业分析及趋势预测。AI辅助编程在Gartner报告中处于期望顶峰，备受关注。根据最新数据显示，自2023年以来，AI编程工具这个赛道，已经吸金无数，数十亿美元数十亿美元的投资嗖嗖地往里砸。足以显示出这一领域的巨大潜力。
现在啊，你看国内外那些大厂，一个个都摩拳擦掌，争先恐后地推出他们自家研发的智能神器。咱们国内，百度有文心快码，阿里拿出了通义灵码，字节跳动也不甘示弱，推出了豆包MarsCode。放眼国外，微软和OpenAI联手搞了个AI编程神器GitHub Copilot，瑞士有家公司弄了个Bito，还有亚马逊，他们整了个生成式人工智能小帮手Amazon Q。你们发现没？这些科技大佬都不约而同地盯上了开发环节的智能化，这不就是互联网行业最新的风向标吗。
说实话，我在这里没法把市面上所有的AI编码助手一一给大家介绍一遍。但阿里的通义灵码绝对是个亮点，深受开发者们的追捧和喜爱。你们猜猜看，它的插件下载量有多少？超过500万！没错，500万开发者选择了它！更牛的是，它竟然为这些开发者们生成了超过10亿行的代码！是不是听起来就让人热血沸腾？
下面我通过一个小视频介绍下通义灵码AI智能编码工具它的一些核心功能。能帮你续写代码，根据上下文和当前语法自动预测和生成建议代码。帮你写代码，根据自然语言描述，生成你要的功能，编码心流不间断。帮你写代码注释，一键生成方法及行间注释。帮你解释代码，一键生成代码解释。帮你写单元测试，自动生成多种框架单元测试。帮你优化代码，识别潜在的编码问题，提供具体的优化建议代码。帮你答疑解惑，你来问问题，灵码来解答。帮你生成终端命令，终端命令助手，轻松获取命令。帮你一键生成提交说明，自动概括变更内容，简化代码提交流程。这就是通义灵码最核心的一些功能演示。
有那么多AI编码助手可共选择，为何你唯独只介绍通义灵码，有同学可能会问到。为什么通义灵码能获得国内外研究机构和开发者的广泛认可呢？第一个是，通义灵码获得国内外研究机构众多荣誉。通义灵码是唯一进入到Gartner AI代码助手挑战者象限的中国代码助手产品。通义灵码首批通过信通院“可信AI智能编码工具”权威评测，获得4+评级。2024年7月，通义灵码入选2024世界人工智能大会展览镇馆之宝，是首个入围的AI编码助手。第二个是，通义灵码对多编程语言、多编辑器全方位支持。支持Java、Python、Go、JavaScript、TypeScript、C/C++、C#等主流语言，同时兼容Visual Studio Code、Visual Studio、JetBrains IDEs等主流编程工具，为你提供高效、流畅、舒心的智能编码体验。第三个是，通义灵码能代码智能生成，完成工作更高效。通义灵码经过海量优秀开源代码数据训练，可根据当前代码文件及跨文件的上下文，为你生成行级/函数级代码、单元测试、代码注释等；沉浸式编码心流，秒级生成速度，让你更专注在技术设计，高质高效地完成编码工作。
你别看AI编码助手那么强悍，其实它们可不是万能的，也有自己的小短板。比如说，你的代码仓库要是私有的，它可就摸不着门路了，因为它没在你的数据上训练过，对你的私有仓库一无所知。再一个，这家伙没法实时跟你的编程环境互动，就像它没法拿起你电脑上的那些软件工具来帮你干活一样。还有啊，它的自主能力比较差。因为它是靠静态数据训练出来的，遇到那种需要从头到尾、一步一步灵活解决的复杂软件任务，它就有点儿力不从心了。所以啊，虽然AI编程助手很强大，但咱们还是得清楚它的局限性，别一股脑儿地指望它能搞定所有事儿。
随着大模型的持续进化，在语义理解、代码生成、开发工作流等方面的能力也获得了持续、全面的提升。你说，要是有个编程小助手，就像智能汽车能自动驾驶一样，咱们只需要动动嘴皮子，它就能嗖嗖地给咱们写出代码来，这画面是不是挺带劲的。没错，AI程序员，这个听起来就像科幻电影里的角色，现在正一步步走进现实。你知道吗？就在2024年3月12日，Cognition公司放了个大招，推出了全球头一个AI程序员——Devin，这可是AI和软件开发牵手共舞的新纪元啊。还有GitHub，他们也搞了个新花样，叫做GitHub Copilot Workspace，是基于GPT-4这个超级大脑打造的一款AI智能编程工具。不过呢，这些海外产品均基于闭源模型，包括GPT4o、Claude3.5等，在国内产品中无法使用。
再来看一下国内的AI程序员产品，主要以通义灵码AI程序员为代表。通义灵码 AI 程序员是阿里云和通义实验室联合开发的一款 AI 智能体，旨在辅助并部分替代人类程序员完成复杂的编程任务。
无论是哪家公司的AI程序员产品，他们的使用场景是类似的。开发者负责输入需求，然后AI程序员来理解需求和任务拆解，再交由开发者来确认计划，确认完成后AI程序员开始编码实现、自主测试和提交代码，最终开发者进行结果确认。在这个过程中我们比较关注AI程序员的三种使用场景，分别是缺陷修复、测试生成和需求实现。
第一个场景是，AI程序员具备强大的Bugfix Agents全自动缺陷修复能力。它具有项目感知能力，根据缺陷上下文，进行缺陷定位和信息收集，然后生成可用的经过验证的缺陷修复代码。开发者只需确认计划，AI程序员即可自动完成代码修复。整个过程是依靠多个Agents来协作完成的，成为每个开发者的Bugfix小助手。
第二场景是，UnitTest Agents全自动单测生成。单元测试是AI比较擅长的，并且可以大幅度提升代码质量，也是AI编码头部公司比较关注的领域。首先需要对UnitTest模型能力提升，这就需要对模型进行专项训练。第一个控制单元测试生成的数量，包括分支的覆盖；第二个规范性，比如Java单元测试范式的标准；第三个单元测试框架的支持，如JUnit4和JUnit5不能混淆，需要教会模型在不同框架下如何生成正确的测试用例；还有要保证生成的单元测试风格要统一等。通过这一系列的模型训练和优化，现在已经能做到单元测试一次性编译通过率达到40%左右。单元测试能不能实现达到近100%的通过率，这就需要用到Agent技术。通过Agent来建立一个复杂的工作流，包括生成单元测试、编译构建和运行、搜索工程信息、自主修复、报告生成、用例采纳等。
下面通过一个小视频来快速了解下通义灵码AI程序员的使用。通义灵码AI程序员是基于通义大模型的AI编程智能体。我输入需求，AI程序员理解需求，进行任务拆解，我确定计划，AI程序员来编码实现，以及进行自主测试和提交代码，最后由我来确认。我可以提出待解决的问题，AI程序员就会阅读问题详情，然后完成代码库拉取并进行分析，AI程序员基于分析结果生成解决计划。这个时候，我可以查看AI程序员定位的代码文件及方法，同时我可以修改解决计划，给AI程序员增加额外的一个优化点。AI程序员根据计划拟定解决方案，我来查看AI程序员即将修复的代码片段，确认无误后就可以进行下一步了。AI程序员按照解决方案变更代码文件，这时我就可以查看变更后的代码Diff详情了。AI程序员生成合并请求标题及描述，我来完成提交合并请求，还可以查看合并请求。这就是通义灵码AI程序员的核心功能。
作为未来的软件开发工程师，我们不光要学习这些先进的AIGC生产力工具，还得深入了解企业里智能编程的那些实际做法和应用情况。只有这样，咱们才能在技术的大潮里勇往直前，成为带动社会发展和产业升级的主力军。
科技公司最关注的就是研发效能，那AIGC对企业的研发效能有什么样的影响？可以从三个维度来探讨，研发效率、协作效率和个人效率。先说人员技能吧，这可是效率的基础，也是提高效率的突破口，AIGC能帮忙提升开发人员的本事，让他们补上技能上的短板。然后是协同消耗，我们都知道，软件架构越复杂，组织也就越复杂，合作起来消耗就越大，但是AIGC能让流程变得更规范，打造出超级个体，也就是让每个人都能发挥最大作用。最后一个就是持续提高效率了，AIGC可以将非结构化的数据结构化，将结构化的数据模型化，随着工具的不断升级，构建企业的数字资产。
软件工程是什么？软件工程是是人类历史上第一次大规模集体智力协作活动。这里隐含两个关键词，第一个是大规模协同活动，第二个是智力活动。大家知道智力活动有个显著的特点是不可见性，所有的知识都装在各位的脑子里，这也就是为什么软件开发行业要进行专业的分工，因为每个人的智力是有限的。
如果要提升研发效能，这是一个集体协作、知识共享的工作，我们能不能把隐性的工作通过AIGC显性化。比如说，我同事写的代码我知道它是什么，企业里的规范我也知道它的标准是什么。这样，对我来说在软件开发的协同过程中就不会有信息的壁垒。这就极大的提升了我的工作效率。
在大语言模型日益成熟和广泛应用的背景下，人工智能带来了新的人机协同模式。可以分成三个阶段，第一个是大语言模型是一个Copilot阶段，这个阶段大语言模型不会改变软件工程的专业分工，但可以增强领域专业技术，AI研发工具辅助人来完成任务。第二个阶段是大语言模型是一个Agent阶段，它变成了单一职能专家，能够自主使用工具完成预定任务。第三个阶段是大语言模型是一个Multi-Agents阶段，软件开发是一个大工程，我们可以把它拆分成多个模块，再把每个具体的模块交给某个Agent专家来完成开发，这个大工程就变成了由多个Agent互相协作来完成这项复杂的工作，人就负责创意、纠偏及确认。这就是AI程序员要干的事情。
随着我们面临的问题越来越多，技术也越来越厉害，智能化研发工具能干的事儿就越来越广了。一开始呢，它就像个帮手，能帮我们写点代码，这个阶段咱们就叫它Copilot阶段。然后啊，它就能自己搞定一些任务了，像个能干的小助手，这个阶段就是Agent阶段。再往后，它就更牛了，能自己研发新功能，好像有好多小助手一起合作一样，这个阶段就是Multi-Agent阶段。这三个阶段，每个都有它们专门的智能化研发工具来帮忙。
在企业内部完成智能化工具建设，如何从企业级到工程级，全面覆盖各类研发场景呢？智能化工具的建设路径就包括：需求协作、代码生成、异常排查、测试辅助，再到代码审核、文档辅助。比如说，在代码生成阶段就包含代码框架生成、API调用生成、配置文件生成、函数变量命令等。在代码审核阶段就包含，自有规范审核、潜在风险提醒、代码改进建议、提交前代码评审等。企业研发智能化全面的覆盖到了软件开发的各个阶段。
AI辅助编码对于程序员的工作效率提升很大。 来看一份程序员的时间分配数据，在日常工作中，程序员花费三分之一的时间编写新代码或改进现有代码（32%）；花费35%的时间来管理代码，包括代码维护（19%）、测试（12%）和响应安全问题（4%）；另外23%的时间花在会议以及管理和运营任务上。引入AI编程辅助工具后，开发者的个人工作效率至少提升11.2%，这个数据是怎样得出来的呢？我们可以使用“开发者的编码时间占比 x AI代码生成占比”公式来计算出“个人工作效率提升”的数值。并且随着人工智能的不断发展，开发效能将持续被提升。
现在的科技公司都在使用智能编码助手，像通义灵码这样的智能化工具已成功入职多家金融、汽车、新零售、互联网等企业，来帮助企业实现研发智能化升级。还是以通义灵码为例，我们来看下企业是如何评价通义灵码的价值的，哈啰集团已全面接入通义灵码专属版，与自研产品融合，开发进入智能化创作时代，AI代码生成占比超25%，研发效率提升12%。中华财险是一家积极拥抱“云+AI”的金融保险企业，通义灵码已应用到他们的内部代码研发场景了，用于提升开发效能，使用的研发人员使用占比60%，问答准确率90%。
AI程序员实际落地比学术探索更困难。面临的问题非常的多，如何进行软件过程数据构建、项目感知（项目代码量很大，如何在输入长度有限的情况下拿到足够的上下文）、解决方案生成（如何规划整个解决方案的生成，并保障代码能够自动化合并到项目）、缺陷修复。还有像模型效果、响应时间、可干预性、推理成本等。都是摆在我们面前需要攻克的难关。
尽管AI程序员在落地过程中面临诸多挑战，但我依然持乐观态度。从需求分析阶段、系统设计阶段、软件开发阶段、软件演化阶段、软件维护阶段，AI程序员将成为领航者。我大胆预测下未来：软件开发将从依赖团队配合(人)，逐步过渡到，依赖超大算力(机器)，逐步形成“机器开发，人审核”的智能化软件工程范式！
最后一个板块给大家介绍些前沿的技术趋势，包括Serverless+AI、AI+可观测性、以及AI原生应用架构。如果想在未来成为一名合格且具备前瞻视野的软件开发工程师，这些新兴且热门的技术领域都是需要去了解的，并且在参加工作前尽可能去系统学习掌握它。这些技术对于许多人来说可能会感到很陌生，甚至觉得有一定的学习难度。但请放心，今天我们并不是来系统学习这些内容的每一个细节，而是希望通过一个宏观的视角，为大家勾勒出这些技术的基本概念、它们如何相互融合、以及它们对未来软件开发和运维可能带来的影响。
Serverless与AI的结合是云计算和人工智能领域的一个重要发展趋势。Serverless架构是一种云计算的部署模型，Serverless架构为AI系统提供了有效的解决方案。随着云计算和人工智能技术的不断发展，Serverless+AI的应用将会越来越广泛。Serverless无服务架构是如何演进来的呢？主要经历三个阶段，应用程序的运行环境是从早先的物理机，到虚拟机，最后演进到Serverless这种架构的。那Serverless有什么价值？这里我给大家举一个例子，为了出行方便最早会买私家车作为代步工具，但是这种方式带来资源占有和维护成本高，以及平时大量闲置，这就好比是物理机。为了解决这些问题，我们可以汽车租凭，好处是灵活租凭使用时长，闲置相对较少，但是也带来一个新问题，扩容相对麻烦，虚拟机就像是汽车租凭。最优的方案就是打网约车，它完全按需使用，没有闲置成本，根据负载自动弹性伸缩。通过以上的介绍Serverless架构的价值也就显而易见了：按需付费，成本节省；弹性伸缩，省事省心；聚焦业务，降低Ops。
Serverless架构与AI的融合，能让应用开发变得超级简单。有了这种按需提供的模型托管服务，企业花很少的钱就能让应用跑起来，特别是Serverless GPU算力模型服务，其成本平均降低了60%。而且啊，开发者只要点点鼠标，就能快速创建和部署AI应用，再也不用为一开始怎么上手发愁了。还有流程化的开发工具和专门给AI用的Studio，开发效率直接飙升了90%！这种架构还特别灵活，组件可以像拼图一样随便组合，方便大家进行二次开发。它还接入了好多云服务，还能通过自定义插件快速扩展功能，这样一来，企业就能更好地积累和重复使用他们的业务资源了。
当咱们把应用程序搬到云上后，运维的工作就不只是盯着看那么简单了，它变得更全面，得叫做“可观测性”。那么，什么是系统的可观测性呢？我们可以借助一些类比来理解：就像开车时候得靠仪表盘知道车况，或者建筑师得拿设计图纸来了解建筑一样，这些都是让人一眼就能看明白情况的东西，它们都是可观测性的直观体现。在软件开发这行，可观测性就是说，咱们能实时地、从头到尾地看到应用程序是怎么运行的，哪儿不对劲儿还能马上报警、找出问题。有了这套观测系统，管理和维护那些IT资源和服务就变得轻松多了。
大家可能对系统的可观测性这个概念还不是特别明白，那我举个实际的例子来说明一下。2024年巴黎奥运会，阿里云为奥运会的14个场馆都装上了一个叫mucar的AI加强版多镜头回放系统。这个系统怎么做的呢？就是把好多摄像头拍到的画面都传到云上，然后用那种特别牛的“ACK Pro集群加上GPU节点”的AI计算能力，在云端实时地重建场景、做3D渲染。就这么几下子，几秒钟内，云端就能做出回放，而且还能直接插到比赛直播里，让全世界观众都能看到。阿里云还得保证奥运会的那些业务系统都稳定运行，就算有很多人同时看，也得保障超大流量访问顺滑。它是怎么做到的呢？靠的就是一个能全面监控整个系统稳定性的大盘，这个大盘就是可观测性的一个实际例子。
软件运行过程中为了保证稳定性，需要观测的维度是非常多的。比如说，得看看基础设置咋样、容器运行得好不好、云产品是不是靠谱、应用是不是顺畅，还有用户体验怎么样。从专业技术角度来说，就是要实现基础设施可观测、容器可观测、云产品可观测、应用可观测和用户体验可观测等。随着AI技术的发展，可观测也在加速迈向智能化，将会形成全栈智能可观测的一种新趋势。企业用户可以像“搭积木”一样轻松、灵活地构建可观测体系。总之，未来可观测与智能化紧密结合是大势所趋。
下面我们来看看软件架构的演进历程。一开始是单体架构，然后变成了垂直架构，接着有了SOA架构、微服务架构，之后又蹦出了云原生架构，现在最火的是AI原生架构。从云原生跳到AI原生，网关这个角色也经历了翻天覆地的变化。在这一连串的变化里，网关技术也是突飞猛进。最开始就是简单的流量网关，还有企业服务总线（ESB），后来有了微服务网关、云原生网关，现在最新的潮流就是智能网关，也就是AI网关！
在AI原生应用架构中，我们会面临一些问题。比如说有，咱们得面对好多API、需要长时间保持的连接、高延迟问题，还有大带宽等诸多技术难题。先说说高延时，大语言模型的推理响应延时要比普通应用高出很多，此时如果AI应用遭到恶意攻击，攻击者的成本会很低，但服务端的开销很高。还有就是大宽带，AI场景对带宽的消耗远超过普通应用，网关如果没有实现较好的流式处理和内存回收机制，容易导致内存快速上涨。这个时候，在AI原生应用架构中，设计一个能够随时随地有效控制和管理应用流量的AI网关变得至关重要。这样一来，企业用AI的时候就既安全又高效了。
问题来了，我们到底需要多少个网关？接入网关、流量网关、安全网关、业务网关、云原生网关......等等。同时，还需要考虑网关的稳定性、安全性、是否方便集成、性能是否出众、是否智能化等问题。
Higress是一款云原生API网关，可以帮助开发者零代码构建AI原生应用。说到Higress的生态，它是AI先行者，在国内率先推出了一整套AI插件，让用户通过很少的代码就能打造AI应用，阿里云的PAI、百炼、通义这些强大工具都已经和Higress无缝对接上了。生态丰富，AI领域Al Proxy对接了20+大模型厂商，不光如此，它还把微服务、容器和安全这些领域都整合进来了。社区活跃，自2022.11开源以来累计发布版本35+。易于扩展，支持C++、Rust、Go、AssemblyScript等多语言开发插件。最后一点，关键它还是开源的，同时还提供了商业版。
云原生API 网关Higress，是基于真实的业务需求而孵化出来的。比如通义APP、模型服务灵积、人工智能平台PAI用的都是Higress网关。它在AI应用、AI模型服务平台、AI模型等业务领域，都有很好的实践案例。
在分布式微服务开发领域，Spring Cloud Alibaba提供了一整套的微服务解决方案，成为技术选型的主流。在AI的浪潮下，Spring Cloud Alibaba积极拥抱AI技术，研发了Spring AI Alibaba项目。
Spring AI Alibaba重磅发布，项目也正式开源。Spring AI Alibaba开源项目基于Spring AI构建，是阿里云通义系列模型及服务在Java AI应用开发领域的最佳实践，提供高层次的AI API抽象与云原生基础设施的无缝集成方案，帮助开发者快速构建AI应用。可以说是，让Java开发者一步迈入AI原生时代。
作为未来的软件工程师，大家可能比较关注的是微服务的发展趋势是什么？第一个是标准化，微服务已经进入成熟发展阶段，常用的组件已历经多年版本迭代，如RocketMQ 5.0、Dubbo 3.3、Spring Cloud 2023、Nacos 2.4。第二个是多语言化，随着业务的多样性，微服务支持Java、Golang、Python、Rust等多语言SDK。第三个是高可用化，研发态、运行态、变更态，领域默认就高可用。
在微服务全景图里，绝大多数的组件都是由阿里提供的，像Dubbo、SCA、RocketMQ、Nacos、Sentienl、Seata、Higress等都是阿里的产品。阿里引领国内微服务架构，相关开源产品有60%市场份额。同时Spring Al Alibaba开源项目，可用于快速构建Spring AI标准应用，在AI场景中有着最佳的实践。更为重要的是，以上提到的有关阿里的组件或产品，都是开源免费的。
聊了这么多有关云原生和AI原生的技术，它们之间并不是孤立的，而是有着相互依存的关系，通过云原生让应用场景更多注入AI，通过AI原生让更多云原生应用赋予智能。
科技如此迅猛的发展，想象一下，未来30年、50年或100年后由AI驱动的世界，会是怎样的？我不知道。身处在这个行业，我已经深刻感受到，一项真正具有革命性的技术，正汹涌的渗入这个时代。面对这些未知，大家难免会感到惶恐、不安。新技术层出不穷，扑面而来，我们甚至不知道从何学起。想给大家分享的东西还有很多，由于时间的原因最后我借用《GPT时代人类再腾飞》书中的一段话来结束今天的讲演：“我们正在亲历前所未有的变革——互联网改变了信息传递的方式，指数级技术快速发展并颠覆商业世界，人工智能正在侵占越来越多的人类领地。面对这些变化，我们需要问自己：未来需要什么样的人才？答案是，成为终身学习者”。
谢谢大家！如果后续还有同学希望进行深入的交流与探讨（ 我的地球号：yuantingxin2 ）。
