必一运动·(B-sports)官方网站

　　英伟达CEO黄仁勋前不久做出如此预言，在他看来，生成式AI的未来发展大幅降低了学习编程的意义。

　　AI编程确实已成为大模型落地的重要场景，Datos此前针对2023年5-7月ChatGPT用户使用情况做了分析，其中编程以29.14%占比高居榜首。也有数据显示，GitHubCopilot将程序员工作效率提升了55%，一些实验中AI甚至展示出超越普通程序员的能力。

　　必一体育运动官网

　　国内多家厂商也在近日专门对此发声，阿里云宣布，“国内首个AI程序员通义灵码入职阿里云，公司未来20%的代码将由通义灵码编写。”腾讯云称，“AI代码助手对鹅厂整体研发效能的提升，超过20%。”

　　包含AI编程形式的大模型场景在金融科技领域落地进展与效果如何，一直是金科行业内比较关注的话题。

　　钛媒体App近日了解到，金融科技公司奇富科技（原360数科）目前已经实现了Fintech领域AI软件研发的规模化验证。对此，钛媒体App与奇富科技技术副总裁宋荣鑫近日进行了一次独家对话，对于AI大模型对于编程及软件开发全流程的影响与冲击等话题展开了深入交流。

　　宋荣鑫表示，金融系统的研发与编码常涉及更高复杂度、敏感度的数据处理，对于研发过程中的安全性、准确性、效率和合规性的要求极高。他在实践中发现，金融类业务代码仅靠外部通用模型的效果不如人意，“通用代码生成能力很强，采用率可以达到80%以上。但结合金融特有的业务逻辑，相关代码采用率只有约10%。”

　　此外，代码编写在软件开发全流程中只是环节之一。宋荣鑫表示，在其整体研发过程中，编码工作占比40%；需求沟通、方案沟通、系统设计等环节占比30%；品控、测试、软件发布等占30%。因此，仅将AI应用聚焦于编码并不能最大程度提升开发效率。

　　为此，宋荣鑫认为应该搭建一套“专家模型”，将核心经验和知识都沉淀其中，应用在软件开发全流程之中。据其介绍，目前该公司已开发全流程AI开发工具“毓智AI”，搭建起了风控系统专家模型等数个专家模型。这些专家模型可以应用在需求沟通、方案设计、编码以及测试等各个环节。

　　从量化结果看，宋荣鑫表示，该公司在专家大模型已经覆盖的系统领域，实现了30%的研发效率提升，其中：P0&P1级需求沟通设计节约超30%时间；AI编写的代码采用率20%；测试案例的自动生成与执行，节省品控环节40%的人力。

　　宋荣鑫认为，大模型将对软件开发行业带来“革命性的变化”，软件开发的人才结构、管理模式可能在未来数年内发生深刻变化。

　　“传统开发团队中，一般是一名资深专家搭配数名高低职级的编码员工，未来可能就变成了一套专家模型搭配数十名低职级的编码员工，大量减少编码人力投入，并且编码降低门槛。同时，随着专家模型带来的扁平化流程变革，也会带来一些新岗位。比如，目前需要新设岗位来专门从事专家知识库的梳理和大模型调优的工作。”

　　宋荣鑫透露，目前其所在部门新设立了“金融系统专家模型工程师”岗位，“新岗位对于专业能力要求与传统岗位明显不同，需要要有更强的抽象能力、大模型建模的基本功、对公司业务流程和业务逻辑有深入理解。这种人才很稀缺。”

　　宋荣鑫提到，“软件开发行业的变革是必然的，而且可能比预期来得更快。未来几年内，我们就能见证显著的不同。”

　　以下为钛媒体App与奇富科技技术副总裁宋荣鑫的对话实录，经钛媒体APP编辑：

　　钛媒体：关于AI编程，国内外互联网巨头及众多初创公司均有涉足。为何奇富科技选择自研AI？

　　宋荣鑫：在战略层面上，我们很早就意识到大模型将对软件开发领域带来革命性的变化。

　　从初衷来看，我们十分注重其经济价值。当业务达到一定规模时，一些友商的软件开发团队可能达到上千人，甚至两三千人。如果能通过大型模型提高效率，例如我们只需要70%的人力，那么可以节省数亿元的成本。我们的具体目标是，从需求提交到上线，通过AI手段使所需人日减少30%。

　　我们有专门的团队成员负责监控网络上所有相关的新产品。经过半年多的实践，我们发现仅依赖现有市场产品，并结合我们的研发衡量体系，离30%的效率提升目标仍有差距。

　　宋荣鑫：首先，模型迭代迅速，但是我不可能要求团队每次推出一个新模型就整体切换一次，成本非常高。其次，即使30%的代码自动生成，并不意味着工作量直接减少30%。同时在金融领域，业务逻辑复杂的代码生成效率低，通用模型在处理特定金融逻辑时采纳率可能骤降至10%左右。

　　此外，编码只是软件研发的一部分，其整体研发过程中，编码工作占比40%；需求沟通、方案沟通、系统设计等环节占比30%；品控、测试、软件发布等占30%。因此，仅将AI应用聚焦于编码并不能最大程度提升开发效率。

　　宋荣鑫：我们建立了全流程AI开发工具——毓智AI，基于金融科技特性，构建了风控系统专家、核心交易专家以及获客运营专家等几大特异化知识库模型，将AI价值贯穿到研发过程的各个环节。

　　在需求沟通、方案设计环节，由于我们的需求交互过程有两大特点，金融科技业务强相关、历史需求上下相关，因此就可以利用AI进行业务知识问答及需求分析；

　　编码环节，开发人员可以根据自己的偏好动态选择预制好的各类通用代码模型的基础，还可以通过金融编码专家，生成获客运营类系统、风控类系统、核心交易类的金融业务逻辑代码；

　　品控环节，金融类系统在测试过程对于历史需求、历史代码、历史案例的上下文依赖度高，且对于测试环境和数据的耦合度深，专家模型能根据需求内容和代码变更范围，自动生成大量的测试案例，甚至能调度自动化造数和执行。

　　钛媒体：对于AI编程和软件开发助手的未来发展，您认为它们会趋向全面自动化开发吗？

　　宋荣鑫：技术进步无疑会带来工具属性的强化，但软件开发本质上是技术和艺术的结合，涉及深厚的专业知识、技能、沟通及创新设计。优秀团队与实践的差异能导致工作量相差悬殊。尽管自动化可以消除重复性工作，但创造性的思考和设计同样重要，正如电影行业中的3D建模，虽然技术简化了过程，但创意和设计始终不可或缺。

　　因此，我们不应当追求完全的自动化，而应注重价值创造，通过减少重复性工作，使开发者能专注于创新和关键逻辑的精炼。目前，即使提升30%效率，也只是我们初期目标。

　　宋荣鑫：AI实际上拓宽了工作范畴。岗位结构的确会发生变化，但也会催生新的机会。传统开发团队中，一般是一名资深专家搭配数名高低职级的编码员工，未来可能就变成了一套专家模型搭配数十名低职级的编码员工，大量减少编码人力投入，并且编码降低门槛。

　　同时，随着专家模型带来的扁平化流程变革，也会带来一些新岗位。比如，目前需要新设岗位来专门从事专家知识库的梳理和大模型调优的工作。

　　钛媒体：长远看来，AI与人类程序员之间会如何分工协作？是否存在颠覆性的变革？

　　宋荣鑫：变革是必然的，而且可能比预期来得更快。未来几年内，我们就能见证显著的不同。以我们新设立的岗位为例，起初可能由一人兼职，但不久的将来，可能就有数十人专职从事。这不仅是岗位数量的变化，更是人才结构和管理模式的革新。

　　以往经验丰富的员工才能处理的复杂任务，现在可能由经验较少但借助AI工具的员工完成，这将改变团队构成和管理方式。我对这一系列潜在变化持积极态度，认为它们将深刻影响行业。

　　钛媒体：从软件工程的发展历程来看，早期的瀑布流开发模式已逐渐过渡到如今的敏捷开发，旨在应对快速变化的市场需求。那么，人工智能和AI编程技术是否会进一步推动开发模式的变化？

　　宋荣鑫：确实，敏捷开发的初衷是缩短产品迭代周期，提高对市场变化的响应速度，相比传统的瀑布模型，它更强调灵活性和快速反馈。不过，敏捷开发对团队成员的技能，包括沟通能力和编程技术，提出了更高要求。随着AI编程技术的进步，比如自动化代码生成和客户沟通效率的提升，敏捷开发的效率将得到显著增强，使得开发过程更加迅速且适应性强。

　　简而言之，大模型的引入有望在保持敏捷性的同时，解决传统流程僵化与创新需求之间的矛盾，促进整个开发流程更加灵活高效。

　　钛媒体：关于AI编程目前主要集中在从零开始的代码生成，而非在现有系统上的增量开发，未来AI编程是否会向增量开发方向发展？

　　宋荣鑫：实际上，最新的技术进展已经在探索增强模型的上下文理解能力，例如Kimi/千问的某些模型能够处理多达300万字符的上下文。这种能力允许模型更好地理解和整合现有系统的逻辑，在此基础之上进行增量开发。目前，大部分需求开发实际上是对现有系统的维护和改进，

　　因此，我们的专家大模型正是针对专业代码问题设计的，它不仅涉及编程任务，还包括对需求的深度理解。能够定位到需修改的系统或文件，再针对性地进行模块开发，这是非常有前景的方向，也是我们努力的重点。

　　宋荣鑫：金融机构的应用现状有几点值得注意。当前市场上的产品多以通用代码为主，而在金融行业尤其是金融机构内部，具备金融级标准的代码生成工具在市场上尚无突出表现。此外，金融机构因其特定业务性质和监管要求，以及不同的目标客群和业务流程，需求更为个性化，这要求高度定制化的解决方案。

　　同时，由于数据敏感性和合规性，通常需要在本地部署，采用SaaS服务并不适合，这涉及到模型方法论的构建和基于特定数据的再次建模，以及私有化部署。