當(dāng)Sam Altman宣稱大模型將取代"低階程序員"時，OpenAI自家的最新研究卻給出了相反的答案。該研究聯(lián)合百名工程師開展SWE-Lancer基準(zhǔn)測試，結(jié)果顯示：面對價值百萬美元的真實軟件開發(fā)任務(wù)，三大頂尖大模型的總收入竟不足21%，最強(qiáng)者Claude 3.5也僅解決26%技術(shù)問題。這場AI與人類程序員的"搶飯碗"對決，暫時以機(jī)器的慘敗告終。

百萬美元懸賞：AI搶不走程序員飯碗？

研究團(tuán)隊從自由職業(yè)平臺Upwork精選1,488個真實開發(fā)任務(wù)，總賞金高達(dá)100萬美元。這些任務(wù)被分為兩類：技術(shù)攻堅（IC，764項，41.5萬美元）需解決程序錯誤或開發(fā)新功能；項目管理（Manager，724項，58.5萬美元）則需評估技術(shù)方案優(yōu)劣。三大參賽選手——OpenAI的GPT-4o、o1和Anthropic的Claude 3.5 Sonnet被置于完全斷網(wǎng)的Docker容器中，以防止其"偷看"GitHub代碼。

為確保測試真實性，研究人員構(gòu)建了堪稱嚴(yán)苛的評估體系：首先由專業(yè)工程師編寫Playwright自動化測試腳本，模擬用戶登錄、金融交易等真實操作流程；每項AI生成的代碼方案需經(jīng)過專業(yè)軟件工程師的"三重驗證"，確保其能通過所有測試用例；最終結(jié)果直接接入企業(yè)級報銷平臺Expensify，完全復(fù)現(xiàn)真實商業(yè)場景。

經(jīng)過測試，研究人員發(fā)現(xiàn)，沒有一個模型能包攬100萬美元的全部任務(wù)獎勵。表現(xiàn)最好的Claude 3.5 Sonnet（OpenAI自家模型o1和GPT-4o分列二三位）也只賺了20.8萬美元，解決了26.2%的個人貢獻(xiàn)者問題。然而，研究人員指出，“它的大部分解決方案都是錯誤的，可信部署需要更高的可靠性?！?/p>

LLM嘗試不同類型軟件開發(fā)任務(wù)的通過率

有趣的是，在技術(shù)方案評估的管理任務(wù)（SWE Manager）上，所有大模型都表現(xiàn)得更好（上圖）。

AI開發(fā)的致命短板：定位快，但治標(biāo)不治本

研究者指出，頂級大模型普遍存在致命短板：AI能快速定位bug（速度遠(yuǎn)超人類），但通常對問題如何跨越多個組件或文件表現(xiàn)出有限的理解，無法解決根本原因，導(dǎo)致解決方案不正確或不夠全面。

"就像急診室里只會貼創(chuàng)可貼的醫(yī)生。"研究報告犀利指出，大模型處理bug時呈現(xiàn)明顯模式：通過關(guān)鍵詞搜索快速鎖定可疑代碼段，卻無法理解跨組件/文件的深層關(guān)聯(lián)。典型案例中，AI會機(jī)械修改表面錯誤代碼，卻放任引發(fā)bug的根源繼續(xù)潛伏——這種"頭痛醫(yī)頭"的解決方式，導(dǎo)致多數(shù)方案僅能暫時消除癥狀。

值得玩味的是，盡管當(dāng)前測試顯示AI尚難取代初級軟件工程師，但研究者警告："這種優(yōu)勢可能不會持續(xù)太久。"當(dāng)被問及是否擔(dān)心研究結(jié)果影響行業(yè)信心時，OpenAI團(tuán)隊回應(yīng)稱："揭示技術(shù)邊界，正是為了突破邊界。"這場人機(jī)博弈的終局，或許比我們想象中來得更快。