加大教授拆解生成式AI：Vibe Coding沒那麼神？用AI寫程式的最佳方式是？

在生成式AI飛速發展的當下，許多人對於是否該繼續學習寫程式感到迷惘，加大教授在GQ雜誌的節目中，解析ChatGPT背後的LLM原理，指出Vibe Coding的侷限性。

加大教授拆解生成式AI，教你正確理解Vibe Coding

近期 GQ Taiwan 在 YouTube 頻道分享一支影片，特別邀請加州大學柏克萊分校（UC Berkeley）電腦科學教授 Sarah Chasins，針對網友對於程式設計與 AI 的諸多疑問進行回應。

在生成式 AI 飛速發展的當下，許多人對於是否該繼續學習寫程式感到迷惘，Chasins 教授在影片中不僅解析了技術原理，也針對近期興起的「Vibe Coding」風潮，提出了務實的觀察。

教授拆解ChatGPT背後的LLM技術原理

Sarah Chasins 教授首先用大眾也能懂的方式，解釋了 ChatGPT 的運作機制。

ChatGPT 建立在大型語言模型（LLM）之上，其核心運作邏輯相當單純，就是把一個負責將看起來搭配的單字組合在一起的程式。

LLM 的開發者，首先會收集網路上所有由人類編寫的文件與網頁，這些資料代表了人類認知中合理的詞彙組合。

**接著，程式會進行大規模的「填空遊戲」訓練。**舉例來說，系統會看到「狗狗有四條[空白]」這樣的句子，符合人類認知的答案是「狗狗有四條腿」，但若程式猜測錯誤，開發者便會修正直到它答對為止。

經過相當於地球時間 300 到 400 年運算時間的訓練後，程式最終會生成一份極其龐大的「作弊紙」，也就是科技界常說的「參數」。

接下來，只需再提供一份對話格式的文件，這個擅長填空的程式就能轉化為聊天機器人，自動依照邏輯補完人類問題後的剩餘回應。

圖源：AI生成 Nanobanana 生成圖片，僅供參考，有部分中文字模糊請見諒

AI時代下，學習寫程式的最佳方式

面對 AI 工具的強大能力，許多人質疑學習寫程式的必要性。對此教授認為，寫程式教育中最核心的技能在於「分解問題」，意即將一個模糊的大問題拆解成細小區塊，直到每個區塊都能用幾行程式碼解決。

若缺乏這種訓練，使用者將難以利用 AI 工具產出真正能運作的複雜程式。此外，LLM 的訓練資料多屬工程師風格的語言描述，非專業人士使用的日常語言，往往與訓練資料不匹配，容易導致 AI 無法生成有用的程式碼。

至於如何發揮 AI 輔助寫程式的最大效益，Chasins 教授建議遵循三個步驟：

1. **最小化問題：**將問題分解至大約 5 行程式碼的規模。
2. **使用虛擬碼（Pseudo code）：**這是一種可能綜合使用多種程式語言的語法、保留字，向 AI 描述邏輯的方式，雖然虛擬碼類似自然語言，但不是我們日常使用的語言，用意是讓電腦更精準理解執行邏輯。
3. **制定驗證計畫：**透過大量測試或專業審核來確保 AI 輸出的正確性。

圖源：AI生成 Nanobanana 生成圖片，僅供參考，有部分中文字模糊請見諒

Vibe Coding沒那麼神？

針對近期流行利用 LLM 直接生成程式碼，而非由人類手打程式碼的 Vibe Coding 模式，Sarah Chasins 教授持保留態度。

她分析，這類工具在處理已被人類寫過千百遍的常規內容時表現尚可，但若打算嘗試任何創新的事物，這種模式通常行不通。

教授還引用相關研究數據指出，使用 LLM 工具輔助的人，雖然自認為效率提升了 20%，但實際上的開發速度反而比沒使用工具的人慢了 20%。

這顯示出過度依賴工具可能產生效率提升的錯覺，當遇到未曾見過的程式需求，若缺乏基礎的邏輯分解能力與物理原理知識，將無法修正 AI 發生的錯誤，導致最終產出更加耗時。

簡單打個比方，LLM 就像是一台高級的自動駕駛汽車，能幫你處理常見的路徑，但如果你不知道如何拆解賽道、不了解車輛運行的物理原理，如同寫程式的邏輯分解，當遇到從未見過的險惡彎道，如創新的程式需求時，自動駕駛就容易出錯，而你也會因為缺乏基本功，而不知道該怎麼修正它。

延伸閱讀：
AI讓一人公司崛起！「氛圍編碼」顛覆傳統，小團隊也能年收破億