انخفضت تكلفة هندسة الأداء المتخصصة بشكل حاد، مما جعل عمليات التحسين في متناول أي شخص قادر على توجيه نموذج ذكاء اصطناعي. وهذا يمكّن من إنشاء برمجيات ديناميكية ومخصصة تناسب أحمال عمل محددة بدلاً من فئات عامة. وكما أشار [PERSON_NAME]، فإن هذا يعكس جهوداً مثل FFTW وحيل مشهد الديمو التي تعطي الأولوية للسرعة القصوى. كان كتابة الكود تاريخياً عقبة رئيسية، خاصة بالنسبة لمترجمات JIT. والآن، خفضت النماذج اللغوية الكبيرة حاجز الدخول، مما مكن المطورين من بناء هذه الأدوات التي كانت سابقاً مكلفة أو معقدة.

وللإختبار، أنشأنا FRE، وهو محرك تعابير منتظمة تم تحسينه عبر حلقات آلية على مجموعة معايير الاختبار rebar. ومنع الإفراط في التخصيص سمح له بالتعميم بفعالية. ثم شغلنا مترجم AOT الأصلي جنباً إلى جنب مع ripgrep أثناء عمليات البحث الطويلة. وعلى الرغم من أن هذا يتنازل عن سرعة الاستعلامات القصيرة، إلا أنه يحسن أداء العمليات الممتدة بشكل كبير.

بضع جمل مكتوبة دفعت وكيل الذكاء الاصطناعي لتنفيذ عملية جراحية معقدة للكود. أظهرت مقاييس العالم الحقيقي تحسناً في الأداء بنسبة 2x-4x للاستعلامات الأطول. كانت قواعد البيانات في السابق محدودة بالتعقيد، لكن الذكاء الاصطناعي يسمح لنا بأن نكون أكثر طموحاً. لا يوجد سبب ببساطة لأن تظل البرمجيات بطيئة بعد الآن.

الكيانات الرئيسية: شركات: ripgrep | أشخاص: [PERSON_NAME]

السؤال: كيف تؤثر النماذج اللغوية الكبيرة على أداء البرمجيات؟

تقلل النماذج اللغوية الكبيرة بشكل كبير من التكلفة وحاجز المهارة لتنفيذ تحسينات معقدة مثل مترجمات JIT ومحركات التعابير المنتظمة المخصصة، مما يتيح تسريعات كبيرة من خلال توليد الكود المدعوم بالذكاء الاصطناعي.

سؤال