Wing：人工智能時(shí)代的云開(kāi)發(fā)編程語(yǔ)言

只要人工智能（AI）是充當(dāng)副駕駛而不是自動(dòng)駕駛的角色，就存在開(kāi)發(fā)一種促進(jìn)人類(lèi)與人工智能之間有效協(xié)作語(yǔ)言的空間。這可以通過(guò)減少認(rèn)知負(fù)荷并支持快速測(cè)試來(lái)實(shí)現(xiàn)，從而顯著地縮短迭代時(shí)間。此外，人工智能簡(jiǎn)化了新語(yǔ)言的采用。

那么，在人工智能快速發(fā)展并接管了更多編碼任務(wù)的今天，為什么還要投入時(shí)間和精力來(lái)開(kāi)發(fā)一種新的編程語(yǔ)言（面向人類(lèi)的）呢？

我經(jīng)常會(huì)以各種形式遇到以下的問(wèn)題：

難道人工智能最終不會(huì)直接編寫(xiě)機(jī)器碼而使編程語(yǔ)言過(guò)時(shí)嗎？

一種新的語(yǔ)言能否引入人工智能使用現(xiàn)有語(yǔ)言無(wú)法實(shí)現(xiàn)的特性或功能？（例如，當(dāng)人工智能可以為特定的云編寫(xiě)代碼，然后為另一個(gè)云重寫(xiě)代碼時(shí)，為什么要?jiǎng)?chuàng)建一種云可移植語(yǔ)言呢？）

為可能很快就會(huì)被人工智能所取代的開(kāi)發(fā)人員創(chuàng)建工具值得嗎？

首先，我必須承認(rèn)，我無(wú)法預(yù)測(cè)人工智能的發(fā)展速度。對(duì)于人工智能何時(shí)或是否會(huì)取代人類(lèi)開(kāi)發(fā)人員，知名專(zhuān)家持有不同的意見(jiàn)。

然而，即使人工智能最終取代了人類(lèi)開(kāi)發(fā)人員，它也未必能直接編寫(xiě)機(jī)器碼。當(dāng)人工智能可以依賴(lài)于成熟的抽象層和編譯器，使其能夠有效地專(zhuān)注于其所服務(wù)的業(yè)務(wù)的獨(dú)特面時(shí)，為什么還要選擇通過(guò)直接編寫(xiě)機(jī)器碼來(lái)為每個(gè)應(yīng)用程序重新發(fā)明輪子呢？通過(guò)在現(xiàn)有工作的基礎(chǔ)上再接再厲，專(zhuān)注于更小、更簡(jiǎn)單的任務(wù)，人工智能可以獲得更快、更高質(zhì)量的結(jié)果。

在討論了更遙遠(yuǎn)的未來(lái)之后，我現(xiàn)在想在這篇文章的剩余部分重點(diǎn)討論一些更近期的未來(lái)。

我相信，考慮到人類(lèi)的局限性和心理，盡管人工智能發(fā)展迅速，但變化可能是漸進(jìn)式的，從而導(dǎo)致人類(lèi)仍處于一個(gè)重要的過(guò)渡期中。例如，很難想象組織不希望人類(lèi)對(duì)人工智能的輸出負(fù)責(zé)。人類(lèi)將非常不愿意讓人工智能以一種人類(lèi)無(wú)法理解、修改和維護(hù)的方式工作。

想想看，你會(huì)讓 ChatGPT 以你的名義，用你不會(huì)說(shuō)的語(yǔ)言，為你的同行寫(xiě)一篇專(zhuān)業(yè)文章嗎？你會(huì)在無(wú)法閱讀的情況下發(fā)表它嗎？可能不會(huì)。同樣地，工程經(jīng)理是否會(huì)在明知道某個(gè)關(guān)鍵任務(wù)的應(yīng)用程序是由人工智能編寫(xiě)的情況下，還要將其發(fā)布到生產(chǎn)中？如果出了問(wèn)題，人類(lèi)很難介入。

此外，雖然人工智能在某種程度上確實(shí)是工具之間的均衡器，但它仍然不能完全解決問(wèn)題。讓我們以上面的云可移植性為例：即使人工智能可以在云之間移植代碼，但我仍然希望能夠讀取和修改它。因此，我必須在人工智能所使用的抽象級(jí)別上成為所有這些云的專(zhuān)家。如果一門(mén)新的語(yǔ)言允許它在更高的抽象級(jí)別上編寫(xiě)，那么我也能更容易地理解并修改它。

假設(shè)人工智能使我們快速生成了大量的代碼，那么瓶頸不可避免地就會(huì)轉(zhuǎn)移到測(cè)試和驗(yàn)證階段。這種情況的發(fā)生不僅是因?yàn)槿斯ぶ悄艿墓逃芯窒扌?，而且主要是因?yàn)槲覀冏鳛槿祟?lèi)自身的不完美。我們無(wú)法完美地闡明我們的需求，這就需要體驗(yàn)最終產(chǎn)品的工作版本，與之互動(dòng)，并確定它是否滿(mǎn)足我們的需求，或者我們是否忽略了任何的邊緣案例。這個(gè)迭代過(guò)程會(huì)一直持續(xù)，直到我們的創(chuàng)作達(dá)到完美狀態(tài)為止。

在測(cè)試和驗(yàn)證消耗了大部分軟件交付時(shí)間的情況中，對(duì)于使用工具來(lái)顯著簡(jiǎn)化這一階段來(lái)說(shuō)有足夠的機(jī)會(huì)。通過(guò)減少在開(kāi)發(fā)環(huán)境中部署和評(píng)估應(yīng)用程序所需的時(shí)間，這些工具可以大大提高整體效率。

因此，我相信，在可預(yù)見(jiàn)的未來(lái)，有一些工具可以讓人類(lèi)和人工智能更容易地快速編寫(xiě)出高質(zhì)量的代碼、并有效地協(xié)作更快地測(cè)試。這些工具能幫我們提高應(yīng)用程序的交付質(zhì)量和速度。

關(guān)鍵：減少認(rèn)知負(fù)荷，加速迭代

無(wú)論你是人工智能還是人類(lèi)開(kāi)發(fā)人員，降低復(fù)雜度并加快迭代速度都能更快地開(kāi)發(fā)出更好的應(yīng)用程序。

那么，我們可以做些什么來(lái)實(shí)現(xiàn)這些改進(jìn)呢？

在更高的抽象級(jí)別上工作

利用更高級(jí)別的抽象可以為人類(lèi)和人工智能編碼者提供如下的好處：

通過(guò)關(guān)注應(yīng)用程序的業(yè)務(wù)邏輯而不是實(shí)現(xiàn)細(xì)節(jié)，可以減少開(kāi)發(fā)人員的認(rèn)知負(fù)荷。這使開(kāi)發(fā)人員能夠?qū)Ｗ⒂诟〉膯?wèn)題（例如，指示汽車(chē)右轉(zhuǎn)，而不是教它如何右轉(zhuǎn)），處理更小級(jí)別的堆棧，編寫(xiě)更少的代碼，并最大限度地減少錯(cuò)誤的表面積。

可以減少人工智能的認(rèn)知負(fù)荷。

這一概念可能需要進(jìn)一步澄清。人工智能系統(tǒng)預(yù)訓(xùn)練了所有級(jí)別的堆棧知識(shí)，因此知道得越少并不是一個(gè)顯著的優(yōu)勢(shì)，專(zhuān)注于一個(gè)較小的問(wèn)題也不像人類(lèi)那樣有益，因?yàn)橹灰斯ぶ悄苤懒巳绾沃甘酒?chē)轉(zhuǎn)彎，那么在教它如何轉(zhuǎn)彎就不應(yīng)該遇到問(wèn)題，而不僅僅是告訴它要轉(zhuǎn)向。但如上所述，這仍然是有利的，因?yàn)樗鼫p少了問(wèn)題面，使人工智能能夠更快、更高質(zhì)量地生成代碼。然而，允許人工智能編寫(xiě)更少的代碼并減少其出錯(cuò)的機(jī)會(huì)是非常有益的，因?yàn)槿斯ぶ悄懿⒎侨f(wàn)無(wú)一失。任何目睹過(guò)它產(chǎn)生幻覺(jué)的接口或生成斷開(kāi)連接代碼的人都可以證明這一點(diǎn)。此外，人工智能還受到其在失去上下文之前可以生成的代碼量的限制。因此，編寫(xiě)更少的代碼使人工智能編碼器能夠創(chuàng)建更大、更復(fù)雜的應(yīng)用程序。

可以加快迭代速度，因?yàn)樗枰帉?xiě)更少的代碼，減少了編寫(xiě)和維護(hù)代碼所需的時(shí)間。雖然這看起來(lái)可能并不直觀，但這對(duì)人類(lèi)和人工智能程序員來(lái)說(shuō)同樣重要，因?yàn)槿斯ぶ悄芤淮紊梢粋€(gè)令牌代碼，與人類(lèi)的編寫(xiě)方式類(lèi)似。

可以改善人類(lèi)和人工智能編碼者之間的協(xié)作。以更高抽象級(jí)別編寫(xiě)的更小的代碼庫(kù)使人類(lèi)開(kāi)發(fā)人員能夠更快、更容易地理解、修改并維護(hù)人工智能生成的代碼，從而更快地開(kāi)發(fā)出更高質(zhì)量的代碼。

更快的部署和測(cè)試

目前，部署和測(cè)試云應(yīng)用程序可能需要幾分鐘。當(dāng)多迭代周期疊加時(shí)，就會(huì)有很大的改進(jìn)潛力。特別是，隨著我們的人工智能朋友幫我們加速了代碼編寫(xiě)，與代碼編寫(xiě)相比，在每個(gè)迭代周期中測(cè)試和驗(yàn)證所花費(fèi)的時(shí)間比例就變得越來(lái)越重要了。

一種普遍的解決方案是在本地運(yùn)行測(cè)試，繞過(guò)云部署。然而，這種方法也帶來(lái)了自身的挑戰(zhàn)，因?yàn)樗枰?a href="http://www.ttokpm.com/analog/" target="_blank">模擬測(cè)試組件周?chē)脑骗h(huán)境。因此，這些測(cè)試的范圍受到了限制，通常需要在云上運(yùn)行的補(bǔ)充測(cè)試來(lái)確認(rèn)實(shí)際環(huán)境中的代碼功能。

然而，這并不是旅程的終點(diǎn)。此類(lèi)解決方案主要用于自動(dòng)化測(cè)試，而開(kāi)發(fā)人員經(jīng)常希望在開(kāi)發(fā)過(guò)程中與應(yīng)用程序進(jìn)行手動(dòng)交互，或?qū)で蟾鞣N利益相關(guān)方（產(chǎn)品、銷(xiāo)售、管理、潛在用戶(hù)等）的反饋。在沒(méi)有云部署及其相關(guān)時(shí)間損失的情況下實(shí)現(xiàn)這一點(diǎn)仍然是一個(gè)挑戰(zhàn)。

因此，我們需要能夠生成既可以在本地運(yùn)行，也可以在云上運(yùn)行，并能快速執(zhí)行的測(cè)試。此外，我們必須支持云應(yīng)用程序的快速部署，并為利益相關(guān)方的驗(yàn)證提供方便。

通過(guò)實(shí)現(xiàn)這一點(diǎn)，我們可以顯著地提高迭代速度，無(wú)論代碼是由人工智能、人類(lèi)還是它們一起協(xié)作創(chuàng)建的。

那么，我們?nèi)绾螌⑦@一愿景變?yōu)楝F(xiàn)實(shí)呢？

引入 Wing

Wing 是一種用于云開(kāi)發(fā)的新編程語(yǔ)言，它使人類(lèi)和 AI 開(kāi)發(fā)人員都能在更高的抽象級(jí)別上編寫(xiě)云代碼，并且它還附帶了一個(gè)本地模擬器，可以讓開(kāi)發(fā)人員快速地進(jìn)行測(cè)試。

?

量化改進(jìn)

正如我們將在下面演示的那樣，我們討論的是代碼減少 90%-95%，測(cè)試速度提高幾個(gè)數(shù)量級(jí)。

我們來(lái)看一下代碼

以下是一個(gè)小應(yīng)用程序的示例，它使用了云函數(shù)（AWS Lambda、Azure Function 或 GCP Cloud Function）將文件上傳到 bucket（比如 AWS S3、Azure Blob Storage 或 GCP Bucket）上。

這是 Wing 中的代碼：

?

bring cloud;


let bucket = new cloud.Bucket();
new cloud.Function(inflight () => {
  bucket.put("hello.txt", "world!");


});

?

正如你所看到的那樣，無(wú)論是人類(lèi)還是 AI 編碼者編寫(xiě)的 Wing 代碼，它們都是在較高的抽象級(jí)別上工作的，使 Wing 編譯器能夠處理底層的云機(jī)制，如 IAM 策略和網(wǎng)絡(luò)（別擔(dān)心，它是可定制和可擴(kuò)展的，能確保你在需要時(shí)對(duì)其進(jìn)行控制）。

與人類(lèi)和 AI 編碼者不同，編譯器是絕對(duì)可靠的。此外，它的速度更快，更具確定性，并且不會(huì)隨著時(shí)間的推移而丟失上下文。因此，我們把更多的責(zé)任委托給編譯器，而不是給人類(lèi)或人工智能，結(jié)果也就更好。

編譯器可以為任何云提供商調(diào)整應(yīng)用程序，從而人們只需知道并維護(hù)更高級(jí)別的、與云無(wú)關(guān)的代碼即可。生成的編譯構(gòu)件、Terraform 和 JavaScript 可以使用經(jīng)過(guò)驗(yàn)證的可靠工具進(jìn)行部署。

現(xiàn)在，讓我們來(lái)看看同樣的代碼在當(dāng)今領(lǐng)先的云開(kāi)發(fā)棧之一——Terraform+JavaScript 中的表現(xiàn)。

?

main.tf:


terraform {
  required_providers {
    aws = {
      source  = "hashicorp/aws"
      version = "~> 3.0"
    }
  }
}


provider "aws" {
  region = "us-west-2"
}


locals {
  lambda_function_name = "upload_hello_txt_lambda"
}


resource "aws_s3_bucket" "this" {
  bucket = "my-s3-bucket"
  acl    = "private"
}


 data "archive_file" "lambda_zip" {
 type        = "zip"
  source_file = "index.js"
  output_path = "${path.module}/lambda.zip"
}


resource "aws_lambda_function" "this" {
  function_name = local.lambda_function_name
  role          = aws_iam_role.lambda_role.arn
  handler       = "index.handler"
  runtime       = "nodejs14.x"
  filename      = data.archive_file.lambda_zip.output_path
  timeout       = 10


  environment {
    variables = {
      BUCKET_NAME = aws_s3_bucket.this.bucket
    }
  }
}


resource "aws_iam_role" "lambda_role" {
  name = "lambda_role"
  assume_role_policy = jsonencode({
    Version = "2012-10-17"
    Statement = [
      {
        Action = "sts:AssumeRole"
        Effect = "Allow"
        Principal = {
          Service = "lambda.amazonaws.com"
        }
      }
    ]
  })
}


resource "aws_iam_role_policy" "lambda_policy" {
  name = "lambda_policy"
  role = aws_iam_role.lambda_role.id
  policy = jsonencode({
    Version = "2012-10-17"
    Statement = [
    {
        Action = [
        "logs:CreateLogGroup",
        "logs:CreateLogStream",
        "logs:PutLogEvents"
        ]


        Effect   = "Allow"
        Resource = "arnlogs*:*"
    },


    {
        Action = [
        "s3:PutObject"
        ]


        Effect   = "Allow"
        Resource = "${aws_s3_bucket.this.arn}/*"
    }
    ]
  })
}


output "bucket_name" {
  value = aws_s3_bucket.this.bucket
}


output "lambda_function_name" {
  value = aws_lambda_function.this.function_name
}


index.js:
const AWS = require('aws-sdk');
const S3 = new AWS.S3();


exports.handler = async (event) => {
  const bucketName = process.env.BUCKET_NAME;
  const key = 'hello.txt';
  const content = 'Hello world!';
  const params = {
    Bucket: bucketName,
    Key: key,
    Body: content,
  };


  try {
    await S3.putObject(params).promise();
    return {
      statusCode: 200,
      body: JSON.stringify('File uploaded successfully.'),
    };


  } catch (error) {
    console.error(error);
    return {
      statusCode: 500,
      body: JSON.stringify('Error uploading the file.'),
    };


  }


};

?

正如你所看到的那樣，Wing 代碼只有 7 行長(zhǎng)，而 Terraform 和 JavaScript 的代碼有 122 行，或者說(shuō)多了 17 倍的代碼。不僅如此，它還深入到了云堆棧的較低層。

你可能想知道是否還有更新的解決方案能將 Wing 的收益比下去，或者是否可以通過(guò)庫(kù)或語(yǔ)言擴(kuò)展實(shí)現(xiàn)相同的結(jié)果。你可以在這里查看 Wing 與其他解決方案的比較，以及為什么它是一種新語(yǔ)言而其他解決方案不是。

用 Wing 進(jìn)行測(cè)試

Wing 開(kāi)箱即用，配有一個(gè)本地模擬器和一個(gè)可視化的調(diào)試控制臺(tái)。

這些工具使開(kāi)發(fā)人員能夠通過(guò)近乎即時(shí)的熱重載方式來(lái)處理代碼，并可以非常容易地測(cè)試云應(yīng)用程序，而無(wú)需模擬周?chē)脑骗h(huán)境。

在上面我們那個(gè)非常簡(jiǎn)單的應(yīng)用程序示例中，為了運(yùn)行測(cè)試而部署到任何云提供商都需要將近一分鐘的時(shí)間，而使用 Wing Simulator 只需要不到一秒鐘的時(shí)間，或者說(shuō)少了兩個(gè)數(shù)量級(jí)。此外，使用 Wing，你可以在不模擬云的情況下編寫(xiě)測(cè)試，并在模擬器和云上運(yùn)行相同的測(cè)試。

你可以在 Wing Playground 上親身體驗(yàn)。

結(jié)? ?論

盡管 Wing 在云開(kāi)發(fā)方面引入了重大的改進(jìn)，但我們知道，遷移到一種新語(yǔ)言是一項(xiàng)艱巨的任務(wù)，在許多情況下可能難以證明其合理性。

我們竭盡全力通過(guò)以下功能來(lái)使該語(yǔ)言的采用變得盡可能容易：

很容易學(xué)，因?yàn)樗推渌Z(yǔ)言很相似。

能與現(xiàn)有的堆棧和工具（尤其是部署和管理）無(wú)縫協(xié)作。

成熟的生態(tài)系統(tǒng)——能將任何的 NPM 模塊或 Terraform 資源導(dǎo)入到代碼中。

集成到現(xiàn)有的代碼庫(kù)中——能用其他語(yǔ)言編寫(xiě)運(yùn)行時(shí)代碼，并用 Wing 引用該代碼。

此外，我們相信，在人工智能時(shí)代，采用 Winglang 這樣的新語(yǔ)言對(duì)人類(lèi)來(lái)說(shuō)更容易，因?yàn)槿斯ぶ悄苡兄谟貌皇煜さ恼Z(yǔ)言和框架來(lái)編寫(xiě)代碼，并簡(jiǎn)化了現(xiàn)有代碼向新語(yǔ)言的遷移。

隨著我們邁向人工智能在代碼開(kāi)發(fā)中扮演更重要角色的未來(lái)，像 Winglang 這樣語(yǔ)言的創(chuàng)建和采用將確保人類(lèi)和 AI 開(kāi)發(fā)人員更好的協(xié)作、更快的開(kāi)發(fā)和更高質(zhì)量的應(yīng)用。

想要一窺未來(lái)，體驗(yàn)在 Wing 中編寫(xiě)代碼并立即進(jìn)行測(cè)試，可以訪問(wèn)我們的游樂(lè)場(chǎng)。

審核編輯：劉清