文章来源 量子位
AI帮忙写代码程序员用了都说好，但代码质量真的靠谱吗？
结果或许令你大跌眼镜。
一家名为GitClear的公司分析了近四年超过1.5亿行代码后发现，随着GitHub Copilot工具的加入，代码流失率（即代码写入后不久又被返工修改、删除的情况）出现了显著上升：
2023年为7.1%，而2020年时仅为3.3%，翻了一番。
与之相应的，代码复用率也出现了明显下降。
言外之意，AI写的很多内容其实不亚于“屎山”，根本不好随着业务的变化作相应更改。
看起来，AI编程工具还远没有宣传中的那么好用？
Copilot更爱直接添加代码而不鼓励复用
GitClear收集的1.5亿行代码中，有3/2来自匿名私企，剩下的1/3则源自于谷歌、Meta和微软的开源项目。
它们全部被排除了“噪声”数据，比如在多个分支中提交的一模一样的代码、空行以及其他没有意义的代码行。
调查的主要对象是微软的GitHub Copilot。
它于2021年6月推出测试版，按照CEO说法，截至2023年第三季度，该工具已有超100万开发者付费订阅，能够帮助开发者编写46%的代码，并将编码速度提高55%。
不过在此，GitClear不关心编码速度，只关心质量。
“AI编程工具更类似于高级开发人员，仔细又精细？还是更像短期承包商一样，只在乎面前的任务完成与否？”
为此，他们统计了这1亿行+代码的新增、删除、更新、移动、复制/粘贴等情况，得出了这样一个趋势表格：
从中我们可以发现：
Copilot添加代码、复制/粘贴代码的百分比比更新、删除和移动增加得更明显。
其中我们还可以清晰地看到，移动代码的百分比从2020年的25%下降到了13.4%，这是所有数据中唯一一个反向特例。
更少的移动意味着更少的重构和复用，加上大幅增长的添加、复制/粘贴代码，这表明：
AI编程工具并不鼓励代码复用、在已有代码上进行修改，而是更倾向于“无脑重写”。
在此，GitClear也指出，过度新增代码、复制/粘贴对代码的长期可维护性也相当不利。
这其实在人类程序员中也是老问题，可能是程序员觉得解决当下问题比思考如何复用、整合现有代码更快更容易，也可能是因为同个项目组中的开发人员沟通不畅等。
遭殃的就变成后面的维护人员。
Copilot的代码质量下降也体现在代码流失率（Churn）这个数据上。
在此，它的标准定义是代码编写后不到两周的时间内修改更新的百分比。
表格显示，2020年的流失率为3.3%（那会还没有用上Copilot），2023年增长到5.5%。
GitClear预计，2024年将直接相比2020年翻一番之多，达到7.1%。
这说明AI的加速，并没有带来足够高质量的代码。
除了以上结论，GitClear还发现，Copilot的代码建议算法还被设计为总是提出最有可能被用户接受的建议——
这选择乍一听没啥毛病，但其实会忽略代码简洁易读的重要性。
总的来说，这项结果足以让那些担心AI编程工具会取代人类程序员的人暂时把心放肚子里。
最近也有不少其他研究佐证了GitClear的发现。
比如来自CodeScene的一篇报告就表示：
在编码任务中，AI远无法取代人类；今天的AI太容易出错，且远未达到能够安全修改已有代码的程度。
网友体验大差不差
实实在在使用过Copilot的人怎么说？
一位网友表示：
我用了俩个月后取消了会员，因为花了太多精力去检查AI给出的代码以及修复bug。
在TA看来，现阶段还是自己编写内容要省力得多，因为自己知道自己想要写什么，修复自己的bug总是比修复机器人的更容易。
有人使用的是ChatGPT而非Copilot，也对TA的话表示了赞同：
我对AI的能力感到惊讶，但还是不会称其为“好代码”。
当然，Copilot在大家眼里也并非一无是处。
一位从事web开发20多年的程序员就表示：
用它编写重要的SQL或TypeScript代码时，总是失败；但对于编写测试、请求处理、React样式等等来说，它还是可以帮我节省大量时间的。
你的Copilot（或者其他AI编码工具）体验如何？你同意GitClear的发现吗？
参考链接：
[1]https://devclass.com/2024/01/24/ai-assistance-is-leading-to-lower-code-quality-claim-researchers/
[2]https://visualstudiomagazine.com/articles/2024/01/25/copilot-research.aspx
[3]https://www.gitclear.com/coding_on_copilot_data_shows_ais_downward_pressure_on_code_quality
关注公众号【机器学习与AI生成创作】，更多精彩等你来读
不是一杯奶茶喝不起，而是我T M直接用来跟进 AIGC+CV视觉 前沿技术，它不香？！
卧剿，6万字！30个方向130篇！CVPR 2023 最全 AIGC 论文！一口气读完
深入浅出stable diffusion：AI作画技术背后的潜在扩散模型论文解读
深入浅出ControlNet，一种可控生成的AIGC绘画生成算法！
最新最全100篇汇总！生成扩散模型Diffusion Models
附下载 |《TensorFlow 2.0 深度学习算法实战》
《礼记·学记》有云：独学而无友，则孤陋而寡闻
点击跟进 AIGC+CV视觉 前沿技术，真香！，加入 AI生成创作与计算机视觉 知识星球！
1325
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
