ChatGPT-时代人类编写代码教程的终结--还是不会-
ChatGPT 时代人类编写代码教程的终结……还是不会？
亲爱的 AI，请生成一张高级 AI 聊天机器人撰写编程教程文章供人们阅读的图片。
在 ChatGPT 称霸的世界里，人们可能会预期人类编写的代码教程会变得毫无吸引力。
最后，谁会去读一篇关于详细软件流程的人类编写的教程，当他们可以直接向 ChatGPT 询问他们想要的精确输出呢？再加上高级 LLM 订阅和几个高级提示工程技巧，任何人都可以就任何主题生成详细的解释。为什么还要浪费时间精力去研究、头脑风暴和撰写这样的文章？
让我们从一个问题开始，这个问题的答案将支撑我的整个论点：ChatGPT 究竟是什么？
好吧，ChatGPT，或者更确切地说，任何大型语言模型（LLM），是通过机器学习算法来操作的，该算法根据训练数据预测输入后应跟什么词语。将 LLM 与早期语言模型版本区分开来的是其训练数据的大小。例如，ChatGPT 的训练包括了 Common Crawl 数据集——这是一个包含数十亿网页的巨型数据集。
这一点至关重要。无论这些生成的回复看起来多么令人难以置信和无缝，它们本质上只是基于先前数据的概率预测。它们是基于模型之前所见的最可能输出。它们不是新颖的。
相比之下，人类的创造力往往源于新的见解——通常被称为“灵光一闪”的时刻。是的，拥有先前的知识有帮助——但本质上，这些新想法的美丽之处在于它们确实是：新的。当一个科学家、作家或艺术家有如此罕见的时刻时，他们就是中了大奖。
让我们将这个话题重新引回到手头的主题：人类编写的编程教程。人们通常在什么情况下撰写文章或出版关于编程主题的书籍？通常有以下两个原因：
-
为了对一个现有想法提供新的视角。许多教程教授相同的一般主题，但在风格、方法或方法上有所不同。
-
为了传达全新的想法或主题。
由 LLM 生成的回复无法做到这两点。
让我们考虑一个例子。在 2023 年初，我为 Towards Data Science 撰写了“作为 Python 初学者必须学习的 4 个基本技巧”一文，这篇文章普遍受到好评。下面，我插入了两段摘录：
-
我实际撰写的关于 lambda 函数的部分。
-
ChatGPT-4o 在我提供必要细节并请求相关内容后撰写的关于 lambda 函数的部分。
示例 1：由人类撰写的 Lambda 教程
假设你正在 Jupyter 笔记本中处理一些数据，只是做一些快速探索和分析。你仍然处于数据清洗和处理的早期阶段，远未达到任何生产就绪的模型、可视化或应用。但你有一个截止日期要遵守，所以你快速而高效地探索，充分利用你的卓越 Python 技能。
在你的冒险过程中，你发现数据中的一个列需要转换。你只需要将该列中的数字平方。这并不疯狂，但遗憾的是，这也是那些简单到足以快速完成，但复杂到没有内置函数的奇怪需求之一。
因此，你决定使用 pandas 的apply函数通过你自己的自定义函数转换数据列。为此，你需要编写一个平方数字的函数，而你正是这样做的：
def square(num):
return num * num
这完成了任务，但有点令人烦恼和杂乱，尤其是在 Jupyter 笔记本中。它与大多数 pandas 操作的单一行结构不太融合，因此当你的同事审查你的笔记本时，看起来可能不太美观。
但不要绝望，我的朋友，因为 lambda 函数就在这里来救你。Lambda 函数——或者更普遍地说，匿名函数——为在 Python 中定义函数提供了一种替代方法。最好的部分是，你可以一行写出它们！这最容易通过示例来展示：
square = lambda num: num * num
上述代码与我们的早期函数定义完全相同。以下是一些你应该知道的事情：
-
lambda关键字与def关键字类似，让 Python 知道我们想要定义一个函数。 -
lambda 函数的参数位于冒号的左侧，返回语句位于冒号的右侧（实际上并不使用
return关键字）。 -
我们不必给函数命名，但如果我们愿意，我们可以通过变量赋值来实现。
最后一点是关键。使用 lambda 函数让我们能够定义一个函数，而无需给它命名，就可以调用它或将它作为参数传递给另一个函数。让我们通过回到我们之前的示例并使其具体化来展示这一点。
让我们假设我们有一个名为my_df的 DataFrame，其中包含三个人的薪水：
Name Salary
0 John 45000
1 Mary 60000
2 Julie 100000
在这个荒谬的理想主义世界中，雇主刚刚宣布每个人的薪水都将被平方。我们可以通过使用 lambda 函数在一行内更新我们的 DataFrame：
>>> my_df['Salary'] = my_df['Salary'].apply(lambda num: num * num)
>>> my_df
Name Salary
0 John 2025000000
1 Mary 3600000000
2 Julie 10000000000
哇哦——无尽的财富！或许有点夸张，但希望你现在能记住 lambda 函数是什么以及如何使用它们。如果你想更详细地了解它们的细微差别，我建议查看我的两篇详细讨论 lambda 函数的文章系列。
示例 2：大型语言模型编写的 Lambda 教程
提示：我正在为 Medium 上的 Towards Data Science 出版物撰写一篇名为 "4 Essential Techniques You Must Learn as a Python Beginner" 的文章。我将涵盖的 4 个主题是 1) lambda 函数，2) 列推导式，3) continue 和 break 语句，以及 4) 用户输入。你能为我生成关于 lambda 函数的部分吗？它应该大约 300 字，包含一个示例，并且要有亲切的语气，但不要过于随意。
Lambda 函数：解锁 Python 的匿名英雄
Lambda 函数，也称为匿名函数，是 Python 最灵活的工具之一。虽然一开始可能听起来有些令人生畏，但它们的目的是简单的：创建小型、单次使用的函数，无需使用常规的 def 关键字或函数名。把它们想象成你的 Python 工具箱中的快速、一次性工具。
让我们分解一下。使用关键字 lambda 定义一个 lambda 函数，后面跟着参数，一个冒号，以及要评估的表达式。以下是语法：
lambda 参数: 表达式
为什么使用它们？Lambda 函数在需要短期使用简单函数的情况下表现出色，例如当与内置函数 map()、filter() 或 sorted() 一起工作时。
这里有一个示例来展示：
# Sort a list of tuples by the second element using lambda
data = [(1, 'apple'), (3, 'banana'), (2, 'cherry')]
sorted_data = sorted(data, key=lambda x: x[1])
print(sorted_data)
输出结果： [(1, 'apple'), (3, 'banana'), (2, 'cherry')]
在这个片段中，lambda 函数 lambda x: x[1] 提取每个元组的第二个元素，使 sorted() 能够按字母顺序排列数据。
虽然 lambda 函数非常方便，但它们也有一个缺点：可读性。过度使用它们或在 lambda 函数中塞入复杂的逻辑会使你的代码更难以理解。当你的逻辑变得更加复杂时，坚持使用具有描述性名称的常规函数会更好。
从本质上讲，lambda 函数是编写简短、一次性代码的快捷方式。作为一个初学者，掌握它们不仅会使你的代码更整洁，而且有助于你更好地理解 Python 如何拥抱简洁和强大。
让我们分析这两段之间的一些重要差异。在下面的每个要点中，我描述了差异，然后解释为什么它很重要。
-
人类版本以一个激励性问题开头，而 AI 版本则直接进入定义。人们喜欢例子。 它们使难以理解的概念更容易理解，并使写作更具吸引力。值得指出的是，你可以要求AI 从一个例子开始，但这忽略了基本点：与高质量的人类作家不同，AI 默认不知道如何有效地编辑和调整写作以适应不同的受众群体。这个特定的摘录没有以激励性的开头开始，只是这个更广泛现实的一个例子。
-
AI 生成的版本未能解决 lambda 函数可以被分配给变量以供重用的事实，并且将它们限制在单次使用中，句子说，“本质上，lambda 函数是编写简短、一次性代码的快捷方式。” 这两个缺陷——前者是重要信息的遗漏，后者是一个不必要的绝对陈述——有可能误导那些通常是代码教程目标受众的新手程序员。 读者应该意识到有一种方法可以防止 lambda 函数立即消失，他们也应该理解虽然 lambda 函数有时可以用作一次性函数，但在某些编程环境中（如函数式编程中）它们也可以是一个有用的工具。或者，即使这些细节对初学者来说可能不必要描述，教程绝对不应该明确指出 lambda 函数本质上总是一次性函数。
-
在 AI 版本中的写作感觉有些不对劲，但一开始很难确切指出是什么地方。如果你仔细阅读并分析这两段摘录——就像在写作/修辞课程中可能会做的那样——你会意识到人类版本的表达更流畅，更容易理解。 这是因为人类版本围绕一个单一的线索展开——与数据集一起工作，并使用 lambda 函数更有效地实现特定目标——这一线索贯穿整个摘录。其他所有内容，包括关于 lambda 的核心内容，都是围绕这一点构建的。相比之下，AI 版本是一系列松散相连的事实和例子。这里重要的是，尽管普通读者不太可能以这种方式分解文本；但他们会在潜意识中注意到如果有什么地方感觉不对劲，这将对他们的学习和记忆产生负面影响。
还有一些其他的不同之处，比如 GPT 版本中缺少一个实际数据集的例子。这些差异并不那么严重——它们可以通过一些提示调整来纠正——但仍然值得注意，作为 AI 在回应中经常难以处理细微差别和微妙之处的例子。
这让我回到了我的主要观点。人们一次又一次地声明，人类的创造力是无法被机器取代的。在这里，我同样提出这个观点，但是在本文的具体背景下。为什么我们需要人类的创造力来编写编程教程？
因为人类会像你一样引导你通过这个过程——一个活生生的、思考的、试图学习一个令人困惑的新概念的个体——而机器至多只能给你它所拥有的，事实和没有情感或激情。
虽然表面上看起来并不明显，但这些事情很重要。“情感”和“激情”这两个词可能看起来与代码相去甚远，但上面提到的我的 lambda 示例中的每一个例子都落在这两个词的范畴之下。我们只是没有总是注意到。机器可能会用加权的词汇和一系列形容词来假装情感和激情，但最终，它们的写作根本不会一样。
有时候，这很正常。我首先承认这一点。如果你只需要一些基本的 Python 代码来完成一个任务——那么没问题，使用 ChatGPT。但这本质上与去 Stack Overflow 复制粘贴代码是一样的——我们多年来一直在做，但我们并没有假装这样的资源使编程教程变得过时。为什么？因为这些教程填补了这些资源没有给我们填补的空白。长篇大论的详细说明，不仅仅是 GPT 给出的常见错误，而且经常是你在编码时遇到的精确错误。有意义的问题，不仅仅是 Claude 生成的示例数据，而是人类正在解决的真实、基本问题。以及充满激情的写作，不仅仅是 Gemini 提供的枯燥和基于事实的指导，而是对当前任务的同样情感投入，就像你自己一样。一个由人类编写的教程会给你这些。
AI 不会。
这不是限制，而是一个机会。对于像《数据科学向导》这样的出版物，如果我们花点时间认识到我们最初所重视的东西，那么这确实是一个值得追求的目标。
我认为，这确实是一项值得追求的事业。
参考文献
[1] www.edureka.co/blog/how-chatgpt-works-training-model-of-chatgpt/ [2] en.wikipedia.org/wiki/Functional_programming
浙公网安备 33010602011771号