代码屎山噩梦加速来袭，都是AI生成代码的锅？

编译 | 核子可乐、褚杏娟

“周边很多程序员一直在使用，都是用上就离不开了！”知乎上，在“大家现在使用哪些 AI 辅助编程工具？节省了多少工作量？”话题下，答主“以默”说道。

按照“以默”了解的情况，AI 辅助编程工具估计至少能帮程序员减少 30% 的工作量。对于工具，他表示“当然首选 GPT，也可能是唯一答案！国产在这方面差距很大。”“综合能力水平: 4.0>3.5>国产大模型。模型能力越强，越好用！”

现在用 AI 辅助编程已经是很多程序员的选择，但随着 AI 软件开发迅速普及，代码质量又会随之受到怎样的影响？⻓期代码研究员 Adam Tornhill 就曾表示担忧，AI 辅助编程的主要挑战在于，它非常容易生成大量本来就不应该编写的代码。

根据最新研究，结果确实令人忧心。除了代码返工（即代码在添加后不久即遭删除）以外，重复代码比例升高等问题愈发严重。

主要是“添加代码”

自 2021 年 6 月推出 beta 版以来，GitHub Copilot 已经掀起 AI 编码的一波潮流。据公司 CEO Thomas Dohmke 介绍，该软件目前拥有超 100 万付费订阅开发者，已经让开发任务的速度提高了 55%。而且在启用 Copilot 的文件中，有 46% 的代码量是由 AI 生成。

根据来自开发者分析公司 GitClear 的研究，基于从 1.5 亿行已更改代码中收集到的数据，调查发现其中三分之二来自以匿名方式共享数据的私营企业，三分之一则来自谷歌、Facebook 及微软等技术大厂的开源项目。

这项研究着眼于经过添加、更新、删除、复制及移动的代码，并排除掉 GitClear 预先定义的“噪音”，例如被提交至多个分支的相同代码、空行及其他无意义的代码行。

但 GitClear 的研究将关注重点放在代码质量、而非数量上，并观察到 AI 助手主要是在提供“代码添加建议，但很少涉及代码的更新、移动或删除建议”。

研究人员还指出，“根据奖励设计，代码建议算法更倾向于提供最可能被采纳的建议”。尽管看似有理，但这明显忽略了代码简洁、易读等特性的重要意义。

GitClear 分析得出的代码更改趋势

对代码质量做精准衡量并不容易。研究人员也的确发现了一些变化趋势，表明代码的添加、删除、更新和复制 / 粘贴量大大提高，但代码移动比例却有所下降。他们还发现代码返工率大幅增加，从 2020 年的 3.3% 提升到目前的 7.1%。

一般来讲，代码移动是开发者进行代码重构的关键指标。具体来讲，就是在改进代码设计和结构的同时，确保不改变行为。

研究人员初步猜测这种趋势可能与 AI 编码技术的日益普及相关，但真实原因仍有待验证。他们还严厉批评了大量复制 / 粘贴代码的负面影响，称“这种对 AI 生成代码的无脑使用，将对代码的长期可维护性产生灾难性的影响”。

但过度使用复制 / 粘贴并不算是新问题。开发人员之所以这样做，很可能是因为无脑照搬比调整和重用现有代码更快、更省事，或者同一项目下多位开发者之间沟通不畅，抑或是从开发示例 / 编码问答网站上“抄袭”了太多内容。

GitClear 研究人员并没有具体讨论应如何解决调查中发现的这些问题，而是转向了“后续研究问题”。但他们也建议工程部门领导者应当“监督提交数据，并考虑其对未来产品维护造成的影响”。

这次研究可能在一定程度上让那些担心被 AI 工具取代的开发者们感到放心。代码分析公司 CodeScene 最近开展的一项 AI 代码重构研究也得出结论，“在编码环境中，AI 还远无法取代人类；当前的 AI 太容易出错，且完全不具备安全修改现有代码的水平。”

代码质量，谁更应该关注

可以肯定的是，AI 编码助手绝不会就此消失，反而是像一切新工具那样不断改进，并由开发者学习优化思路、改善使用效果。

其实，现在开发者们也已经意识到了代码质量的问题。在 GitHub 与 Wakefield Research 的调查报告中，当被调查的程序员被问到，“在积极使⽤⼈⼯智能时，应该根据哪些指标进⾏评估？”“代码质量”成为最关⼼的问题，

但另一方面，更应该关注代码质量问题的其实是公司领导层。

“我公司的领导曾经就动过用代码行数衡量每个人的工作量这种想法。研发人员每周代码量至少在 500 行以上，一个月必须在 2000 行以上。甚至他还搞来了第三方的测算软件，输入 git 账号来计算你的代码量。然后在一次技术会议上，全体组员忍无可忍的怼了技术总监。“知乎上有网友分享到。

一般公司考核代码量相对简单直观，但是代码质量考核就不那么容易了：满足用户需求，合理的进度、成本、功能关系，具备扩展性和灵活性等都不是那么可量化的指标。

但关于代码质量对业务影响的研究表明，一般来说，由于技术债务和糟糕的代码，公司平均浪费了开发人员 23%～ 42% 的时间。但似乎这还不够令人感到担忧，关于软件开发人员由于技术债务而导致的生产力损失的研究还发现，开发人员经常“被迫”引入新的技术债务，因为公司一直在用代码质量换取新功能等短期收益。

现在企业为“降本增效”引入 AI 辅助工具是可以理解的，但需要注意扬长避短、合理使用。根据 Alphacodium 的说法，大模型生成单个冗长函数的结果很差，代码通常包含错误或逻辑错误，大模型也往往在需要思考、推理并做出严格、重要决策的代码任务中遇到困难。

代码生成与其他对话不同，它需要匹配目标语言的精确语法、识别最佳路径和边缘情况、关注问题规范中的众多小细节，并解决其他特定于代码的问题和要求。因此，在自然语言生成中许多优化和技巧可能对代码任务无效。

如何让 AI 辅助编程更好地帮助开发者，也需要各方努力。

本文文字及图片出自 AI前线