首个AI程序员造假被抓，Devin再次“震撼”硅谷

　　本文来自于微信公众号 量子位(ID:QbitAI)，作者:量子位。

　　首个AI程序员，演示视频大幅度造假???

　　不久之前震撼硅谷的Devin，再度震撼硅谷——但这次是被打假。

　　事情是这样的:油管程序员博主Internet of Bugs(以下简称光头哥)对Devin的视频进行了逐帧分析，逐一举证说明了Devin并不如演示中那般神奇。

　　甚至有“自己现写bug然后当场修复”的骚操作。

　　其它“罪证”，包括但不限于:

　　号称能解决任何Upwork任务，但演示中解决的问题并不是prompt要解决的那一个，做无用功;

　　看起来在修复bug，实际上修复的bug人类程序员根本就不会犯;

　　没有意识到简单两步就能解决问题，花里胡哨一顿操作，其实是自己把任务搞复杂了;

　　修改代码的水平一言难尽。

　　此外，光头哥花了半个多小时，把Devin演示视频中的upwork任务完成了一遍——而Devin完成任务可能用时6个多小时。

　　啊这这这，真是好、大、一、口、瓜!

　　要知道，其背后公司Cognition AI手握10块IOI金牌的活招牌，还在推出Devin当月宣布成功融资2100万美金。

　　推特和YC上已经吵翻天了，让这件事的讨论度高居不下。

　　我请问呢?真的很讨厌演示造假，让demo看起来轻松达到意料之外的技术进步。

　　还有人表示自己很受伤，再也不会相信各种冒出来的创业公司的东西了。

　　emmmm……我还是把期待值全部留给OpenAI、Anthropic、DeepMind、FAIR这些公司和机构吧。

　　完整详情，一起接着往下看。35年从业者逐帧验证

　　此次出来声张正义的光头哥，从事软件行业已经35年。他首先声明自己的立场:我并不反对高科技，但我确实反对过度炒作。

　　他自己也经常使用GitHub Copilot、ChatGPT、LIama2、Stable Diffusion。

　　事实上，在Devin刚推出时候，他就反对过“世界上第一个AI软件工程师”这一说法。

　　此次则主要针对的是一些更为具体的说法。

　　比如之前Devin号称能够靠处理upwork任务来赚钱的。但在真正的演示中Devin并没有做到这一点。

　　不信?没关系，光头哥带着逐帧的证据来了。

　　总结如下:

　　Devin所处理的任务并非随机，而是精心挑选;

　　与客户实际需求有很大的出入;

　　实际操作过程，数次自己创造bug然后再修复;

　　很多毫无意义的操作，相当于几十年前在C语言中才用的方法;

　　首先，来到了演示视频的2.936秒处，在屏幕左上角有显示他们搜索过这个内容。因此，这不是所谓“随机”选择的任务。

　　再来看客户给到的具体需求。真正需求为“我想要利用这个库来进行推理。你需要提供详细的操作指南。我不想讨论完成这项工作预计需要的时间。”

　　但给到Devin的需求却是:我希望利用这个模型在这个库中进行推理。请自己弄明白。

　　最后视频末尾出现的Devin生成报告中，也没有提及客户实际需要的内容。

　　那么，这份工作的最终交付成果应该包括什么呢?

　　但Devin实际做了什么?

　　Devin第一次真正的尝试，是它修改了一个名为requirements.txt文件，其中规定了代码所依赖的库版本。视频中提到它正在更新代码，但实际上更像是修改配置文件。

　　然后根据需求，需要Devin能建立自己的推理能力，并仅需使用样例数据即可。但实际项目要比这个复杂得多。

　　结果很快，Devin就遇到了第一个命令行错误——打开图像失败、文件未找到、无此文件或目录等。但在光头哥实际复现时并没有出现，结果研究发现，代码仓库压根就不存在这个文件。

　　这相当于Devin自己创建了个bug，然后再修复bug。在接下来的操作中，Devin经历了很多次这样的“自建自修”。

　　不能说十分有用，只能说完全没有必要。

　　接下来，再来看看代码库中这样一个readme文件。正如视频所展示的那样，readme文件清晰地说明了该文件的功能和用法。在页面右侧，甚至还有一个小按钮，点击它就可以复制整条命令，然后粘贴到命令行窗口中，按下回车即可运行。

　　但Devin完全没能理解，而又是自创了个项目。而写的那段从缓冲区读取数据的代码十分糟糕。

　　于是光头哥发出了灵魂拷问:

　　这不就是几十年前在C语言等中才用的方法吗???

　　这种做法显然已经过时，正常人用Python谁还会再写这个代码。这种代码很难调试，它逻辑复杂，难以理解，很容易出现细微的错误。

　　此外，代码库中还存在一个真正的错误，但Devin既没有发现也没有修复。

　　然后光头哥用谷歌搜索，按照GitHub 上一条相关评论修改了代码，只花了1分07秒，问题就解决了。

　　最终光头哥总共花了35分55秒复现了Devin的工作，而Devin实际花了多长时间呢?

　　如果细看视频Demo，就会发现Devin处理工作前后有6个小时20分钟的间隔。

　　视频的前部分显示的是3月9日下午3:25的时间戳，但后半部分却显示的是当天晚上9:41。

　　而逐帧细看就有会发现一些奇怪且毫无意义的操作。

　　比如head -N5results.json | tail -N5这个命令，它表示取这个JSON 文件的前五行，然后再取这些行的最后五行。

　　正确的做法应该是”head-5results.json”。那个-N 是多余的。只要说 -5就可以，不需要那些多余的东西。

　　最后光头哥锐评，AI现在生成的内容有很多都十分愚蠢，反倒会让事情变得更为复杂。

　　当看到它的任务列表时，会觉得:哇，Devin做了很多事情。但实际上可能并非如此。 网友:至少掌握了看起来很忙的技巧

　　对于此次Devin造假翻车，不少网友对现阶段AI产品炒作嗤之以鼻。

　　我真的很讨厌现在演示造假变得如此正常化

　　甚至还列出了三大炒作典范:Devin、rabbit、Humane。

　　也有网友调侃:Devin至少掌握了看起来很忙的技巧。

　　嗯?打工人有被内涵到。

　　不过也有一些支持的网友，比如这位沃顿商学院的教授Ethan Mollick。

　　他声称自己有早期访问权，在体验中发现真的很有趣。

　　他认为现在将Agent视作“炒作”为时尚早，未来几个月Agent的能力将十分强大。 号称“世界首个完全自主的AI软件工程师”

　　有意思的是，演示造假事件爆出来的时间，距离Cognition AI推出Devin仅过去了一个月。

　　咱们一起来回顾一下。

　　一个月前的3月13日，Cognition AI在推特上介绍了自家推出的Devin，并称其为“世界上首个AI软件工程师”。

　　只需一句指令，它可端到端地处理整个开发项目。

　　主创介绍，Devin在长程推理和规划上面下了很大功夫，可以规划和执行需要数千个决策才能完成的复杂软件工程任务。

　　具体来说有6大功能:

　　端到端构建和部署程序，可以解决的不只是代码问题，还包括与之相关的整个工作流;

　　自主查找并修复bug;

　　训练和微调自己的AI模型;

　　修复开源库;

　　为成熟的生产库做贡献;

　　超强学习能力，实时补足知识和能力短板。

　　Devin完整技术报告中显示，在SWE-bench基准测试中，无需人类辅助，Devin可解决13.86%的问题

　　——这个数据看起来不高，但其实已经超过了此前所有AI大模型的成绩。

　　目前数一数二的GPT-4，在同个测试中的成绩只有1.74%，且必须配备一个人类，提示它要处理哪些文件。

　　当时的Devin团队一副没在怕的样子。

　　虽然没开放公测，但陆陆续续给出了一些内测名额。

　　在互联网上搜索一番，发现上手体验过的人给的买家秀反馈是这样的:

　　热衷AI的沃顿商学院教授Ethan Molick试过后，认为其新颖的实时交互方式是最值得关注的。

　　他要求Devin开发一个解释“创业公司融资中的股权稀释”的网站，随后透露，AI还无法在没有任何帮助的情况下，自主且无差错地完成这项工作。。

　　但也有人直接表示，体验过后确实是有被震撼到。

　　巧的是，截图中的这个首批内测体验者Bubna哥，是AI基础设施创业公司Modal Labs的CTO。

　　后来他和Devin还联手搞了个新闻。Devin用自家老板的账号，潜入Modal Labs的工作群，和Bubna哥一番交流过后，根据回复调整了代码方案，解决了一个技术问题。

　　当然，除了看上去牛哄哄的技术，Devin还镀了一层光环，那就是背后公司Cognition，虽然是个小初创，但在招人信息中明晃晃写着:

　　我们团队手里握着10块IOI金牌呢～

　　技术演示和团队背景都吸睛Max，直接给Devin的传播力度添砖加瓦。

　　也正是因为对Devin的关注，代码生成领域在过去一段时间里进展是突飞猛进。

　　比如，GitHub三万Star项目MetaGPT就上新了“开源版Devin”，名为数据解释器(Data Interpreter):

　　阿里Qwen成员Binyan Hui等人开启了OpenDevin项目，一个月过去已经在GitHub揽星21.5k;

　　普林斯顿那边动作更快，用GPT-4打造了开源SWE-agent，开箱即用，可修复GitHub存储库中真实bug。

　　在25%的SWE-bench测试集上，它实现了与Devin演示视频中相似的准确度—— 解决了12.29%的问题。

　　还有各个大厂也开始入驻自己的AI程序员…… One More Thing

　　结果现在发生这件事儿，怎么说呢……

　　往好了想，真是救大命了，所有的程序员们都要松口气了，还好还好，AI暂时还无法端到端端走我的饭碗。

　　往坏了想，真是要了命了，这么一个备受关注的明星项目居然是个只能活在视频里的demo。

　　难道世界真的是个巨大的草台班子???