1、准印证号：粤 BL0230022内部资料免费交流第十九期 2024 年 5 月未来应用 特辑未来应用，以智启航P01AI 产业大爆发，应用是赢得未来的关键P05应用现代化六大关键技术，加速企业数字平台进化升级P09本期特辑由华为云与应用现代化产业联盟联合策划4编印单位：华为技术有限公司出版人：董理斌 李明潇顾问：黄瑾 陈宝国 张宇昕 徐峰执行主编：张桂林 蒋宁静编辑：翟传璞 罗斌 林扬印刷单位：雅昌文化(集团)有限公司印刷日期：2024年5月24日发送对象：本行业、公司员工印数：2000册未来应用，以智启航华为云副总裁、战略与产业发展部总裁 黄 瑾.01AI 产业大爆发，应用是赢得未来的关键中

2、国信通院人工智能所副所长（主持工作）魏 凯.05应用现代化六大关键技术，加速企业数字平台进化升级华为云 PaaS 服务产品部部长 徐 峰.09AI 驱动的软件研发：挑战与机会华为公司软件教练组 贾岩涛.15软件开发与演化：大语言模型打开的空间和带来的挑战南京大学教授、中国计算机软件工程专业委员会主任、国务院学科评议组成员（软件工程）李宣东.18目录CONTENTS主办：华为云计算技术有限公司本期特辑由华为云与应用现代化产业联盟联合策划电子版请登陆 阅读或下载索阅、投稿、建议和意见反馈，请联系编辑部：Email:编辑部地址：中国深圳市龙岗区坂田华为基地G1华为云热线电话：950808准印证号：粤

3、 BL0230022内部资料免费交流第十九期 2024 年 5 月未来应用 特辑未来应用，以智启航P01AI 产业大爆发，应用是赢得未来的关键P05应用现代化六大关键技术，加速企业数字平台进化升级P09本期特辑由华为云与应用现代化产业联盟联合策划ChatDev：大语言模型多智能体协作式软件开发清华大学副研究员 钱 忱.23未来应用重塑千行万业华为云 Marketing 部部长 董理斌.26AI 时代的应用开发者变革CSDN 创始人&董事长 蒋 涛.28模块化设计的行业云：构建不动产行业的未来应用明源云生态发展中心解决方案总经理 郭世伟.30软件工程的进化“人在环内”到“人在环外”华为软件工程应

4、用技术实验室主任 夏 鑫.32未来应用，以智启航黄瑾 华为云副总裁、战略与产业发展部总裁01未来应用，以智启航中把数据和 AI 用得好，估值就会大幅度的上升。福布斯 AI 50 的榜单提到，人工智能创业公司中有三大类：一类是在基础设施领域、一类是大模型本身、一类是在应用。在应用方面分为面向 2C 场景、2B 的通用场景和垂直行业场景。从趋势上看，基础设施层面有非常多做标注工具、数据生成、数据清洗和合成数据，我们判断在 2026 年之后提供给大模型训练的语料可能用尽，所以会有大量的公司做合成数据。AI 正在改变云的技术栈，AI 将重新定义云基础设施、增强数据、数智和开发平台能力，重塑所有的应用软

5、件，并带来开发者生态的改变。大模型也将重塑千行万业，成为企业生产力的基础需求，帮助企业从解决行业难题，充分释放 AI 生产力。AI 出来之后，数据中心会发生很大的变化，基本上今天所有的数据中心都很难迎接 AI 的新技术。从架构上看已经出现了超节点，以前所有的外设是以 CPU 中心，现在不是的，内存是所有人共享的，所有外设都是共享的，协议要重新设计。为了应对 AI 趋势，存储已经发生了很大的变化，是内存存储。网络也会发生变化，好几层要合并，同时架构也会变化。所有的平台都会被 AI 影响，所有软件都会由AI 带来新的体验，生态是会完全的改变，以前的软件生态和未来可能会完全不一样。从福布斯发布 Cl

6、oud 100 初创企业调研报告可以得出几个简单的信息：生产力工具、互联网金融或者金融科技、数据领域的估值相对排名是比较靠前的。今年和去年最大的变化是 Cloud 100 企业里有 70 家在其产品中都已经深度使用 AI 的能力，估值排名第一就是 OpenAI，所以变化非常大。去年有一个体会，一个软件如果只卖License，PS 值*很难超过十倍。如果是纯 SaaS 软件，企业的估值和收入很容易突破十倍 PS 值。如果把数据和 AI 做好的话，通常很轻松突破 20 倍 PS 值。如果从Cloud 100 来看，有接近 100 倍 PS 值的，在未来应用AI 正在改变技术栈，大模型将重塑千行万业

7、中国软件产业的发展需要培养软件付费的习惯，当前这个问题在慢慢改善。两年前整个中国超过 1 亿人民币收入的软件公司不多，估计有 30 家左右。但是最近看到跨过 1 亿人民币的软件公司到处都是，这说明中国的软件在慢慢崛起。随着数字化转型的深入就需要非常多的软件，这就是机会，所以我们看到云化转型、云服务企业软件是增速非常快的一个赛道。70家Cloud 100企业在其产品中使用AI能力TOP 3生产力工具/金融科技/数据Cloud 100估值类别排名Cloud 100估值排名#1*PS 值：PS 值为市销率（PS=市值/销售额），适用于电商、软件等未来价值较高的行业。02未来应用，以智启航动的编程助手

8、。面向未来，多模态+巨声智能会有更大的发展，AI 最终会走向多模态，加上具身智能。现在有一个词很热“VLA”*，前面要感知，大模型会变成中控，会调用其他的模型、数据库、分拆任务等等，最终“A”一个是在数字世界里执行，另外一个是要直接控制物理世界。每一个员工都至少需要一个AI助手，每一个企业都需要 AI 大模型和数智融合平台从业务体验来说，我们认为每一个员工都至少有一个 AI助手，每一个企业都会有 AI 大模型和数智融合平台，每一款软件都需要 AI 大模型的赋能，每个 AI 都需要 AI 驱备件合单采购稽查代码生成企业客服法律咨询发票验真项目验收内部审计IT网络安全合同评审园区安全要货计划会议摘

9、要硬件质检工程勘测物流预警零售门店产销计划收入预测海关清关投标市场洞察软件测试营销展会供需匹配线上电商简历招聘干部履历SRE运维智能原生，一切都值得用AI重做一遍以华为为例：AI是生产力革命，从20+到上万场景，逐渐深入到更多场景，创造更多价值业务模式重构智能原生数字员工AI治理组织人员转型算法场景数据算力AI是技术AI是变革AI更是思维改变开发者生态数据集生态，大模型生态，软件工程3.0重塑所有应用软件AI原生，80%数据+20%代码，SaaSFTaaS增强平台能力数据集，数智平台，开发平台重定义云基础设施超节点，内存池化，多网归一每一位员工都至少需要一个AI助手每一个企业都需要AI大模型和

10、数智融合平台每一款软件都需要AI大模型赋能每一个应用开发都需要AI驱动的编程助手大模型正在改变云的技术堆栈大模型重塑千行万业，成为企业生产力基础需求解决行业难题释放AI生产力政务金融制造石油化工电力电网交通运输矿业零售AI 正在改变技术栈，大模型将重塑干行万业*VLA：视觉-语言-动作模型（VLA：vision-language-action）。03未来应用，以智启航每个企业都需要 AI 大模型和数智融合的平台，AI 首先是生产力的革命，大模型 AI 可以把原来所有的 AI 都做一遍，但是要取决于价值，从价值大的先做，不仅仅是技术、变革，还是思维的改变。实际上我们认为大模型用好会产生价值，只是

11、说成本比较贵，一定要选价值高的先开始干。智能化反推数字化：大模型驱动数智融合智能化会反推数字化，我们看到大数据整个平台，是数据融合，是参考以下几个经典的东西：一个是湖仓一体（Lake House），其次要有一个数据网络（Data Mesh），最后是数据编织（Data Farbic）。再加上数智融合，因为整个数据湖和 AI 一定要共一个数据底座，共一个引擎，共一个工作台，共一个资源池，共一套安全机制，共一套存储，共一个数据接入方法，这样企业的效率才会高。加拿大有一个研究所专门研究 AI 对软件开发过程的影响，初步一个结论：基本上软件开发的所有环节，AI 都会起到非常大的作用，只是今天大部分人都用

12、在编程和测试，因为编程和测试的效果是比较明显和快速的。实际上需求分析、设计、运维、收集客户的反馈等环节都可以用到，所以 AI 会对整个软件开发过程都有影响。未来软件应用正在朝着 Agent 方向积极发展，未来所有的应用都可以基于智能 Agent 来设计。Agent 很火，无论是学术报告还是创新公司都非常多，Agent 有多种路径，有大模型的 Agent，也可以是一个体外的 Agent，一个 Agent 可以调所有的软件，不仅仅是调自己的软件，会做一图识别、任务分解，包括控制等等，这对软件也会产生非常大的变化。当前还面临很强的市场竞争，要加速发展做到世界第一的竞争力。一定要抓住产业的下一跳，还要

13、发挥自身独有的优势。中国有很多开放的行业场景，很多行业走得很快，我们要用下一代的技术和方法快速做到世界第一，马上就有机会复制给更多的客户，甚至海外、全球，我们的竞争力就会起来。比如华为有军团，为什么成立军团？就是要深入客户的场景，只有将一个个场景做到世界第一的竞争力才能在商业上成功。不深入场景，是做不好的。第二，为了加速中小企业，全国有160 多个地方政府与我们合作建立赋能中心，开发了数百个新的方案和产品，所有软件伙伴跟我们一起在赋能中小企业，大部分是基于公有云进行开发和部署的，复制起来会更快。第三，跟我们一起组团出海，2023 年年初有 300 多个企业跟我们出海到印尼，中国的软件和云厂商一

14、起抓住产业的下一跳，在自己的场景上做成世界第一的竞争力，一起走向全球，相信我们的产业就会发展得很好。04AI 产业大爆发，应用是赢得未来的关键魏凯 中国信通院人工智能所副所长（主持工作）05AI 产业大爆发，应用是赢得未来的关键大模型代表了人工智能发展的新范式大模型出现以后改变了人工智能很多发展的范式，我们认为至少在四个方面跟以前人工智能显著不一样：第一，有规模扩展性：尤其是大语言模型，DeepMind 率先发了一个研究报告，他们发现堆数据、算力、扩大参数可以让模型效果变得越来越好，这是在 2020 年的时候发的文章。之后 Open AI 在 GPT 上也发现这个规律，持续堆这些资源，可以让性

15、能变得越来越好。到现在为止大语言模型还没有看到规模扩展性的瓶颈，所以全世界对AGI 到来的乐观理由就是规模扩展性还在持续。同时不光是大语言模型的规模扩展性，现在视觉模型上可能会探索出来，这是乐观最重要的一个原因，规模可以让性能变好，以前小模型是没有这样的特性。第二个最重要特性，现在是多任务的：一个模型可以处理很多能力，下游任务的适应性非常多。最近的变化不仅是多任务，而且是可以走向跨模态，实际上所有物理上的信号可以被编码到同样一个高维的向量空间。一只狗或一张图片在被输入之后可以在向量空间中离得很近，这就让大模型具有了实现跨模态生成理解的能力，所以多任务适应性是非常强的。大家一致在探索，这也是为什

16、么既可以生成文本也可以开车，也可以搞 RT2*的具身智能，这是非常大的变化。大家越来越认为平台化的机会出现了，以前人工智能都是一个个烟囱，企业恨不得有几百个模型，形不成很好的规模效应，有了多任务适应性之后，人工智能在企业场景中可以规模部署，这也是一个很好的消息。同时，表现出来了复杂理解推理能力：不仅靠自己可以进行复杂推理，也可以教它一步步怎么做，就是思维链让大模型表现出越来越强的复杂推理能力。前几天微软发了一个研究报告，不去微调模型，只靠把内容写得越来越细，就让 GPT4 发现在医学上很多惊人的能力，所以可塑性非常强。最后知识吸收能力是超强的：这不仅是自身可以记忆信息，同时我们现在业界都在探索

17、，把它和知识图谱跟向量数据库结合起来，让它的记忆更准确，防止出现幻觉。所以整体上这四个方面是展现出大模型代表新的人工智能发展范式。发展范式也在启发新的人工智能技术的发展，大家都朝着这个方向在努力，这就会让技术日新月异的发展。现在大家都在探索人工智能大模型的发展之路，我们看到了一纵一横的路线。一横就是仿真式 Model 的能力越来越强，他们认为不需要垂直模型，一个模型就搞定所有事，这是理想主义者的路线。当然也不排除很多用小模型，用垂直模型解决行业里的专业问题，这是现实主义路线。这个路线不能说谁对谁错，只是适应性的问题，我们需要因地制宜地看待它，但都不能忽视。万一仿真式 Model 可以干任何的事

18、情，真正的 AGI 来了以后，这些垂直模型可能就面临非常大的压力，所以两条路都要得到重视。企业到底怎么落地大模型，把大模型拿回去怎么做，要么是从零开始训练，准备原始的数据，从零开始把参数一个一个确定，当然这会消耗巨大的算力，相信很少有用户会这么做。我也相信，中国所谓有 200 多个大模对比维度规模可扩展性多任务适应性复杂推理能力知识吸收能力传统 AI数据量增大，性能容易陷入瓶颈一个模型只能完成一种任务，单模态基于规则，难以支持复杂推理记忆能力有限大模型随着训练算力、数据的增加，模型性能可持续提升（Scaling Law）一 种 模 型 可 完 成 多 种任务，多模态/跨模态（GTP-4V，Ge

19、mini）数据驱动，支持复杂推理（Chain-of-Thought）几乎可压缩人类所有知识，知识增强（RAG）*RT2：（Robotic Transformer 2）是一种全新的视觉-语言-动作（VLA）模型，它从互联网数据和机器人数据中学习，并将这些知识转化为机器人控制的通用指令。06AI 产业大爆发，应用是赢得未来的关键型，大部分不是自己直接从零练出来的，大部分是调出来的，微调是用户正确选择，但是微调也有深浅，也有投入大小的问题。SFT 投入可能比较多，指令微调投入非常小，也是看你从可控性、投入成本、产出来选择不同的大模型引入的路径。当然可以直接用，比如用华为云云上服务也可以。大模型的应用

20、，可以用在很多场合，几乎没有它不适合的场景。通过调研发现，目前来看，现在中国企业各个行业，包括金融机构这些行业，他们的预算比较紧，要降本增效。所以刚需场景肯定是最开始使用的，刚需场景有三个很显著的场景：一是内容生产：替代文案、营销、办公，可以成为辅助生产力。二是知识管理：这也是非常明确的，每个企业都需要有一套员工培训系统、客服系统、信息检索系统，这是把企业沉淀下来的知识能够很好管理和使用起来。三是软件开发：开发测试、文档生成对软件开发行业是非常的重要生产力提升。四方面抓手促进人工智能工程化，加速AI 赋能千行百业现在来看，还有很多挑战，这就是需要 SE4AI*，我们需要用软件行业、软件工程里的

21、很多经验让人工智能更顺畅地落地。第一个现在面临的挑战：企业引入的时候工具链不是很完善，很多要自己动手，非常复杂。所以企业在大规模引入 AI 时，首先需要一套完善的工具链，需要一个平台，而且大模型有一种通用性，这也给大型企业成体系的规划人工智能平台或者中台创造了条件。产业界也需要跟上，很乐观看到这种开源工具，让 MaaS服务越来越成熟，让技术工具的门槛降得越来越低。数据治理：如果企业要把人工智能引入，不可避免地要把私域数据激活，客观来看，国内企业数据治理水平还是很差的，这使得行业经验差距比较大。全国有 40 万家企业，现在才有 2000 家企业通过了数据管理能力成熟度的评估，为 AI 准备的数据

22、管理能力当然更差。如何配合人工智能的全栈引入、微调等等，做好面向 AI 的数据治理，这也是非常重要的抓手和挑战。运营管理：软件工程的经验有 Devops，AI 也需要一个拉通、研发、使用测试整个环节的管理体系。现在 MLOps也是非常火的，在大模型时代也需要把研发管理体系建立起来，适应 AI。风险：引入 AI 不可能没有风险，但是也不能因为有风险就不往前走，一定要做风险的度量、风险管控、成体系*SE4AI(Software Engineering for AI)：软件工程赋能 AI 研发。07AI 产业大爆发，应用是赢得未来的关键的规划、风险水位的监测和应对处置的机制。只有这四个抓手抓实了，才

23、能真正为人工智能到行业赋能做好充分的准备。人工智能在软件工程里头的应用是无处不在，环节、场景是非常多的。我们也看到好多头部企业已经尝到甜头，在代码自动补全、生成、测试、使用、研发等各个环节都发挥很大的作用，尤其是像金融机构、互联网公司，已经在研发部门全员普及这样的文化。未来人工智能大模型对于研发模式和组织架构的影响，现在是生产工具、生产力的变革，当应用到一定程度和深度的时候一定会激发模式变革和组织架构变革。我们看得不是特别清楚，但是有两个模糊的感觉：一个是以前软件开发从瀑布式到敏捷开发的模式，大模型来了以后一定会有新的发展，我们需要提前思考。另外一个组织角色、人力分配的变化，以前软件开发是一种

24、大兵团作战，现在由于编码效率、测试效率的提高，我们未来可能是架构师和少量软件代码工程师的配合，是一种特种兵的作战模式。这是初步的思考，化学反应还正在发生，可能需要进一步观察。国家提要走新型工业化的道路，中国要走中国式现代化，要创新驱动，要绿色发展，要普惠、国际化等等。其实我们提应用现代化，实际上是微观层面的，我们的目标是让新型工业化中的数据驱动发动机就是应用，应用是要围绕新型工业化中很多目标做数字化转型、智转、数改等宏大的目标，最终是为了支撑中国式现代化，这三个化是一脉相承的。其中最大的变量是 AI，尤其是未来即将到来的通用人工智能，人工智能是我们国家发展新型工业化最大的技术变量，这个最大技术

25、变量用到新型工业化是非常合适的。当然对于应用现代化，对于整个中国式现代化也是适用的，通用人工智能将是未来中国发展最大的技术变量。AI 工程化以技术工具、数据治理、运营管理、风险管控为核心，实现大规模、高质量、高效率的开发与应用，推动可信 AI 体系化落地。面向AI基础软硬件各层级构建自底向上全栈式软件栈面向数据处理、开发训练和部署推理全生命周期，构建端到端完备易用的工具链建立数据共享中台或数据集成平台，增强企业内部数据供给能力提升全生命周期数据质量管理能力，端到端提升数据质量联结开发团队、部署团队、运营团队及风险管理团队建立ML研发、部署和运维流程的标准化体系通过机构建设及管理机制落实AI治理

26、战略目标，全面管控AI风险通过技术工具提供全面支撑，保障AI数据、模型及系统可信技术工具数据治理运营管理风险管控质量管理资产管理实施交付工具平台MLOps评估测试开发管理模型部署AI资产管理构建集成监控维护AI中台基础设施应用应用类工具数据处理开发训练部署推理AI资源管理工具战略规划机构建设管理机制技术工具明确目标统筹协调管理基础支撑AI数据工程设计采集筛选转换清洗标注增强回流08应用现代化六大关键技术，加速企业数字平台进化升级徐峰 华为云 PaaS 服务产品部部长大模型技术重塑软件研发，孕育着颠覆式的应用开发新范式大模型对于软件研发的一种重塑，我们一直讲一个范式：从 In the Loop

27、到 On the Loop。现在大家看到的大模型在软件研发领域的应用大部分情况是一种辅助的角色，最终软件开发还是人，还是各个程序员，但是未来可能会发现在软件里面有很多角色会真正被人工智能替代。从我们的测试工程师慢慢到写代码的工程师，逐步有一些环节被替代。这样会发现原来做软件的人可能已经从软件开发的循环中跳出来了，我们称之为是有上帝视角，就是变成 On the Loop，不在循环之内，会站在治理的角度看软件，这样可能对未来很多应用开发模式带来本质上的颠覆性的结果。09应用现代化六大关键技术，加速企业数字平台进化升级我们看到软件本身，更准确地说是未来应用的本身在变化。以前的应用都以软件为主，但是未

28、来的应用会发现有数字内容，就是新媒体的形式。也会有大量的数据在软件之中，进而有人工智能的模型在里面。之后再和原来的代码融合，这样就变成了一种“数智媒融软”多模态的应用。可以想象原来只是软件代码的生产过程肯定不能匹配新型应用的生产过程。另外软件本身，以前最简单的交互模式都是通过命令行、图形界面，未来会变成大量的应用都是通过智能助手，不管是通过对话或者是更新型的形式交互，但十年以后的黑客帝国，可能看到的世界都是由 AI 给你重塑出来的。对于以前的软件是由我主要设计场景是什么，而以后可能是 AI 来给你制造新的交互世界，你在这个交互世界中寻找到自我，本质上在软件本身就会变化。这样使得在整个软件全生命

29、周期，应用全生命周期，从设计、开发、测试，以及运维都会有革命性的变化，所以这些一定会影响未来应用。其实什么是应用现代化，应用现代化一直是一个过程，我们希望一个企业的应用能够从传统的应用走向一个现代化应用，这是一个过程。但是怎么能让这个过程被加速，这就是我们企业所面临的问题。所以之前讨论过到底传统应用跟新型应用有什么区别，因为我们知道未来的企业客户需求越来越多，意味着需要越来越多的应用，但是这些应用按照开发者的速度来看，中国开发者可能现在专业型就是一千万左右，未来预测到 2025 年可能这种应用数量将是过去人类历史上 40 年的总和，这么多的应用要被制造出来，怎么样能够让应用的制造量变大，是不是

30、需要让所有人都能参与应用的开发，这样称之为未来要变成全民都要能开发应用，这样才能真正满足未来企业的要求。企业大量的数据是烟囱型的，怎么让数据被唤醒，被高效地利用，为未来的智能决策提供价值，这也是面临的问题。最近出的软件现代化里面讲应用最核心就是要速度，就是要快。以前都是按月为周期，以后怎么变成按天级产出，这也是企业希望的。还有本质上现在的应用也在进行架构性的调整，从单体走向越来越多微服务，进而演进到 serverless，不需要为运维提供更多的能力，所以新一代的技术架构也在驱动我们的应用在变化。同时我们现在看到随着比特币的出现，这种对于安全的讹诈不像以前有很多链路可以追踪。近几年在软件供应趋势

31、 1：大模型技术重塑软件研发，孕育着颠覆式的应用开发新范式In the Loop（AI辅助人代码开发）1On the Loop范式（人监督AI开发）2开发1.0开发2.0开发3.0DeepMind AlphaCodeVS应用系统大模型大模型应用系统100%80%20%需求/指导(LUI)(监督)软件开发LoopCTO 架构师Agent产品经理AgentApp开发 agent测试 agent10应用现代化六大关键技术，加速企业数字平台进化升级链的攻击已经按照每年 6 到 7 倍的方式在增长，以前应用安全的方式都是建篱笆和围栏，用各种墙拦在外面。未来需要让安全内生起来。第二个，大家现在都知道软件应

32、用成分 70%到 80%都是开源软件。每天都在社区公布漏洞，去年公布的漏洞达到 3 万多，意味着你写的软件每天黑客都可以看到应用开源软件的漏洞被公布，就可以攻击进去。所以怎么能让应用变成内生和全生命周期的安全，也是企业面临的挑战。还有更重要的就是随着整个企业 IT 变成业务最核心的应用，几年前看到公告某某机房检修，应用可能要停几个小时，现在每停一个小时基本对企业都是损失百万以上，所以变成 724 小时永远不能停机的应用已经变成企业的基本要求。面对这些现代化应用的诉求，我们发现必须让所有的应用都能够被加速，这才是一个应用现代化最高效的路径。所以我们构建了企业数字化的平台，这个平台最重要的就是能够

33、把企业面对未来现代化应用的基本要求内置到平台上来承载。未来会有越来越多的像人工智能新技术、区块链新技术，必须需要有一个平台导入，不可能让每一个应用开发者将新的技术部署研究一遍，如果它能够变成数字化的能力基座，这样企业进化速度就会变快。在华为公司有很知名的几个变革项目：一个是面对研发的 IPD 变革、面对供应链的变革 ISC、财经变革 IFS，每一个变革为华为在该领域能力的提升都是倍级的增长。现在随着华为公司又有新的挑战，因为我们已经生出很多新的公司，从集团原来的集中式的作战现在变成“村自为战”，为企业 IT 提出新的要求。我们希望“6+1可”，意思是当我决策明天有一家企业分离出来的时候能够做到

34、，如果是物理新开所有的 IT，我们希望做到三天，如果需要以多租户的形式，希望一天之内就把一家新的公司分离出来。公司需要具备什么能力就是“6+1可”，马上就能够研发，马上就可以有营销体系、供应链体系、财经体系、人力资源体系、行政办公体系能立即运作起来，而且使得内控审计立即运作。我们认为未来的新型企业只有这样才能真正满足在数字化变革里面的基线要求，我们需要用数字平台来承载企业未来的现代化应用的历程。全民+专业开发者多活MTTR分钟级TTM天级微服务Serverless全生命周期安全数智化运营决策业务重构和应用现代化标准规范、新技术数字平台“6+1可”专业开发者管数用数难运行时安全单体应用TTM月级

35、单点MTTR天级业务1业务2传统IT应用现代化IT应用可内控审计内控审计稽查可采供制制造订单采购可财经经营税务资金可营销服销售营销服务可研发研发工具硬件工具产品数据可行政办公办公行政资产可HR人才发展组织发展薪酬福利华为 IT 实践：建设数字平台，注入新技术，承载规范，实现 6+1 可11应用现代化六大关键技术，加速企业数字平台进化升级缩短到两个小时。第二，为了让语言尽可能归一，会重构或者重写一些模块，这些模块通过大模型，最终都会变成虚拟机上运行的内容。所以用这样自动翻写的能力，可以把很多的程序转换成 JAVA。同时在很多定位方面，可以有大幅地提升。我们发现在很细节的点上，真正的软件开发除了补

36、全能力，还有很多应用里面，场景上有几十个都能够帮助开发人员大幅地提升效率。第三，低代码开发。过去程序以前都是模块型，未来很多场景都是适合低代码重构，比如华为云有运营系统，驾驶舱。运营系统的用户下订单都是流程性的。过去都是把流程写在代码里面，但现在通过工作流的方式，可以进行流转的描述，这样未来理解业务人员，比如订单流程怎么调整，只需要把拖拽流程的节点重新设计业务流又可以更新了，可以把以前一个软件周期按照月的方式变成每天业务人员都可以调整这个流程，所以在这类流程作业的东西完全适合低代码的。还有很多领导喜欢看报表，驾驶舱很多都是前台加上后端的数据对接，很多大屏应用都变成一个个前端的微键以及后端微服务

37、对接的模式，可以非常容易以拖拽的方式进行存储，这样一个大屏的定制不再需要代码，效率基本上提升 50%。我们有很多应用都类似，比如在华为不同产品线之间，有很多数据原始模型是一致的，但是每一个业务都有定制化的要求。过去都是用拓展字段完成的，但现在大家都知道非常出名的 Saleforce 为什么能够把各个厂商用户管理的东西都能识别，因为是基于多租和原数据的技术。所以在低代码中把原数据描述清楚之后，后面应用基于原数据的重新组装，又可以变成更加快捷的方式。它带来最大的收益是过去针对不同的定制会变成几十个，甚至上百个版本，但是现在用原数据多租，主线路只有一个版本，所有定制都是在原数据本身上面进行差异化。我

38、们在数据应用的时候，有很多生产制造的东西是确定性问题，如果用大模型的话，可能每次给答案都不太一样，这样会带来一些困扰，但是我们有大量的数据之后，只要是有限源的处理可以还原成数学，最后变成求什么样的应用能够真正做到现代化应用，后来我们也把这样一些标准贡献给联盟。这个标准上面是金字塔，顶上关注的就是业务感知，因为所有未来企业的应用都是以用户为核心，过去传统的应用都是功能型，未来系统都是以人为中心的，你需要出差，飞机、火车、酒店都是围绕你的用户历程进行组织，这才是新型的应用。中间的层次就是新型的应用，我们称之为 DFX 的能力，需要把高可用、弹性的东西内置进去，一共是八个维度102 个指标，一步步衡

39、量起来，才认为这样的应用满足了现代化应用的一些能力。第二，我们认为越来越多的应用，尤其在企业里面会有非常多的成熟资产，这些资产应该像乐高积木一样是被组合组装，才能有最高效地重用，使得以后懂业务的人员就可以一点点将应用制造起来，就是懂得讲清楚有需求的人，未来就是生产应用的人。第三，会应用更多数仓、数据的平台汇聚数据再使用智能化的能力，使得我们应用数据价值被发挥出来。第四，应用现代化新型服务化的架构改造原来的应用架构，再就是通过全域供应链安全的一些技术，使得我们的应用从原来的单体防御或者运行态的安全走向全生命周期的安全，增加整个应用韧性的能力。华为云应用现代化 6 大关键技术，引领企业数字平台升级

40、进化第一个，研发智能化。在 HDC 大会上发布了 CodeArts Snap 也就是基于盘古大模型的研发智能化的能力。华为内部现在有 2 万多开发人员在深入使用基于盘古研发模型的能力。在我们网优网规的部门有很多算法，而且平台中有很多种语言，员工一进来对于不同语言的理解和熟悉程度都是有差异的，尤其是很多深度的算法，很多都是用函数方式形式写的，这样对于员工理解是有障碍的。还有很多问题的定位周期也很长，因为对整个程序的理解不一样。我们使用智能化助手以后做到很多辅助经典算法的分析，就把代码圈起来就会跟你解释，对于开发人员理解代码非常有价值，可以从三天理解时间12解的问题。在华为很多生产排产，因为涉及到

41、生产、物流等各种各样的因素，我们反过来可以用求解的方式来解决这类的问题，这样使得过程可以更加确定。在这些点上，最大就是南方工厂，排产应用 AI 求解器后，每年在排产和调度上年节省的资金是 2 亿多，库存提升了37%，而且整个任务令的自动执行效率也提升了 52%。所以在智能化的时代，一部分的非确定性问题都在按照大模型的方式在探索，但也有很多确定性的问题，一方面用数学求解器的能力在解决，同时还有一个方法，那就是让 AI 写成程序，因为程序的最终输出也是确定性的。这样就能把企业遇到的两类问题很好地解决。前段时间华为对外发布的 MetaERP 是服务于华为公司生产制造、供应、采购、财务业务的 SaaS

42、 应用，但是我们在年间、季末、月末有大量的计算，而且这些计算要求很短时间内要把结果输出，对算力的集中要求非常大。过去只能把资源进行统计，但实际上就会发现是非常典型的波峰情况，到这个时候才应用，平时都是闲置。使用到 Serverless 直接将弹性的能力融入到云的能力，当你需要算力的时候立即供给给你，而且应用都变成一个个函数的处理，所以使得在 MetaERP 的应用，整体资源的消耗降低了 70%，为企业省了大量的钱。同时在很多应用的冷启动时间是用快照的方式，从 100 多秒下降到7 秒，真正开始满足企业，尤其是在突发性计算任务上，真正能够帮我们企业节省。第四个，安全可信：安全就是让研发工具端到端

43、形成更可靠的供应链体系，让 12 个攻击点的地方都被防御。但是现在包括美国和欧洲都在出台一个新的 SBOM 软件清单的标准，我们的产品发出去的时候，可能都不知道里面的成分，开源软件、版本、集成第三方的情况。但是这些就可能变成软件最不安全的要素，所以说现在软件的管理也像硬件一样，我们的硬件用什么芯片都是清清楚楚的，以后软件在生产过程中都会最终在交付件上提供 SBOM 清单。SBOM 清单在中国也在形成标准，以后在软件的编译过程就会出这样的清单，对于软件制造商可应用现代化六大关键技术，加速企业数字平台进化升级13应用现代化六大关键技术，加速企业数字平台进化升级数字平台6大关键技术业务1业务2传统应

44、用现代化应用TTM月级专业开发者单体应用运行时安全单点MTTR天级管数用数难TTM天级全民+专业开发者微服务/Serverless全生命周期安全多活MTTR分钟级数智化运营决策1.研发智能化2.组装式交付3.数智驱动4.服务化架构5.安全可信6.韧性华为云应用现代化 6 大关键技术，引领企业数字平台升级进化以非常清晰地看到你依赖的软件，当一个漏洞发布的时候就知道对现网有多少影响。反过来，也保护了软件一致性上的新要求，所以这块也会变成安全非常重要的环节。最后一个是韧性。在华为云上引入混沌工程，我们一直期望软件设计的永远高可用，这些都是做不到的，一直讲只有在实战中才具备经验。所以好天气是造就不了好

45、水手的，所以现网的环境是必须需要越来越多容灾的检验，才能够提升风险应对能力。混沌工程是验证系统韧性的方法，通过主动引入故障，解决这些问题，发现和修复系统弱点。在华为云中，已经大概总结出了 200 多个故障模式，有八大类的容灾预案。每年会开展 2500 多次常态化的故障演练，现在来看，已经帮我们拦截了接近 90%以上可能会导致二级或三级事故的风险。所以希望通过混沌工程的方法能够使得未来要做到 1 到 5 分钟就能够感知故障，10 分钟内就能够跟进，30 分钟内就可以完全恢复业务，这样未来这些应用才能更加稳健。14AI 驱动的软件研发：挑战与机会贾岩涛 华为公司软件教练组15AI 驱动的软件研发：

46、挑战与机会再看现在做的一些事情，大模型是否能提升软件开发效率，不管是工业界还是学术界，尤其是微软讲多少人在用大模型，我们内部也在用这个东西，做这个事情。华为大模型的使用是从设计开发到测试交付、维护，都有可能在用这个模型。目前的规划是做知识管理和代码生成，这是两个最重要的实践。另外智能生成实践，大模型辅助 OM 开发自动化，提升OM 资源研发效率 70%。这个挑战在于内容特别多、步骤特别长，整个 Mini 行要 26 个步骤，非常容易遗漏。学习曲线特别陡峭，有 380 多种模型属性，落到脚本有246 个 API 的函数，应用逻辑很复杂，这么一个复杂的东西特别容易出问题。我记得 2020 年在产品

47、线团队调查，一个新员工进来学这个东西，大概两个月做一个 MINI 行，现在通过大模型和各种方法，把中间的某些步骤自动化，我们的目标是能够争取在天级，就是两三天做一个。另外整个研发工具链中，刚才 AI For SE 与 SE For AI，这些都是可以做的，包括知识获取、AI 应用、模型与服务等。在数据这块也是非常重要的，我们自己有教训，很多都是用开源模型去搭，如果开源模型混上自己的数据不一定能力是提升的，如果数据没有弄好，或者没有对齐，经常有时候模型训出来是变差的，或者某些方面的能力好了，另外方面的能力差了，所以数据是很重要的。软件研发面临的主要挑战：系统复杂度的无限膨胀目前华为公司面临的主要

48、问题，第一个是规模，系统复杂度已经是代码仓有上千亿行，虽然我们自己只有几十万行，但是开源代码加起来有上千亿。我们版本是以千为单位，这不是全公司的，有些产品线一个产品在线上活跃的版本就是几千个。第二是软件集成发布流程复杂，不管是用共主干开发，还是用分成流水线发布，使得整个软件集成和发布特别复杂。另外一个很大的问题，定位定结越来越困难，不管是自己的模块、开源、第三方，系统的定位定界是难的问题。从开源软件整个层次也可以看出企业软件越来越复杂，在这么多软件里面，选择你要的东西，这时候还要考虑资源利用率、性能、可靠性、安全隐私等等，全局的复杂性使得软件开发越来越困难。2019 年公司变革时候的调研，我们

49、从代码量增加到团队规模的增加从组织流程的复杂度再到工具环境的复杂度到管理度，人力成本是下降的。另外是交付节奏，我们希望按月交付、按天交付，我们是八个月一个版本，现在能做到 6 个月一个版本，所以交付节奏的加快也使得系统复杂度越来越大。软件研发面临的主要挑战：系统复杂度的无限膨胀端到端生命周期管理难度大代码：几十万行 上亿行版本：几百 上千个研发人力：几百 上千共主干开发流水线：分层分级发布发布周期不一模块多，开源&第三方引入特性问题定位难系统性问题需分层定位系统复杂度逐年升高软件集成发布流程复杂定位定界困难16AI 驱动的软件研发：挑战与机会现在主要的工作重心包括模型开发、模型运行和模型运维运

50、营，这是我们正在关注的几个方面。还有华为公司有很多内源项目，最近有一百多个内源项目出来，比较有名的项目，一个是 AICoder，全球技术服务部搞的一个框架。还有一个小鲁班机器人，可以自动回答公司每一个员工日常问的问题，当然后面有很多引擎，不一定是大模型。面向未来，我们期望面对软件的复杂性方面来解决这些问题，一个是怎么优化的我们研发过程；第二是怎么做知识积累；第三是怎么帮助个人提升能力；最后一个是在组织团队方面怎么促进协作。AI 技术给解决软件复杂性带来了很多新的机遇和挑战 对员工个人的影响：充分利用大模型的能力，快速学习新技能 对团队或者公司的影响：构建更强大的知识系统，加速员工的学习效率，提

51、升员工的单位产出，甚至出现超级员工 对管理角色的影响：未来可能不需要那么多拉通对齐的角色，需要的是更多的会用工具的全能型人才 对公司或者产品线的影响：数字化变得越来越重要，把知识、经验、能力等积累在大模型中，可以极大提升效率，加快响应速度提升效率解释：给人解释复杂的流程、历史代码和架构度量：识别系统复杂度的增加，给出改进建议工具：超级调度器、超级定界工具、芯片设计工具过程优化：重复/不合理需求，设计/实现缺陷决策辅助：针对ROI计算需求实施方案提升技能快速学习：与大模型多轮交互，学习新知识超级员工：构建强大的知识系统，提升能力会用工具的全能型人才：超级项目经理等人员技能优化：简单重复的事情交给

52、AI角色评估：评估各角色效率，诞生超级个体促进协作组织结构优化：优化分工，促进共建共享智能数字人：实现数字身份的分身AI协调员：协助拉通对齐，减少会议辅助人员招聘：过滤明显不匹配的简历人员评估模型：新的评估维度和培养模式促进沉淀改变创新模式：读论文、总结需求、匹配团队经验沉淀：沉淀人脑海中的经验和知识辅助决策：产业趋势快速解决，辅助决策智能推荐：知识、文档、专家、工具等流程优化：评估断点，给出优化建议软件复杂性研发过程知识经验个体组织团队产品线17软件开发与演化：大语言模型打开的空间和带来的挑战李宣东 南京大学教授、中国计算机软件工程专业委员会主任、国务院学科评议组成员 （软件工程）软件、软件

53、开发与演化软件是人类制造的最复杂制品，软件开发和演化是人类针对所解决问题的创造性思维活动。科学家探索世界、工程师改造世界、计算机科学家和软件工程师是创造世界的。具体来讲，我们说软件是人类大脑思维活动的体现。我们知道认识和理解人的思维活动是非常困难的，因为软件是人类大脑逻辑思维活动的体现，所以认识与理解人的思维活动非常困难，理解软件系统也非常困难，这是最基本的观点，也是核心观点。18软件开发与演化：大语言模型打开的空间和带来的挑战软件的创造过程与制造过程合二为一，所以软件系统开发出来之前没有参考样品，而且带来很多问题，比如软件系统是难以估算成本的，所以投资软件具有相当大的风险和不确定性。人是软件

54、开发与演化的主体，而软件开发与演化是把现实世界复杂的问题模型转换为计算模型。目标是追求高效、高质量、低成本，而解决的核心问题是如何使得软件系统满足需求，摆脱缺陷。这两个问题和人密切相关，人是软件需求产生、认识、确认的主体，需求是人类在认识复杂世界的基础上形成的主观意图，经常不断变化。从软件工程师角度说，经常面对按照错误的需求开发出正确软件的困局。另外一个方面，我们说人在软件开发演化中会犯错，因为人对复杂事物的认识不是一蹴而就，需要经历循环反复、不断探索的过程，所以软件系统的缺陷是难以避免的。软件可信保障成本很高，其实大家都知道，任何人和机构都不能确保软件质量。通俗说大家都知道，软件产品是没有三

55、包的。曾经软件质量是以正确性为目标的，强调软件系统的绝对正确性，要形成客观认识。但那个时候软件系统是运行在封闭静态环境中的系统，可以看成是个数学系统。我们希望基于这种数学证明基础之上对软件正确性形成客观认识。基本条件是软件需求由形式化规约描述，形成人对软件系统的确认关系，但是实际上现实中做不到，是一个理想。所以我们现在软件质量是以可信性为目标，我们退了一步，强调相对可信，主观认识，这是因为软件系统是在开放动态环境下不断演化的系统。我们没有办法把它看成数学系统，由于复杂性和规模不断地增大，数学证明这种需要投入巨大的成本，现实中没法投入，也做不到。所以后退一步是强调可信性，可信性是基于认识与理解、

56、获取客观证据基础之上形成主观认识，人为判断这个软件可以运行或不可运行。前提条件是软件需求是自然语言来描述，形成人类与软件系统的一种信用关系。我们再看软件开发与演化任务，人类在现实世界中所承担的任务分为两大类：一类是预测性任务，通常不需要承担风险责任，没有可信保障需求。另外一类是是决策性任务，要完成决策性任务，通常是需要承担相应的风险责任，有可信保障需求。比方天气预报就是典型的预测性任务。人在软件开发与演化中完成的是决策性任务，需要对任务完成正确与否作出可信性判断，需要对软件系统是否满足需求、摆脱缺陷作出可信性判断，承担相应的风险增长，在此基础上构成一定的可信保障。曾经软件质量以正确性为目标（绝

57、对正确，客观认识）软件系统是封闭、静态环境中的系统软件系统可以看成是一个数学系统正确性是基于数学证明基础之上的客观认识软件需求由形式化规约描述，形成人对软件系统的确认关系软件系统是开放、动态环境下不断演化的系统软件无法看成是一个数学系统，由于规模和复杂性不断增大，数学证明（需要投入巨大的成本）是现实无法完成的可信性是基于认识与理解、获取客观证据基础之上的主观认识软件需求由自然语言描述，形成人对软件系统的信任关系任何人和机构都不能确保软件质量现在软件质量以可信性为目标（相对可信，主观认识）软件产品没有“三包”软件的质量观：从正确到可信19软件开发与演化：大语言模型打开的空间和带来的挑战具体来说，

58、软件开发与演化过程是把自然语言的需求转换成为满足需求的程序代码，这是一个创造性过程，也是一个决策性过程。所以动作难度很大，而且人力成本很高，我们需要经过一系列的工作才能最终达到我们的目标。在这个过程里面，我们主要设计两种语言：一种是自然语言，一种是程序语言。正是因为软件开发与演化是创造性的过程，是决策性任务，非常困难，所以我们就想办法通过开发研制各种各样的软件工具给人提供帮助和支持，提高软件开发与演化各个阶段的自动化程度，从而希望形成一种人机协同的软件开发与演化环境。但在现有软件工具有两方面的弱点：一方面现有软件工具很少考虑按照自然语言需求直接生成程序代码，这是因为将自然语言描述需求转换为满足

59、需求的程序代码，这是不可判定的计算问题。现有的软件工具难以突破自然交互障碍，缺乏自然语言接口与人交互，所以人机协同的工作空间、有效性和灵活性受到了大量的限制。这两个薄弱环节其实在大语言模型出来以后，应该来说都有了比较大的突破。软件系统是通过算法解决问题的，而算法是求解问题需要遵循的被清楚指定简单指令的集合。现实世界中能用计算机解决的问题和不能用计算机解决的问题，分别称为可判定计算问题与不可判定计算问题。而这两类问题的分类基本条件或基本依据，是否存在解决问题的算法，当然算法解决问题需要消耗资源，所以我们有算法复杂性，我们有易解问题和难解问题。现在讨论的算法都是基于逻辑设计的算法，也就是说求解问题

60、需要遵循清楚指令的简单指令集合，算法每一步都有内在的解释，理论上算法的正确性是可证明的，也就是可以证明算法的输出结果是满足需求公约的。神经网络模型的出现和大量的使用，现在又有了另外一类算法，我们称之为是预测性算法。这个预测性是算法是基于概率与统计原理以及训练数据形成的数学模型。典型的特征是输出结果是预测性结果，可以输出预测性判断、预测性的内容生成。既然是预测性结果，就像天气预报是不负责任的，不一定满足数据公约，输出结果缺失可信性判断。相比于前面的基于逻辑设计的算法，具有内在不可解释、易受数据扰动、输出结果不一定满足需求规约、缺失可信性判断。这些算法打开了解决问题的新空间，给软件可信保障带来挑战

61、，预测性算法基于给定数据进行预测，基于预测结果解决实际问题，可以使用预测性任务，但直接用于决策存在的问题会存在风险。所以，预测性算法打开了解决问题的新空间，但是给软件可信保障带来挑战。大语言模型就是这样的产物，大语言模型本身是神经网络模型，同时由于采用大量的语料进行训练，突破了工程化的训练技术，所以使得可以高效地利用互联网和图书资料中所积累的海量文本进行训练。因而汇聚丰富知识的基础上形成了强大自然语言生成能力，简单说可以针对自然语言提问，生成预测性的回答。同时还通过一系列的技术创新，使得它的能力进一步增强。这样一个自然语言问答的工具，在训练的时候也采用了大量程序语言的语料，所以通过类似自然语言

62、的处理方式采用大量程序语言相关语料进行训练，所以也积累了丰富的软件开发与演化知识。因而，它也可以通过自然语言与软件开发与人工交互，通过给给的软件开发与演化任务生成预测性内容，所生成的预测性内容折戟软件开发与演化各个阶段。因而给软件开发和演化人员完成相应任务提供一定程度的帮助。所以我们把大语言模型又称之为是基于自然语言交互的软件工具。大语言模型一方面是基于自然语言的人机交互的特征，再就是针对软件开发与演化的预测性内容生成，这两大特征使它成为人机协同软件开发与演化工具。但是所生成的预测性内容是缺失可信性判断，需要人工分析理解和确认，这使得这样一种工具也给我们带来了巨大的挑战。大模型打开了解决问题的

63、新空间、带来了新挑战大语言模型打开了解决问题的新空间，带来了新挑战。而带来的挑战就是我们软件开发与演化人员如何基于大模型生成的预测性内容进行开发和演化高质量的软件系统。20软件开发与演化：大语言模型打开的空间和带来的挑战现在要做到基于大模型的人机协同编程，我们希望人机协同编程的可信度要和人工编程可信度一样，在这个基础上，我们说人机协同编程的效率要大于等于人工编程的效率。这里打了两个问号，要实现这两个问号，既然大模型生成是预测性代码，我们需要进行人工分析理解和确认。而人工分析理解和确认意味着编程人员要理解代码，其实在软件工程领域，我们有一句行话：宁可自己写代码，也不愿意读别人的代码。说明编程人员

64、理解代码的难度通常高于写代码的难度，这也说明软件是人类制造最复杂的制品。比如说让大模型写一个讲稿，其实花 5 分钟读一下就知道可用不可用。但是如果让大模型生成一段预测性代码，花 5 分钟是绝对不可能的，除非是高手。还有一个问题是，大模型从无到有生成预测性代码，关键问题是要解决人性所致的程序员松懈、偷懒和犯错，可能不认真分析预测性代码，直接提交，这都是有可能的。所以说大模型如同专业相机，大模型是傻瓜相机还是专业相机？首先是自然语言交互能力使得大模型成为傻瓜相机，人人都可以使用，这是从使用角度，大模型是傻瓜相机。我们说大模型模型支持从自然语言需求生成预测性代码，将自然语言的语言描述的需求转换为满足

65、需求的程序代码是不可判定的计算问题，大模型所生成的是不一定满足需求的预测性代码，其实是放弃了可信约束条件生成预测性代码。软件开发和演化的过程可以简单分为从无到有，从有到对，大模型解决了从无到有，但是留下的问题是从有到对的问题。也就是说我们说可信性保障的问题，如何基于大模型的预测性代码得到满足需求的程序。我们来简单对比一下人工编程和基于大模型的人机协同编程。人工编程是程序员编写代码和文档，同时自身也对代码和文档分析和理解进行了过程，所以程序员编写完代码之后，对代码的理解是相当深刻的。然后在此基础上程序员再完成其他可信保障的活动。基于大模型的人机协同编程，首先是编程人员引导大模型生成预测性代码，然

66、后大模型需要分析理解预测性代码、修改和确认代码，如果这一步缺失，或者说做得不好，其实我们就无法支撑编码这样决策性任务的完成。再是编程人员完成其他相关可信保障的活动。21软件开发与演化：大语言模型打开的空间和带来的挑战但是大模型的预测性内容生成对于软件开发演化来讲是专业相机，也就是说因为预测性的生成内容缺乏可信判断，需要人工分析和理解，修改和确认。从解决问题的角度看，大模型是专业相机。正是因为大模型是专业相机，你就需要有驾驭专业相机的专业能力，所以驾驭大模型需要具备更强专业能力，需要对大模型生成预测性内容进行判断的能力，目前来讲，我们解决这样需要更强的能力的问题有两个视角：一个是从企业应对视角来

67、讲，专业能力达不到要求要禁止使用大模型。但并不意味着要把专业能力达不到要求都开了，没有初级程序员哪来高级程序员，因为人要判断代码是不是符合要求，判断代码是否符合要求的能力比写代码的能力还要高，而不具备写代码的能力，肯定不具备判断代码是否符合要求的能力。所以从这个角度讲，要保留人工编程流程和初级程序员的岗位。现在很多媒体说初级程序员要下岗，人工变成被大模型替代，其实不是这个概念。从个人应对的视角，要不断夯实专业基础，全面提升专业能力。其实我们企业要裁掉没有专业能力提升空间的人。整个软件开发与演化是人类针对所解决问题的创新性思维活动。从自然语言需求到满足需求的程序代码是有可信保障需求的决策性任务。

68、大语言模型打开自然语言到程序代码的空间，因为可以生成预测性内容，可以实现从无到有，但是又缺失可信性判断，对我们从有到对的过程，带来了可信保障难题与挑战。而解决问题、应对挑战的途径，一方面从技术角度讲，希望不断地通过各种各样的办法降低可信性判断的复杂性。另外一方面最重要的是全面提升专业能力驾驭大模型。基于大模型的人机协同编程基于大模型的人机协同编程目标问题与挑战解决问题、应对挑战的途径可信度(人机协同编程)可信度(人工编程)=？效率(人机协同编程)效率(人工编程)大模型生成的预测性代码不可缺失人的分析与理解编程人员理解代码的难度通常高于自己写代码的难度程序员对大模型生成代码理解程度如何达到如同自

69、己写代码的理解程度？判断程序员对大模型生成代码理解程度达到如同自己写代码的理解程度？人性所致的程序员松懈、偷懒和犯错不认真分析与理解预测性代码、直接提交预测性代码应付差事等技术途径降低程序员理解代码的复杂性教育途径提升程序员的专业能力22ChatDev：大语言模型多智能体协作式软件开发钱忱 清华大学副研究员ChatDev 相当于用 Chat 形式实现 Dev 软件开发的目的。在有机物理系统和有机生物系统以及人类社会都存在涌现的现象，由许多小实体组成的大实体，这个大实体通常具有小实体额外的特性。比如可以看到水分子组成雪花，不管是结构层面还是物理功能层面都有新的突破。其次在沙丁鱼组成沙丁鱼鱼群层面

70、会组成类似大的生物，使得天敌能够被吓唬，以及人类世界的表演也达到了单个个体达到不了的目的。23自主语言交互的群体协作新范式1语言交互搭建沟通桥梁，通过任务分工和协作执行处理复杂任务2集体协作实现多方优势互补、配合无间，有效提高解决问题的准确率3群体智能与语言交互相得益彰，智能体合作实现各异其韵，协作其歌基于大语言模型的多智能体大概分为两类：一个类是社会模型具体的工作，像 Smallville 小镇*用 25 个智能体在小镇中去模拟每天的生活情况，可以自主做一些规划，可以上课或社交。是 ChatDev，通过多智能体帮助人类完成某些事情。具体选择了软件开发这样的场景，可以看到大概有四个主要的步骤、

71、一个是设计和分析，需要分析人类给出的指令，到底应该设计成什么样。比如设计一个标准五子棋游戏，智能体需要讨论得出结论这句话应该生成一个桌面应用还是生成 PPT，或是者生成一个网页，这是它去理解语言信息。其次有了设计之后，会有一个编码环节，编码环节之后有测试环节，最后基于人类给定的需求和智能体完成的代码，文档撰写生成用户手册，使得外层的用户可以拿到软件的源代码，可以直接安装使用。我们做智能体群体、软件设计或编码、测试或者文档撰写，涉及到多个智能体的信息交互，包括语言以及程序。我们提出一个交流链的组织形式，相当于是通过链式结所以也能看到堆积个体成为大的实体，今年也能够看到一些涌现的行为，一个神经网络

72、参数逐渐增大，能够达成在某一个基点情况下性能突飞猛进的现象。我们也在思考会不会发生第二层涌现，正如通过大模型组成大模型的群体，通过大模型群体做一个共同的任务协作，有没有可能达成一个大模型或者一个智能体，达成不了的能力。考虑到人或者说 AI 有没有可能通过新的交互形式或者信息传递的形式，使得他们传递效率更高。这里考虑到人类所说的语言，其实是一种非常直接的信息传递方式，我们结合多个大语言模型组成的（Agent）智能群体使得他们通过语言的交互形式达成我们想让它们做的任务，比如软件开发。软件开发大概会分为自然语言以及编程语言，实际上软件开发过程确实需要基于自然语言的需求做理解和设计，有了这些设计之后做

73、编程语言的生成以及代码编写和修改。涉及单个只能体需要：记忆能力、规划能力、工具、环境感知能力。多智能体系统，需要有群体目标，如何对多个智能体做组织管理，如何对他们做动态的路由，以及谁先谁后的问题。ChatDev：大语言模型多智能体协作式软件开发*Smallville 小镇：在斯坦福论文Generative Agents:Interactive Simulacra of Human Behavior中，研究者们成功地构建了一个名为 Smallville 的虚拟小镇，25 个 AI 智能体在小镇上生活，每个小镇居民都有独特的个性和背景故事。24ChatDev：大语言模型多智能体协作式软件开发构把每

74、一个链格节点会涉及到两个 Agent 的沟通，总体以一个链的形式把整个 Agent 完成事件流程编排起来。比如输入任务，开始这两个智能体会决定软件的形态是什么，可以是 PPT、桌面形式、PDF 等等，这是广义的软件。之后会决定编程语言，到底是使用 Java、python还是 C+，把编程语言决定出来，最后会研讨代码。代码是可以加界面，所以有一个设计师，最后有一些评审，对代码提出一些需要改动的 BUG，会提示给程序员，程序员做相应的修改，最后会有文档和手册的生成。每个链的节点涉及到两个智能体的沟通，通过角色化的形式，每个人虚拟化成一个角色，比如虚拟 Agent 在每一次回复需要感知到之前所有上下

75、文，才能够实现这种上下文感知的 QA。最后一个阶段，有时候养的这些智能体不太听话，可能一直在说你好，也可能一直说再见，外层框架需要对话停止，不是针对任务解决过程的聊天记录，需要做自我反思，具体想表达的任务结论抽出来，这是三个主要的机制。这些机制基本上可以将整个链串联起来，形成软件开发的技术。软件开发具体的生成时间，大概是 409 秒的程度。通过智能体 Agent 完成代码评审，自主提出的一些修改的问题，这是完全没有外部给它们灌输的。可以看到它会自己发现这个问题，比如模块是没有发现的，或者有一些变量的属性是不对的等问题，这些都是通过智能体自主发现，并且修改的。可能目前软件生成形态和大家想得多少有

76、一些理想上的区别，因为确实目前只能做到这么大的规模，这也是我们一开始提到的涌现，如何继续做这些研发，使得它们能力层面会发生质的突变，包括代码逻辑。群体智能数字孪生，万物智联目前经过 Internet，还有 Things，未来会实现 Internet of Agents，相当于每个人有自己的 Agent，或者 Agent团队，它能帮你做事情。在这样的情况下，比如北京下大雪，有专家不能在场，他的 Agent 可以派来现场参会分享观点，把别人和它交流的一些问题再带回去给教授或专家。其实 Agent 相当于是一个专家或岗位的孪生，未来我们也期待有这样的形式，实现在软件开发领域有一些测试员孪生、程序员孪

77、生、CEO 孪生，先是辅助性帮助我们做一些事情，更长远的未来有可能会自主把这些事情做了。25未来应用重塑千行万业董理斌 华为云 Marketing 部部长随着微服务、Serverless、DevOps、低代码开发等数字技术的发展，应用全面现代化的时机已经成熟，应用现代化势在必行。技术创新已经催生出众多 Super APP，极大方便了人们的生活。而在未来，应用将以 AI Agent 形式出现，应用将具备自主理解、规划决策和执行复杂任务的能力，让人机交互像人人交互一样，更自然、更沉浸、更个人化。生成式人工智能技术的不断发展，逐渐缩短人与人工智能的距离，其应用领域也越来越广泛。从研发、医疗、教育、工

78、业生产、金融，到电商主播等领域，华为云均已取得阶段性应用成果。未来，AI Agent 将进一步突破应用边界，成为人们的得力助手，更加高效、便捷地完成各种任务。26未来应用重塑千行万业Super APPGUI/TUI交互复杂界面多功能CopilotGUI/TUI/LUI交互简单界面智能化AI Agent近人类交互极简界面自主理解、规划决策、执行复杂任务未来应用：基于大模型的自主智能体 AI Agent未来应用 重塑千行万业在研发领域：让每个开发者拥有智能编程助手。华为云智能编程助手 CodeArts Snap 已经学习了 760 亿行精选代码、1300 多万篇经典的技术文档，以及 8500 多万

79、个开源代码仓，具备智能生成、智能问答和智能协同三大核心功能，辅助专业开发效率提升 10 倍以上。未来，AI Agent 将进一步影响软件的使用以及编写方式，让非开发人员也能轻松创建和分享自己的应用，真正迈入人人都是开发者的全民开发时代。在医疗领域：让每个医生、患者拥有可信赖的医学助手。华为云盘古大模型加持的润达医学助手可结合患者病史和检验指标，给出临床诊断建议，帮助医生发现罕见病，让病人获得及时救治。经对照测试判定，润达医学助手几乎达到了主任医师的水平。后续，基于盘古大模型打造的良医小慧将走进 4000 家医院，辅助医生进行报告解读和诊断，为基层医疗提质增效。未来，AI Agent 将面向基本

80、分诊建议、医护决策、心理治疗疏导等更多场景。在工业生产领域：让每个矿工拥有安全作业助手。华为云盘古矿山大模型联合矿山行业领先企业，取得矿山应用场景阶段性成果。AI 主运智能监测助手代替人工巡检，精准识别大块煤、锚杆等异常，准确率达 98%，让矿工实现远程挖煤作业。山能集团引入盘古预测大模型用于煤矿洗选，增收 2000 万人民币。未来，AI Agent 可通过“感知系统+控制系统+执行系统”，在大模型的驱动下，对于生产、管理、服务等不同场景中的复杂任务，通过运用不同组合的数字化工具，自主协同完成具体场景中的实际问题。在金融领域：让每个银行柜员拥有智慧助手。基于盘古金融大模型开发的网点助手和数据分

81、析助手，将大模型的生成能力与检索技术进行融合，可以自动生成业务办理流程和操作指导，并提供检索来源，让智慧服务更加“人性化”。未来，AI Agent 将在智能投顾、智能风控、智能保险等领域发挥更大作用。电商直播领域：让每个电商主播拥有自己的数字分身助手。在贵州“云上丹寨”，华为云盘古大模型为当地村民打造数字形象，帮助村民实现 24 小时持续带货，让蜡染、古法造纸等非遗文化和商品“黔货出山”。未来，AI Agent 将会帮主播提供更加多元化的内容主题策划，更加丰富精妙的创意生成、以及可以满足不同消费者“千人千面式”的个性化商品智能推荐。技术的每一次突破，创造着全新应用场景。华为云愿与产业界携手，共

82、同逐浪智能时代，释放数字潜能。27AI 时代的应用开发者变革蒋涛 CSDN 创始人&董事长ChatGPT 出来之后，人人都是开发者，开发者数量将会提升。其次是企业系统会重构，会出现上亿个智能应用，其中移动应用大概会有三到五百万的规模。从开发者角度看到三个趋势：编程语言平民化、开发工具云化、应用 AI 化。编程语言的历史，从最早的 COBOL 以来，大部分还是 C 语言用得比较多的，但是逐渐被脚本语言取代，让编程越来越方便和容易。全世界大概有一亿个开发人员，有些机构估计的是有2800 万名（职业程序员），但从我来看，未来编程程序员应该是 10 亿，不会减少，这些人编程方式会发生变化。其实程序员是

83、数字化应用最大的障碍，很多业务人员有想法，到程序员要三个月出来，大量的应用没有被满足，对程序员编程能力的要求比较高。所以大家一直苦苦寻求解决方案，就是 NO CODE，美国现在还比较流行 Webflow，因为大模型来了，会将无代码平推掉，用提示词编程。我们跟金融分析师测试过：你提一个需求，我要理解金融、理解需求，自动生成代码，把写代码、生成代码全部隐藏到背后。对用户来说，可以用语言进行交互、生成代码，就是 InsCode。让编程像写文章一样容易，当然写文章也不是那么容易。现在是代码组合，让大模型生成代码，再进行组合，现在只能写小的软件，代码直接生成应用也很难，但是在金融或特定领域中可能能做到。

84、但现在的工具是让你通过对话生成代码，代码正确性和可信性还要用人连接。总的来说，写过代码都可以重新写代码，因为你不需要再去掌握新的软件知识，还有一套复杂的安装流程，现在都简易化了。28AI 时代的应用开发者变革开发工具云化：API 让复杂的世界变简单工具云化让编程变得更简单，除了语言编程，实际上工具也很重要，比如解决通信能力、电信能力，要简化成API、一行代码，用五个 API 可以解决。可以看到 API 的使用越来越广泛，可以将调动的能力做成 API，让开发者很好地使用。这些 API，就是开发者来做，开发者主导的公司在最近十年有巨大的发展，其中变成百亿公司的大概有 20 多家。还有一个投资人做的

85、统计，开发者的工具市场在 2022 年产生了 640 亿美金，是高速的成长。在代码中怎么帮助开发者更好地生成应用，这些工具是非常有价值的。每一个水平功能被 API 化、SAAS 化。在美国有 20 家公司做这样的服务，帮你监控所使用的 API，你不能依靠厂商，自己监控自己，就是裁判和运动员，中国几乎没有这样的公司提供这种服务，都是很昂贵的服务。所以云化以后，价格变得很便宜，开发人员不用写重复性的水平功能，就只需要调查云的功能。过去开发成本还是非常高的，工资也很高，做一个应用越来越复杂，开发一个 APP 要多个系统。但是现在有了AI，有了大模型以后，有了巨大的变化。做 AI 这个事情变得很便宜，

86、做应用开发有了 AI 的帮助，过去没有被满足的应用就可以实现。过去 AI 只能用在超大型公司，比如搜索可以用机器学习、推荐和改进。比如 CSDN 有一百个开发人员，想做开发系统一直做不好，现在有了大模型以后，相当于我们的能力也在提升。所以 AI 得到了开发者极其热烈的拥抱，渗透率也是非常高的，现在工具模型的价格也在极大地降低，未来端侧也可以做大模型推理，现在 1 元也可以调用大模型玩一玩，试一试，价格也变得比较低。总的来说，AI 化带来范式的改变，我们叫软件 2.0，还有一个维度是 Web3.0。过去 Web1.0 是信息互联，Web2.0是人的互联，Web3.0 就是软件和软件的互联、API

87、 和API 的互联。就像 ChatGPT 里面 AI Agent 和 AI Agent的互联，这是 AI 最大的作用，智能应用未来一定是以亿万计。AI Agent 还很早期，刚开始可以让每一个开发人员都可以有 AI 博士的能力，软件的生产成本将被极大地降低。关键还是创意、逻辑和对场景的挖掘，不管是企业、行业的应用，过去因为付不起，但是现在用大模型以后，行业应用就可以具备 AI 能力，个人也是一样的。CSDN2023 AI 开发者生态报告代码生成工具使用频率与满意度调研用户年龄与学历分布近90%的开发者已经在工作中使用代码生成工具，其中85%的开发者认为提升了开发效率近90%的开发者已经使用代码

88、生成工具，其中35%每天使用；认为代码生成工具提升了开发效率超过的比例超过85%，其中36%认为极大地提高了开发效率；新生代开发者，基础学历进一步提升，18-22岁开发者，本科率68.63%，相比41-50岁开发者本科率提升11.1%18-22岁23-30岁31-40岁41-50岁100%20%40%60%80%0%每天使用每月偶尔使用每周使用2-3次暂无场景使用20%40%60%80%0%100%对研发效率提升不明显基本维持以往开发效率对开发效率有所提升极大提高了开发效率高中(中专/职校/中技)专科(高职/高专/高技)本科硕士研究生博士研究生29模块化设计的行业云：构建不动产行业的未来应用郭

89、世伟 明源云生态发展中心解决方案总经理在未来应用的出发点上，更多还是在地产或不动产行业看到的项目中很难解决的问题，是不是能有一些新的思路来解决，以及应用现代化也好，或者是 AI 能力、大模型的能力，如何在里面做一些结合是非常关键的。实际上我们是做不动产行业的，会有企业内部管理的问题，但是这个问题确实不好解决。像有的客户本身业务很复杂，可能有地产、旅发、农业、商业地产的业务，尤其是现在央国企场景下，大家希望有一个统一的平台，进行统一管控，能够把这些业务做关联。但这是超级复杂的，像地产下面有十几个事业部和二十多个公司，农业可能有四五百个基地，面临的组织架构差异、数据标准差异、业务逻辑的差异、审批流

90、程的差异，还有财务规则的差异，是多样化的。实际上这个事情最早是 SAP 所有东西都归到 ERP 进行处理，中间 2018、2019 年开始提出业务中台、数据中台的模式去解决这些内容。但实际上真正做过十个业务中台项目之后都有体会，这个业务中台的设计原则非常好，但是真正到实操过程中，不管是甲方还是供应商对能力要求太高了，没有看到全面的供应商或甲方，既能够梳理业务，又能够把技术架构解决掉，这不亚于一个手术，对大家的能力要求很高。30模块化设计的行业云：构建不动产行业的未来应用我们也不断地探索，把东西进行拆解和任务简化，我们提了一个应用模块化设计，其实是把这些复杂的能力分开，分块到不同的角色进行处理，

91、我们把应用模块化设计分三成个角色做拆解：第一个角色是创造者，相对来说比较清晰。业务负责人或者业务部门的人配合在这个领域的供应商一起做业务模块的设计。需要两部分的能力：一个是甲方对自己的业务部门的流程和逻辑非常清楚，但也需要和供应商一起看到外面成熟的体系怎么做的，这是两方面需要做结合的。第二个阶段就是融合者。需要把现在设计好或者要设计的业务模块和其他业务模块做组合，比如我设计了一个流程，这个流程往下走可能要跟合同辅助对接，或者跟财务系统对接。这里面就需要把不同的业务模块和其他业务模块做组合，这个能力现在是由供应商做的，但是未来一定可以和大模型做结合。因为我们会喂给它很多流程编排的规则和内容，实际

92、上这块是交给大模型做未来深度的服务编排能力。第三块也是我们关心的领域，在这么多业务模块或者这么多可打包业务单元做好之后，对一个集团来说应该把运维化变成公有能力上架，还是把哪个模块单独拎出来跑到集团层面做管控，这其实是一个管理者。管理者的角色，对现有央国企信息部来说，这个模块更多是向应用现代化的标准如何符合对接，或者接口规范设计好之后，由他们做整个模块的上架工作。应用现代化制定业务模块的设计标准业务模块的标准也是按照应用现代化的理念做一个设计，其实是在里面会拆分几个方面做设计：首先、PBC 可打包业务模块会由多个供应商的产品做组合，对于供应商的产品定义也好，或者对它来说选型是有一个标准的。其次在

93、集团层面做了组合之后要有一个能力提升，有收入增加或运营成本的奖励，这是选型的标准。最后、更多地把行业里不同厂商的内容做结合，过程中要不断地做简化，把这些采购过程、实施过程、集成的过程不断做简化，这是对于它的三个要求。我们也看到在现阶段，把模块按照不同的类型做了拆分，有面向业务场景的应用型模块、也有面向数据分析的数据型模块、还有面向分析工具大模型分析型模块。这三个模块预计在未来几年内，因为行业厂商不断地加入，也由央国企公司不断地引入，会呈现比较强烈的增长趋势。在智能制造、产业园区、资产管理、国资监管、产城融合、产业运营、资产管理等层面看到还是有非常强的业务拉通和应用模块化设计的一些场景。应用现代

94、化制定业务模块的设计标准PBC（可打包业务模块）可以使供应商的产品价格实惠且易于管理。使得在某个行业进行技术和商业模式创新变得更加容易。1企业若具备业务可组装能力，则整体业务表现会有30%的提升，包括收入的增加、运营成本的降低、风险的降低等。2行业云平台可以通过以可组合和模块化的方式将传统的解决方案整合在一起，为企业创造价值。这可以简化采购、实施和集成过程。331软件工程的进化“人在环内”到“人在环外”夏鑫 华为软件工程应用技术实验室主任大模型开启“软件工程 3.0”全新时代大模型开启软件工程 3.0 的全新的时代，为什么是 3.0？我们把软件工程划分为三个里程碑进展：1968 年发现一个软件

95、危机，在软件开发过程中不断出现，并不能解决软件工程各种各样的问题，所以提出了软件工程学科和软件工程的概念。在这后面近三十年左右的时间，我们软件工程学术界、工业界主要是规划了各种软件的开发过程，包括为了更好地促进人与人之间的协作，把软件整合过程划分为需求到设计到编码、测试到构建到运维各个过程，以及过程间每个交互件是什么，我们要怎么配合。但是到 2001 年之后发现由传统的过程解决不了问题，因为开发人员的体验比较差，已经影响到效率和软件质量。所以那时候提出敏捷宣言，提出来之后我们有大量的开源软件、开源社区火热起来，到今天为止很多开发软件是基于敏捷化思想开发，而且运用大量的开源软件，包括华为很多代码

96、是复用很多开源软件的。32想法：真正实现软件工程 3.0 需要做的事情，首先认为过去几十年更多是在做简易工具、IDE、代码仓、构建数据、编译，甚至编程语言，说到底就是帮助人来开发出所需要的软件，而且这些工具之间的相互交互和相互影响是比较小的。随着大模型推出之后，第一步就是怎么把大模型和传统的简易工具整合起来，以大模型作为接口，产生人和大模型不同的交互帮助我们写代码、测试代码、做代码评审和程序分析。未来希望在五年之内真正做到智能伴侣，智能伴侣和智能工具最大的区别就是智能伴侣可以跟它进行反复地讨论。比如需求不明确，给它一个需求，如果觉得做不了可以跟你讨论，让你提供更多信息，帮你生成测试和设计文档。

97、再去看设计文档，再跟大模型不断地讨论，只有做到这一步，才能真正形成智能伴侣。我个人觉得目前还主要是做到智能工具的时代，到智能伴侣还有比较长的的路要走。只有到智能伴侣之后，进一步畅想若干年之后的软件开发形态进一步发生变化。有了智能伴侣之后人在环内，跟机器的交付流程可以打通，也就是说未来在一段时间存在三重交付模式：一种是人跟机器的交互，就是人机交互；还有各种机器人之间的交互，机器人跟机器人的交互；还有传统人跟人交互。这个环中会存在两种求知市场：一种是人的求知市场，对人的能力要求，不仅是人跟人之间的沟通，还有人跟机器之间沟通能力也会提升；还有机器人的市场，很有可能各个厂商都不断开发自己的 AI Ag

98、ent 或机器人，和机器人投入到软件开发的过程中，不断地迭代循环，帮助一起协同成长。但这只是一个暂时的未来十年的形态。假设 15 年之后，很有可能是人从环里面挪出来，整个软件开发和维护的过程全部交给机器来完成，只存在一种交互模式，就是各种机器人或 Agent 之间的交互。人的作用就变成两端，一端是作为最终用户提出各种各样的需求交给机器人组织去完成。然后另外一端就是审计功能，最终机器人完成的软件，人来审计是不是达成我们的功能规格要求和需求，最终形成人到环外。当前整个实验室也在构建智能化的工具，进入到从简易工具到智能工具的时代，这是目前整体技术的方案，当到了 2023 年，包括 ChatGPT 和

99、 GTP4 技术出来之后，给我们带来了新的思路。以前我们认为写代码是一行行写，即使复用别人的开源软件也是一行行复用，但是如果有个机制，通过跟大模型的交互就能写出代码，从而完成各种各样的软件自评开发，是不是就可以更好地把软件公司往前推一步，所以就产生软件工程 3.0。但是 3.0 和其他 2.0、1.0 时代最大的区别就是未来我们代码很有可能不需要自己写，只要关注自己的核心代码或者大模型解决不了的代码，包括测试、构建也有可能产生重大的变化。围绕这个，我们认为大模型引发了新的技术革命，重新定义了一切。首先大模型重新定义了软件，我们之前写代码和开发的模式是从原代码编写，以后有可能是基于 Prompt

100、 之间交互来完成软件的开发或生成软件的形态。其次，重新定义了工程。这里的工程不仅仅是软件工程，还包括前面的系统工程和后端测试工程。说到底怎么用大模型使能人和 AI 帮助大家写出更高质量的代码，用更小的人力完成给更快的软件开发和更高质量的软件，是重新定义软件工程要突破的技术。再者，大模型重新定义了生态。在过去开源社区生态主要是针对一个开源项目展开，但在未来大模型推广之后有很多模型、数据，要怎么构建大模型的生态，各种各样的数据集生态，以及围绕生态怎么保证生态是可信的过程。此外，大模型重新定义了安全。比如大模型新的安全问题，就是所有人都可以用大模型，造成平民化的攻击，产生很多新的大模型安全问题。还有

101、各种 AI Agent 流行之后会产生新的安全问题，各种安全体系怎么构建也是重大挑战。最终围绕四个重新定义之后，我们发现模型会重新定义整个系统，包括系统的运行行为、交互形式、系统架构、规格、运维等各种各样的方式也会产生变化。未来软件工程形态变化未来企业的软件开发平台到底会发生什么变化？初步的软件工程的进化“人在环内”到“人在环外”33软件工程的进化“人在环内”到“人在环外”然这也是此时此刻的技术方案，因为大模型的技术不断往前推进。现在有通用大语言模型，我们会准备大量的语料和代码数据、测试数据，放进通用大语言模型做增强训练或增强微调，变成软件工程的大语言模型。在这个基础之上把华为公司的编程规范、

102、程序理论和模型规则以及各种各样的收集提示词放进来，进一步做领域模型的微调和人类反馈的强化学习，形成机器人向上支撑软件设计到编码、测试、检视，以及度量的情况。围绕这个构建了六大能力：500T 代码数据、高度精确的代码数据提取、零人工参与的 UT 自动生成、一站式代码与 UT 生成能力评估、补全式的 AI 开发代码生成、人工参与的代码检视意见生成。形成机器人输出代码后，我们认为这个环就结束了。但实际上如果要做到智能伴侣的时候，是需要跟机器人不断地交互，不断地协同成长，整套流程是要重新设计的。目前整套技术方案过多关注大模型的自身、底层的微调技术和各种各样的能力构建，反而忽略了基础大模型能力随着时间不

103、断地增强，后端人跟机器的交互模式到底怎么构建，其实是目前更加关注的问题。最后用“都江堰工程”来总结，都江堰工程是 2000 多年之前完成的重大工程，一举奠定了成都成为开府之国。在现在大模型的时代，我们也有这么一个机遇，可以构建软件工程的都江堰工程。目前大模型可能有各种各样的挑战，但是总的来说是提供很好的明灯。如果要构建都江堰工程，整个大坝要怎么设计蓝图，至于大坝每一砖每一瓦怎么堆上去，需要大家一起努力，共同构建未来智能化的软件开发。若干年后的软件开发人在环内：人机交互组织间人在环外：机机交互跨组织协作用户审计JobMarketBotMarketTertiaryEdu.H-BH-HH-BB-BB-BB-BB-BB-BBotVendors34