Fast-LLM - Kan LLMs syntetisera programkod med effektiv exekveringstid?

Forskningsprojekt, 2026 – 2030

AI-revolutionen berör många aspekter av vårt dagliga liv, och mjukvaruprogrammering är inget undantag. Redan idag kan AI-verktyg som ChatGPT skapa fungerande program för enkla uppgifter endast baserat på en textinmatning. Det förväntas att AI kommer att kunna producera även icke-trivial korrekt programvara utan mänsklig inblandning. En nuvarande begränsning av AI-verktyg är dock att programmen de genererar ofta är mycket långsammare än motsvarande program som en mänsklig expert skulle kunna skriva. Detta beror på att nuvarande AI-verktyg inte tränas på effektiva program, utan på en mycket stor optimerad samling. Om vi ​​förväntar oss att en stor del av de programvara vi använder i framtiden kommer att vara AI-genererad, kommer denna begränsning att skapa ett akut problem.Målet med Fast-LLM är att studera om befintliga AI-modeller (så kallade grundmodeller) kan anpassas för att fokusera mer på programeffektivitet. Två metoder kommer att undersökas. Först kommer vi att använda en process som kallas fine-tuning, där en befintlig grundmodell presenteras med ett (relativt litet) antal effektiva program att lära av. För detta ändamål kommer vi att samla in ett tillräckligt antal effektiva program från offentliga plattformar som GitHub (ett arkiv med fritt tillgänglig programkod). För det andra kommer vi att genomföra ytterligare fine-tuning baserat på iterativ feedback från mänskliga experter (mjukvaruutvecklare med erfarenhet av att skriva högeffektiva program).Vi hoppas att projektet ska leda till (i) metoder som i framtiden gör det möjligt för forskare och företag att bygga bättre presterande verktyg för AI-programgenerering, och (ii) direkt användbara fine-tuned modeller som kan generera effektivare program från början.