The Impact of Large Language Models on Open-source Innovation: Evidence from GitHub Copilot
यह शोध पत्र विभिन्न प्रोग्रामिंग भाषाओं में गिटहब कोपायलट (GitHub Copilot) के क्रमिक लॉन्च का एक प्राकृतिक प्रयोग के रूप में उपयोग करता है ताकि यह प्रदर्शित किया जा सके कि यद्यपि लार्ज लैंग्वेज मॉडल्स (Large Language Models) ओपन-सोर्स योगदान को महत्वपूर्ण रूप से बढ़ाते हैं, वे मौलिक नवाचार की तुलना में क्रमिक कोड रखरखाव को असमान रूप से अधिक प्राथमिकता देते हैं, जिससे सहयोगात्मक प्रयास नई कार्यक्षमता की खोज करने के बजाय मौजूदा कोडबेस के दोहन की ओर स्थानांतरित हो जाते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
ओपन-सोर्स सॉफ्टवेयर की दुनिया की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ हजारों स्वयंसेवक मिलकर सार्वजनिक पार्क, पुस्तकालय और सड़कें बनाते हैं। यहाँ कोई बॉस नहीं है; हर कोई अपनी पसंद या ज़रूरत के आधार पर अपने कार्य चुनता है।
यह शोध पत्र एक सरल प्रश्न पूछता है: क्या होता है जब आप इन स्वयंसेक्षकों को कोड लिखने में मदद करने के लिए एक सुपर-स्मार्ट AI सहायक (जिसे GitHub Copilot कहा जाता है) देते हैं?
शोधकर्ताओं ने केवल अनुमान नहीं लगाया; यह पता लगाने के लिए कि AI ने वास्तव में क्या बदला, उन्होंने एक चतुर "प्राकृतिक प्रयोग" (natural experiment) स्थापित किया।
महान भाषा प्रयोग
कल्पना कीजिए कि दो समूहों के स्वयंसेवक समान प्रकार के उपकरण बना रहे हैं:
- समूह A (Python): उन्हें एक नया, सुपर-स्मार्ट AI सहायक मिलता है जो उन्हें तुरंत कोड लिखने में मदद करता है।
- समूह B (R): उन्हें अभी तक AI सहायक नहीं मिला है (यह कंपनी के एक व्यावसायिक निर्णय के कारण है, न कि इसलिए कि स्वयंसेवक अलग थे)।
चूंकि दोनों समूह अन्यथा बहुत समान थे, इसलिए शोधकर्ता यह देखने के लिए उनकी तुलना कर सके कि AI ने वास्तव में क्या बदलाव किए। उन्होंने यह देखने के लिए दस लाख से अधिक कोड अपडेट (जिन्हें "कमिट्स" कहा जाता है) का विश्लेषण किया कि क्या AI ने लोगों को अधिक काम करने के लिए प्रेरित किया, और उन्होंने किस तरह का काम किया।
काम के दो प्रकार
परिणामों को समझने के लिए, शोधकर्ताओं ने काम को दो श्रेणियों में विभाजित किया, जैसे खाना पकाने के दो अलग-अलग तरीके:
- "रिफाइनर" (क्रमिक नवाचार - Incremental Innovation): यह एक मौजूदा रेसिपी को लेकर उसे थोड़ा बेहतर बनाने जैसा है। शायद आप उसमें चुटकी भर नमक डालें, निर्देशों में टाइपो ठीक करें, या व्यंजन को दिखने में बेहतर बनाएं। समस्या पहले से ही परिभाषित है; आपको बस सुधार को लागू करना है।
- उदाहरण: एक बग को ठीक करना जो चार्ट को ब्लैक एंड व्हाइट में प्रिंट करता है।
- "इन्वेंटर" (मौलिक नवाचार - Substantive Innovation): यह शून्य से एक बिल्कुल नया व्यंजन बनाने जैसा है। आपको तय करना होगा कि क्या पकाना है, सामग्री का पता लगाना होगा, और खुद रेसिपी बनानी होगी। समस्या अभी तक परिभाषित नहीं है; आपको समाधान का आविष्कार करना होगा।
- उदाहरण: एक डेटा टूल में एक पूरी तरह से नया फीचर जोड़ना जो पहले मौजूद नहीं था।
क्या हुआ?
शोधकर्ताओं ने तीन मुख्य बातें पाईं:
1. AI ने सभी को तेज़ी से काम करने के योग्य बनाया (अधिक वॉल्यूम)
जब पायथन समूह को AI सहायक मिला, तो उन्होंने बिना AI वाले समूह की तुलना में 28% से 40% अधिक कोड योगदान करना शुरू कर दिया। यह एक निर्माण दल को बिजली के औजार देने जैसा है; उन्होंने उसी समय में अधिक घर बनाए।
2. AI को "इन्वेंटिंग" (आविष्कार) की तुलना में "रिफाइनिंग" (सुधार) अधिक पसंद आया (कंपोजिशन शिफ्ट)
यहाँ एक मोड़ है। हालांकि AI ने दोनों प्रकार के कार्यों में मदद की, लेकिन इसने रिफाइनिंग (बग ठीक करना, कोड को साफ करना) में इन्वेंटिंग (नए फीचर्स बनाना) की तुलना में बहुत अधिक मदद की।
- क्यों? AI एक सुपर-फोटोकॉपी मशीन की तरह है जो सीखती है कि पहले से क्या मौजूद है। यदि आप इसे एक मौजूदा रेसिपी देते हैं, तो यह जल्दी से नमक की एक चुटकी या प्याज काटने का बेहतर तरीका सुझा सकता है। लेकिन यदि आप इसे शुरुआत से एक बिल्कुल नई व्यंजन शैली (cuisine) बनाने के लिए कहते हैं, तो यह संघर्ष करता है क्योंकि इसके पास कॉपी करने के लिए कोई पैटर्न नहीं है। AI तब सबसे अच्छा काम करता है जब "समस्या" पहले से स्पष्ट हो और "समाधान" केवल एक छोटा सा बदलाव हो।
3. जैसे-जैसे AI स्मार्ट हुआ, अंतर बढ़ता गया
शोधकर्ताओं ने देखा कि जब 2022 के मध्य में AI को अपग्रेड किया गया तो क्या हुआ। AI संदर्भ (context) को समझने में और भी बेहतर हो गया।
- परिणाम: "रिफाइनिंग" और "इन्वेंटिंग" के बीच का अंतर कम नहीं हुआ; बल्कि यह बढ़ गया। जैसे-जैसे AI अधिक स्मार्ट हुआ, यह नियमित सुधारों और रखरखाव में और भी बेहतर हो गया, लेकिन यह अभी भी उन पूरी तरह से नई चीजों के आविष्कार के लिए आवश्यक मानवीय प्रेरणा (human spark) की जगह नहीं ले सका।
बड़ी तस्वीर
शोध पत्र यह निष्कर्ष निकालता है कि हालांकि AI मौजूदा सॉफ्टवेयर के रखरखाव और सुधार को तेज करने के लिए एक शानदार उपकरण है, लेकिन यह अनजाने में स्वयंसेक्षकों को नई चीजों के आविष्कार करने के कठिन और रचनात्मक कार्य से दूर ले जा सकता है।
इसे इस तरह सोचें: यदि आप शहर के स्वयंसेवकों को सड़कों को तुरंत साफ करने के लिए एक जादुई झाड़ू देते हैं, तो वे बहुत सारी सड़कें साफ करेंगे। लेकिन वे शायद नए पार्क डिजाइन करने या नए खेल आविष्कार करने में समय बिताना बंद कर देंगे, क्योंकि झाड़ू सफाई के काम में इतनी अच्छी है कि बार-बार सफाई करना ही आसान लगता है।
लेखक सुझाव देते हैं कि ओपन-सोर्स समुदायों को नवाचार जारी रखने के लिए, उन्हें विशेष रूप से "इन्वेंटर्स" (आविष्कारकों) के लिए विशेष पुरस्कार या प्रोत्साहन बनाने की आवश्यकता हो सकती है ताकि यह सुनिश्चित हो सके कि वे आसान, AI-सहायता प्राप्त "रिफाइनिंग" के समुद्र में खो न जाएं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।