新智元报道

编辑：桃子

【新智元导读】全球首个AI程序员Devin被爆视频造假？YouTube博主近日揭露了背后明星初创公司Cognition的谎言，通过逐帧分析发现，Devin并不能独立完成Upwork工作。

全网爆火的世界首个AI程序员Devin，如今被爆出视频竟是作假？

最近，一位有35年软件工程师经验的YouTube博主去逐帧复现了，Devin完成Upwork任务的宣传视频。

却意外发现，AI并不能像人类工程师一样完成任务，而且非常糟糕。

他将25分钟「揭穿Devin的谎言」视频公开后，一时间引爆全网并在HN、Reddit等社交平台上掀起轩然大波。

更有意思的是，博主自己复制了Devin尝试做的任务，花费了大约36分钟。

然而，Devin用了至少6个小时，甚至可能超过一天。

有网友表示，「正如博主详细解释的那样，尽管其试图在演示中暗示，Devin并不能独立完成Upwork的工作。它正在创建混乱、过于复杂的代码」。

也有人认为，Devin从诞生之初，就更多的是营销和炒作，而不是现实。

说来，Devin视频真的是作假了吗？

逐帧分析，揭穿Devin的谎言

Devin发布之初，背后初创公司Cognition AI更新的官方博文中，通过七个视频介绍了这一AI的「魔力」。

其中，一个视频是，让Devin自主完成了全球最大的综合类自由职业平台Upwork的一项任务。

当时，网友看后惊讶地表示，没想到AI智能体都可以做副业了。

Cognition的开发者You挑选了一项「用计算机视觉模型做推理」的工作，具体要求是：

- 我希望利用该资源库中的模型进行推断。（https://github.com/mahdi65/roadDamageDetection2020）

- 您的交付成果将是关于如何在AWS的EC2实例中进行操作的详细说明。

- 请提供您完成这项工作的评估报告。我不会回复没有评估的报告。

如下是Devin在官方视频中，完成任务的表现。

接下来，一起看下YouTube博主如何逐帧分析，Devin在真正实操中的能力。

博主称，我们首先看到Devin并不是能做Upwork上的任何工作，而是在这项任务中，研究者精心挑选了「road damage」任务。

当然，这并非说Devin就是欺骗性的，而是代表其在别的任务中的表现，一定要比这个差。

然后，在实际对话中，开发者You向Devin提出的要求如下，「我想用这个储存库中的模型进行推理，请弄清楚」。

值得注意的是，客户的要求是「你需要在亚马逊EC2实例中提交这一操作的详细说明」，与开发者提出要求显然不同。

然而，根据Devin的视频末尾，实际上它并没有按照客户要求完成工作。

在博主看来，完成这项任务之前，你需要明确怎样开始这项工作。

这就需要向客户询问：

- 实例的大小，类型

- 是更倾向于一个运行更快但成本更高的实例，还是一个更经济但运行较慢的实例？

- 这个系统需要持续在线吗？

如何处理自己需要进行推理分析的资料/图片？你将怎样把这些上传到服务器？

比如，可以建立一个网页界面来处理，也可以通过SSH上传，或者放在S3 bucket里。那输出结果的访问方式又是怎样的呢？

这些都是你必须了解的问题。

总而言之，博主称，这也是我之前视频里提到的，软件开发者的工作中最难的、最关键的、最耗时的一部分：

主要是与客户、领导及其他利益相关者的沟通。

这些都是 AI 目前无法完成的任务，而这些恰恰是我们所做的非常重要的事情。

Devin实际上做了什么？

如下是视频中的一个截图，提到了一个Repo。

这是一个名为 requirements.txt 的文件，它规定了代码的依赖库版本。

不过，这个代码库最初依赖的一些库是四年前的版本，而现在其中一些库已经不再提供下载，所以不得不进行修改。

再此，视频中提到了Devin更新了代码。博主表示，「Devin能够做到这一点确实令人赞叹」。

与客户的要求相比，他们基本上希望建立自己的推理能力。

Devin被告知只使用样例数据就可以，因此这正是博主复现Devin操作时所做的。

Devin很早就遇到了一个错误，这是一个命令行错误：

在顶部，遇到了与打开图像、文件未找到、无此文件或目录相关的错误。

这个错误出现在一个名为visualize_detections.py的代码文件中。博主称自己并没有遇到这一问题，是因为在代码库中不存在名为visualize_detections.py的文件。

回到命令行，如果放大窗口的其他部分，便会看到，Devin将一些内容写入一个名为inspect_results.py的文件中，接着运行Python执行这个文件，结果出现了语法错误。

在Python文件中使用/n是不行，而且echo命令也不该这么使用。这整个过程都是错误的毫无意义。

Devin在创建这些含错误的文件后，又进行了修正。视频中提到，Devin实际上是在进行打印行调试。这是一个很常见的做法，很多人都会用到。

评论里说，「Devin正在添加代码，追踪数据流直至彻底理解」。

博主对此怀疑道，我不相信Devin真的能理解任何事物。

放大观察这一部分，可以看到一个奇特的循环。它正在读取一个文件，并把数据读入一个缓冲区。这是update_image_ids.py文件。

再次说明，这个文件在客户要求使用的代码仓库中不存在。

实际上，博主在GitHub上搜索了所有可能的位置，只有2处存在带有这个名称的文件。

屏幕上显示三个的原因是，其中一个是另一个的分支版本，它们与Devin正在使用的文件完全不同。

但问题在于Devin此处正在调试一个自己创建的文件，而这个文件完全不在项目代码仓库中，非常不妥。

其实，Devin并不是在修正自己在网上发现的代码，也不是在处理客户指定的问题代码，而是在修正自己生成的错误代码。

更糟糕的是，这样做并无必要。这是那个代码库中的readme文件。

该库中有一个名为infer.py的文件，正如视频中Devin所做的那样。

readme文件说明了其功能及使用方法。在右侧，甚至还有一个小按钮，可以复制整条命令，粘贴至命令行窗口，然后按下回车。

博主认为开发这个「检测道路损坏」的代码仓库的人已经尽可能地简化了使用说明，但Devin似乎还是没能理解。

因此，Devin不得不自己创建了一个混乱的项目。

正如Devin正在发现的，复杂，难以处理，很容易出现小错误，这样的代码很难调试。

半小时复现，AI却用了6小时

接下来，博主计划自己去复现Devin尝试做的任务。

他表示，自己用了大约36分的时间，完成所做的事。

下一张幻灯片中，实际上有一个需要修复的错误，在名为dataset.py的文件第33行。

问题是torch模块缺少一个名为underscore six的属性。

博主在谷歌上搜索了这个问题，找到了GitHub上的一个相关评论。

他按照该评论中的建议修改了代码行，这样确实解决了问题。

「解决这个问题总共花了我大约一分钟七秒的时间，只需这么短的时间我就修正了错误。这只是一个快速的谷歌搜索而已」。

以下是博主所做的修改的具体内容，这是最初状态和最后状态之间的差异。

这是requirements.txt文件的一处修改，最开始使用的是torch 1.4.0版本，博主使用了最新版本的torch 2.2.2。

然后在右边，这是Devin视频中的最后一屏，左边是我的视频，也就是最后的输出。

它们两个大同小异。博主的框是黄色的，Devin是红色的。

根据Devin官方视频中时间，从最初2024年3月9日3:25pm开始，一直到9:41pm完成，中间经历了6个小时。

最后再看下，Devin完成工作的效果及其评价。

为了复制Devin的结果，博主只需要在云实例上设置合适硬件的环境，并实际运行两个带有正确路径的命令。

这些东西看起来就像Devin做了很多工作，完成了很多任务。

然而，只要你设置好环境，实际上你只需要运行2个命令。些代码修正全都无关紧要，因为它们都是 Devin 自生成的代码。

在视频的最后，研究者You表示Devin做得好。而实际上，Devin完成的任务对于AI来说的确很酷。

AI程序员，全网沸腾

3月初，还记得Devin发布时，全网都在疯转这个AI。

在SWE-bench基准测试中，它的表现远远超过Claude 2、Llama、GPT-4等选手，取得了13.86%的惊人成绩！

它不仅能自主学习不熟悉的技术，端到端地构建和部署应用程序，自己改bug，甚至还能训练和微调自己的AI模型！

网友纷纷恐慌，Devin会偷走我们的工作吗？难道程序员真的不存在了？！

甚至，背后十人初创团队的励志故事也被人挖了出来。

核心创始人首席执行官Scott Wu，以及弟弟Neal Wu等人共揽收十枚IOI金牌。

也就不到一个月的时间，各种AI程序员相继诞生。

比如，普林斯顿团队提出的SWE-agent，可以在真实的GitHub仓库里修bug，还有OpenDevin，Devika开源项目。

不过，关于AI程序员能否解决真实问题的能力，却是还应该持有保留态度。

因为，即便是借助了GPT-4 Turbo的能力，AI也并非是万能的。

参考资料：

https://x.com/0interestrates/status/1779268441226256500

https://www.reddit.com/r/programming/comments/1c1g0fn/debunking_devin_first_ai_software_engineer_upwork/