倒數第 2 天了，
今天就不寫 demo 來聊點我對 AI 時代 Ansible 會怎麼發展的看法

昨天嘗試了用 ChatGPT 產生一個簡單的 playbook，
意外又毫不意外的直接 copy paste 就可以動了，
意外的點是 AI 寫得又快又好，
不意外的點是 ChatGPT 剛出現的時候我就經歷過一次震憾教育了

關於 AI 為什麼能寫出會動的 playbook，
這邊就不多贅述了，
總之我是相信的確是出現某種「湧現」的現象，
學習的資料量大到一個程度，
量變造成質變，
不然純靠 transformer 這種基於機率模型去猜測上下文出現什麼字比較合理，
還能夠不斷猜出可以一個標點符號不差、可以運作的程式碼，
即使現在篇幅不長，
我是傾向已經有那麼點意識在裡面，
至於意識又是什麼？
我不覺得現在的科學已經發展到可以很好的解釋它的生成式 AI 或人類意識運作的原理，
我們 simply 只是知道怎麼用而已，
也許這個問題有一天 AI 會親自解釋給我們聽 :)

截至目前為止，
ChatGPT 還是用靜態的文字來做訓練，
雖然換算的閱讀量相當驚人，
人類花上幾千幾萬輩子也趕不上

但 AI 與人腦目前 training data 的最大差別是，人類在理解生活環境的時候，
是用接近無限的 sensor 資料流，不計體感受器，
光是眼睛與耳朵就會對人腦 input 無限串流，不會因為我們正在學習而停止

然後這看起來只是時間上的問題，
既然我相信了湧現，
那麼我就相信 AI 能力的瓶頸將會在硬體與資料的基礎建設，
也就是說如果我們能不斷堆疊算力，再加上某種基於 streaming data 的模型，
那強 AI 的落地、人類科技的奇點，看起來不再是那麼遙不可及

講這麼多，回過頭來看 AI 在 Ansible 或是 DevOps 的發展，
最大的缺點還是在 AI 目前只能見樹不見林，
目的非常明確的 playbook 像是部署 Kubernetes、部署應用例如 Wordpress，
我現在只要花錢給足夠 token 加上適當的 prompt，
是可以做出來的

那麼一般工程師在幫助 AI 成長的路上還能做什麼？
幫助 AI 見樹又見林，既有理解自然語言 + 部署基建與應用 + 逐行解釋程式碼的能力，
我認為就是大規模的人機協作場景的落地

Ansible AWX 最好盡快發展出對話框 + playbook 的操作界面，
人類工程師把雲端節點的架構透過類 UML 的架構告訴 AI，
利用自然語言告知需求、並協解修改 playbook，
然後再把這一連串的過程拿去 either fine tune 或 augemnted learning，
協助 the one DevOps AI 盡早誕生

這是我基於我對 AI 與 DevOps 的理解所做的暢想，
如果有人試用過 RedHat 與 IBM whatsonx 合作的 Ansible lightspeed
可以告訴我是不是那麼回事