Автоматизация программирования: от первых компиляторов до генеративного искусственного интеллекта

Стремительное развитие средств автоматизации программирования является ключевым фактором цифровой трансформации общества. Целью работы является комплексный анализ эволюции инструментов автоматизации, включая языки программирования высокого уровня, структурное и объектно-ориентированное программирование, интегрированные среды разработки, low-code/no-code платформы и большие языковые модели. В исследовании рассматриваются принципы работы генеративного искусственного интеллекта, его возможности и ограничения, а также специфика российских решений в данной области. Особое внимание уделено вызовам, связанным с широким внедрением автоматизации: проблемам интеллектуальной собственности, безопасности сгенерированного кода, трансформации роли программиста и адаптации образовательных программ. Сделан вывод о формировании новой парадигмы совместной работы человека и искусственного интеллекта в разработке программного обеспечения. Практическая значимость работы заключается в предоставлении разработчикам и руководителям структурированной информации для принятия решений о внедрении инструментов автоматизации, выборе технологий и оценке связанных с ними рисков.

1. Vaswani A., Shazeer N., Parmar N., et al. Attention Is All You Need. In: Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems (NIPS 2017), 04–09 December 2017, Long Beach, CA, USA. 2017. P. 5998–6008.

2. Li Yu., Choi D., Chung Ju., et al. Competition-Level Code Generation with AlphaCode. Science. 2022;378(6624):1092–1097. https://doi.org/10.1126/science.abq1158

3. Nijkamp E., Pang B., Hayashi H., et al. CodeGen: An Open Large Language Model for Code with Multi-Turn Program Synthesis. arXiv. URL: https://doi.org/10.48550/arXiv.2203.13474 [Accessed 14th July 2025].

4. Chen M., Tworek J., Jun H., et al. Evaluating Large Language Models Trained on Code. arXiv. URL: https://doi.org/10.48550/arXiv.2107.03374 [Accessed 14th July 2025].

5. Rozière B., Gehring J., Gloeckle F., et al. Code Llama: Open Foundation Models for Code. arXiv. URL: https://doi.org/10.48550/arXiv.2308.12950 [Accessed 14th July 2025].

6. Moussiades L., Zografos G. OpenAI's GPT4 as Coding Assistant. arXiv. URL: https://doi.org/10.48550/arXiv.2309.12732 [Accessed 6th August 2025].

7. Peng Yu., Wan Ju., Li Yi., Ren X. COFFE: A Code Efficiency Benchmark for Code Generation. arXiv. URL: https://doi.org/10.48550/arXiv.2502.02827 [Accessed 14th July 2025].

8. Anil R., Borgeaud S., Alayrac J.-B., et al. Gemini: A Family of Highly Capable Multimodal Models. arXiv. URL: https://doi.org/10.48550/arXiv.2312.11805 [Accessed 14th July 2025].

9. Torka S., Albayrak S. Optimizing AI-Assisted Code Generation. arXiv. URL: https://doi.org/10.48550/arXiv.2412.10953 [Accessed 14th July 2025].

10. Daniotti S., Wachs J., Feng X., Neffke F. Who Is Using AI to Code? Global Diffusion and Impact of Generative AI. arXiv. URL: https://doi.org/10.48550/arXiv.2506.08945 [Accessed 14th July 2025].