Munculnya Large Language Models ( LLM ) seperti ChatGPT dan GitHub Copilot menciptakan efek samping yang tidak terduga dalam pengembangan perangkat lunak. Tool AI ini bekerja jauh lebih baik dengan bahasa pemrograman populer seperti Python dan JavaScript , mendorong developer untuk meninggalkan bahasa yang lebih baru atau khusus demi menggunakan apa yang paling dipahami AI.
Masalah Dominasi Python
LLM menunjukkan tingkat performa yang sangat berbeda tergantung pada bahasa pemrograman yang mereka gunakan. Data penelitian mengungkapkan bahwa model-model ini unggul dengan bahasa yang sering muncul dalam data pelatihan mereka, sementara kesulitan signifikan dengan bahasa yang kurang umum. Bahkan bahasa pemrograman yang sudah mapan dengan jutaan pengguna mengalami performa LLM yang buruk jika tidak terwakili dengan baik selama pelatihan AI.
Ini menciptakan siklus yang meresahkan. Developer semakin memilih Python bukan karena ini adalah tool terbaik untuk pekerjaan spesifik mereka, tetapi karena ini adalah bahasa yang dapat dibantu paling efektif oleh asisten AI mereka. Seorang developer yang mengerjakan bahasa scripting baru mencatat bagaimana calon pengguna kini menolak mempelajari bahasa baru, dengan mengatakan LLM bisa saja menghasilkan kode Python sebagai gantinya, meskipun lebih jelek, dua kali lebih panjang, dan tidak bekerja dengan baik.
Performa LLM berdasarkan Bahasa Pemrograman
- Performa Tinggi: Python , JavaScript , TypeScript (terwakili dengan baik dalam data pelatihan)
- Performa Rendah: Bahasa khusus domain, bahasa yang lebih baru, bahasa niche
- Temuan Penelitian: Performa menurun drastis ketika bahasa menjadi lebih terspesialisasi, bahkan untuk bahasa yang sudah mapan dengan jutaan pengguna
Domain-Specific Languages Terancam
Dampaknya paling keras mengenai Domain-Specific Languages ( DSL ) - bahasa pemrograman khusus yang dirancang untuk tugas-tugas tertentu. Bahasa-bahasa ini secara tradisional menawarkan keunggulan besar dengan membuat jenis program tertentu jauh lebih mudah ditulis dan kurang rentan terhadap kesalahan. Misalnya, sistem dialog untuk video game mungkin menggunakan format yang sederhana dan mudah dibaca alih-alih panggilan API yang bertele-tele.
Namun, DSL menghadapi beban ganda di era LLM . Tidak hanya desainer bahasa harus menginvestasikan waktu dan sumber daya untuk menciptakan bahasa dan tool-toolnya, tetapi pengguna juga harus mengorbankan bantuan AI ketika bekerja dengan bahasa-bahasa khusus ini. Ini secara signifikan meningkatkan hambatan untuk adopsi bahasa baru.
Solusi dan Adaptasi yang Muncul
Komunitas bahasa pemrograman tidak menyerah begitu saja. Beberapa pendekatan yang menjanjikan sedang muncul untuk menjembatani kesenjangan antara bahasa khusus dan kemampuan LLM .
Satu strategi melibatkan penggunaan Python sebagai bahasa perantara. Peneliti telah menemukan kesuksesan dengan meminta LLM untuk menghasilkan kode dalam bahasa yang familiar terlebih dahulu, kemudian secara otomatis menerjemahkannya ke bahasa khusus. Pendekatan ini memanfaatkan kekuatan AI dengan bahasa populer sambil tetap memberikan manfaat dari desain domain-spesifik.
Arah lain berfokus pada penciptaan bahasa yang bekerja lebih baik dengan alur kerja pengembangan berbantuan AI. Beberapa desainer sedang mengeksplorasi cara memadukan kode formal dengan deskripsi bahasa alami informal, memungkinkan developer menulis bagian yang menarik secara manual sambil membiarkan AI menangani koneksi rutin dan kode boilerplate.
Peneliti dan desainer bahasa pemrograman bekerja di bawah asumsi yang keliru bahwa praktisi pemrograman benar-benar menginginkan 'bahasa dengan sintaks dan semantik yang disesuaikan untuk domain spesifik', atau fitur bahasa yang benar-benar mewah sama sekali.
Solusi Terbaru untuk Integrasi DSL-LLM
- Terjemahan Perantara Python: Menghasilkan kode dalam Python terlebih dahulu, kemudian secara otomatis menerjemahkannya ke bahasa khusus
- Penghubung Formal-Informal: Menggabungkan pengkodean manual untuk logika kompleks dengan boilerplate dan koneksi yang dihasilkan AI
- Integrasi Bahasa Verifikasi: Menggunakan LLM untuk menghasilkan kode dengan spesifikasi yang dapat diverifikasi secara otomatis
- Desain Semantik: Menciptakan DSL dengan sintaks yang dapat dibaca manusia dan bermakna sehingga LLM dapat memahaminya dengan lebih baik
Risiko Stagnasi
Kekhawatiran yang lebih luas meluas melampaui hanya bahasa pemrograman ke framework dan pendekatan pengembangan. Kekuatan yang sama yang mendorong developer ke arah Python juga mendukung framework yang lebih lama dan mapan dibandingkan inovasi yang lebih baru. Ini menciptakan loop umpan balik di mana developer manusia mengandalkan apa yang paling dipahami LLM , sementara LLM belajar terutama dari apa yang sedang ditulis manusia saat ini.
Beberapa ahli khawatir ini bisa membekukan evolusi bahasa pemrograman sepenuhnya. Jika developer berhenti bereksperimen dengan fitur bahasa baru karena tool AI mereka tidak memahaminya, dan tool AI tidak pernah mempelajari fitur-fitur ini karena developer tidak menggunakannya, inovasi bisa terhenti total.
Melihat ke Depan
Meskipun tantangan ini, ada alasan untuk optimis. LLM menjadi lebih baik dalam bekerja dengan sintaks semantik yang dapat dibaca manusia - menunjukkan bahwa bahasa yang dirancang dengan baik dengan kata kunci yang jelas dan bermakna mungkin sebenarnya memiliki keunggulan di dunia berbantuan AI. Selain itu, karena pelatihan LLM menjadi lebih sering dan kurang mahal, jeda antara fitur bahasa baru muncul dan tool AI memahaminya seharusnya menyusut.
Kuncinya mungkin adalah mengenali bahwa bahasa pemrograman sekarang perlu melayani dua master: developer manusia dan asisten AI. Bahasa masa depan yang paling sukses kemungkinan akan menjadi yang dapat memuaskan kedua audiens tanpa mengorbankan manfaat inti yang membuat bahasa khusus berharga di tempat pertama.
Komunitas desain bahasa pemrograman menghadapi momen kritis. Pilihan yang dibuat sekarang tentang cara beradaptasi dengan bantuan AI dapat menentukan apakah kita melihat inovasi berkelanjutan dalam cara kita mengekspresikan ide komputasional, atau apakah kita menetap ke dalam dunia di mana segala sesuatu ditulis dalam Python hanya karena itulah yang paling dipahami mesin.
Referensi: Programming Language Design in the Era of LLMs: A Return to Mediocrity?