- De acordo com o Cursor, os engenheiros da Nvidia comprometem três vezes mais código do que antes
- A Nvidia afirma que as taxas de erro permaneceram as mesmas, apesar do aumento na produção
- Fluxos de trabalho assistidos por IA contribuíram para o DLSS 4 e tamanhos menores de GPU
A Nvidia lançou ferramentas de criação de IA em grande parte de sua força de trabalho de engenharia, com o Cursor integrado aos fluxos de trabalho diários de desenvolvimento.
A empresa afirma que mais de 30.000 engenheiros agora confiam nesta configuração, e afirmações internas indicam três vezes mais saída de código do que processos anteriores.
Esta afirmação atraiu a atenção em parte porque as métricas baseadas em volume têm sido tratadas com cautela na engenharia de software.
Alegações de produtividade versus realidade da engenharia
Esta implementação é uma mudança operacional que afeta o software principal, incluindo drivers de GPU e código de infraestrutura que oferece suporte a jogos, data centers e sistemas de treinamento de IA.
Estes produtos são considerados de missão crítica, onde os erros podem ter consequências dramáticas e por vezes dispendiosas.
A Nvidia diz que as taxas de defeitos permaneceram as mesmas, apesar do aumento na produção, sugerindo que os controles internos e os requisitos de teste permanecem em vigor.
O código do driver, o firmware e os componentes de sistema de baixo nível normalmente passam por uma validação extensiva antes do lançamento, independentemente da rapidez com que são gravados.
Essa abordagem não é nova, já que a Nvidia conta com fluxos de trabalho assistidos por IA, incluindo os sistemas internos usados para melhorar o DLSS em múltiplas gerações de hardware.
Alguns dos resultados mais recentes da Nvidia são citados como exemplos de desenvolvimento assistido por IA que fornecem resultados tangíveis.
As reduções no tamanho da matriz da GPU em relação ao DLSS 4 e designs comparáveis são frequentemente citadas como resultado relacionado ao uso mais amplo de ferramentas de otimização interna.
Estes exemplos sugerem que o apoio à IA, quando aplicado em ambientes rigorosamente controlados, pode levar a melhorias mensuráveis.
Ao mesmo tempo, a pilha de software da Nvidia tem sido criticada nos últimos anos, com usuários relatando atrasos de drivers e problemas de atualização em toda a indústria.
O Cursor também afirma que a codificação é “muito mais divertida do que antes”, mas é acompanhada por números de produtividade que permanecem difíceis de avaliar de forma independente.
Linhas de código comprometidas ao longo de um período de tempo nunca foram um indicador confiável de qualidade, estabilidade ou valor de software a longo prazo.
A verdadeira qualidade do software é melhor medida pela estabilidade, capacidade de manutenção e impacto no desempenho do usuário final, sobre o qual o volume de produção por si só diz pouco.
A Nvidia também se beneficia comercialmente da promoção do desenvolvimento orientado por IA, dado o seu papel central no fornecimento do hardware por trás desses sistemas.
Neste contexto, é de esperar cepticismo em relação às mensagens e medições, embora as ferramentas subjacentes proporcionem eficiências reais em cenários específicos e específicos.
Siga o TechRadar no Google Notícias e adicione-nos como sua fonte padrão para receber notícias, opiniões e opiniões de nossos especialistas em feeds. Certifique-se de clicar no botão Continuar!
E é claro que você também pode Siga o TechRadar no TikTok para receber novidades, análises, unboxings em formato de vídeo e receber atualizações constantes nossas WhatsApp também
