也许吧。它的应用范围显然更广，不仅限于威胁传统搜索引擎，或撰写高中作文和广告文案。
什么是生成式AI？
生成式AI是机器学习的一种应用，可以根据自然语言提示创建文本、图像或音频等多种内容。随着ChatGPT这一OpenAI项目的推出，生成式AI得到广泛普及，并推动各行各业涌现出大量新用途。
如果还没有尝试过ChatGPT，不妨花点时间问它几个问题。可以让它介绍一下您，或者某位历史人物，也可以让它解释某个事物的工作原理。使用时应保持谨慎，因为ChatGPT并非总是正确，但这种体验仍会让人大开眼界，因为它是一种全新的体验。
ChatGPT为生成式AI提供了概念验证，让我们得以一窥未来工作方式可能发生的变化。对于F5首席技术官办公室而言，它也为探索生成式AI如何应用于应用交付和安全提供了有趣的方向。
从命令式到声明式，再到生成式
基础设施面临的一项挑战是，即使只交付和保护一个应用，也需要配置大量设备、服务和系统。如果不计“即服务”产品，组织平均要依赖23种不同的应用服务。
无需多言，配置Web应用和API保护服务与配置传统的负载均衡服务并不相同。这意味着，负责配置和运营应用服务的人员可能需要精通十几种不同的“语言”。
多年来，业界一直在努力解决这一问题。当API成为配置各类系统的主要方式时，应用交付和安全服务也不例外。最初，大家都采用命令式API，这只是改变了发出命令的方式：不再通过CLI输入命令，而是通过HTTP发送API命令。
很快，人们就清楚地认识到，依赖命令式API所产生的API成本过高，因此行业转向了声明式API。但遗憾的是，业内大多数人认为，声明式就是“将配置表示为JSON”。于是，声明式背后的本意（“意图”这个词很重要，请记住）原本是“告诉我你想做什么，我来替你完成”，最终却变成了“这是我想要的配置，具体怎么实现就交给你了”。
这两者并不完全相同，而且仍然需要同等程度的专业知识，才能理解特定解决方案独有的运行模型。我不确定业界是否曾就负载均衡器使用“池”还是“场”达成一致，更不用说虚拟服务器如何与真实服务器及应用实例交互等更复杂的细节了。因此，声明式方法所做的，不过是将命令层面的工作从运维人员转移给系统。
如今，生成式AI带来了一种低代码或无代码方式。与其他一些结果相比，这类结果更可靠，因为它们基于结构完善的规范，由这些规范指导结果生成。毕竟，“hello world”的写法屈指可数，而回答一个问题的方式却有数百万种。
这意味着，我应该可以告诉一个经过训练的模型：“我想配置负载均衡器，以便扩展应用A。”然后，系统应该能够生成相应的配置。不仅如此，我还应该可以告诉它：“给我一个脚本，使用Z在系统Y上执行X。”转眼之间，它不仅应该生成配置，还应该生成将配置部署到正确系统所需的自动化流程。
看，它已经能做到了。
当然，这段代码尚未达到生产就绪水平：IP和凭据均无效，而且它选择了Python（这并不是我的前三个选择）。不过，仅凭公开文档和一个非常简单的提示词，它就完成了约90%。提示词越详细，结果就越好。下面生成的完整脚本较长，因此这里只列出开头部分。
同样，这还不能直接部署，但已经更接近可用状态，而且我无需进行任何训练，生成过程确实不到15秒。
从生成迈向自动化
但这些都很简单。我还应该能告诉它：“哦，对了，把它部署好。”然后，我享用早晨的咖啡时，它就应该完成部署。或许还能给我唱首小曲。
不过，还有更多可能！如果以后我还能对生成式AI系统说：“Green Bay的用户登录量很大，性能有所下降，请克隆App A并将其迁移到我们位于Milwaukee的站点。”会怎么样？
它确实照做了。因为从底层来看，这一切不过是由API、配置和命令组成的网络。如今，这些内容可以通过脚本实现自动化，而且通常已经如此。这些脚本往往采用参数化设计，与我的AI提示词中的参数大致对应：（Green Bay）、（Milwaukee）、App A。因此，改变的是生成器，以及生成速度。
我常说，AI和自动化能够放大我们的能力。技术本身不知道需要做什么，但我们知道。AI和自动化可以更快速、更高效地完成任务，从而提高生产力、缩短价值实现时间，并让专家腾出时间，专注于战略决策和项目。随着时间的推移，AI还可以向我们学习，进一步提升我们的能力，并带来新的可能性。
这不再是科幻构想，而是计算机科学领域的现实。
生成式AI将助力实现我们所需的AIOps
当前许多AIOps解决方案仅专注于提供98%的组织所缺少的洞察。
它们解决的是过去的问题，而非未来的需求。
即使是那些能够更自主地采取行动的AIOps平台（例如安全服务），也高度依赖预先存在的配置和定义完善的响应。它们通常不会利用AI，让运维工作在异构的应用交付和安全层之间更自主地执行。它们利用AI分析数据，并发掘人类没有能力或时间发现的洞察。但其作用往往也止步于此，至少对于网络层以上的各层以及已有充分认知的安全问题而言是如此。
这正是生成式AI可以接手的环节，也是我全力探索这项技术潜力的原因，看看它究竟能在多大程度上让应用交付和安全变得“轻松至极”。
欢迎来到AI冰山一角。
关于作者
Lori MacVittie是F5首席技术官办公室的杰出工程师兼首席技术布道师，在应用交付、自动化战略和基础设施领域拥有深厚的专业知识。无论是为AI智能体定义防护机制、剖析脆弱的多云架构，还是探索可扩展系统的极限，她都善于化繁为简。她在应用开发、IT架构以及网络和系统运维领域拥有30多年的行业经验。加入F5之前，她曾担任技术编辑，并因出色表现获得奖项。 MacVittie拥有计算机科学硕士学位，著述颇丰，出版作品涵盖安全、云和企业架构领域。她还热衷于桌面游戏和电子游戏，并且对奶酪有着毫不掩饰的鲜明见解。
Lori Mac Vittie 的更多博客文章相关博客文章
2023年应用策略现状：成本与复杂性是推动多云网络发展的首要因素
多云网络解决方案可在核心、云和边缘环境之间实现无缝、安全的互联，为解决当今混合IT面临的挑战提供支持，因而备受业界关注。