- Cursor relata que os engenheiros da Nvidia agora comprometem três vezes mais código do que antes
- A Nvidia afirma que as taxas de defeitos permaneceram estáveis, apesar do aumento relatado na produção
- Fluxos de trabalho assistidos por IA contribuíram para o DLSS 4 e tamanhos menores de GPU
Nvidia lançou generativo Ferramentas 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 diz mais de 30.000 engenheiros agora contam com essa configuração, com afirmações internas apontando para uma produção de código três vezes maior do que os 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 implantação é uma mudança operacional que afeta o software principal, incluindo drivers de GPU e código de infraestrutura que oferece suporte a jogos, centros de dadose sistemas de treinamento de IA.
Estes produtos são amplamente considerados de missão crítica, onde os erros podem ter consequências visíveis e por vezes dispendiosas.
A Nvidia afirma que as taxas de defeitos permaneceram estáveis, 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 já dependia de fluxos de trabalho assistidos por IA, incluindo sistemas internos usados para melhorar o DLSS em várias gerações de hardware.
Alguns dos resultados recentes da Nvidia são citados como exemplos de desenvolvimento apoiado por IA que entrega resultados tangíveis.
DLSS 4 e reduções em GPU o tamanho da matriz em relação a projetos comparáveis são frequentemente referenciados como resultados vinculados ao uso mais amplo de ferramentas de otimização interna.
Estes exemplos sugerem que a assistência da IA, quando aplicada em ambientes rigorosamente controlados, pode contribuir para melhorias mensuráveis.
Ao mesmo tempo, a pilha de software da Nvidia tem enfrentado críticas nos últimos anos, com usuários apontando regressões de drivers e problemas relacionados a atualizações em toda a indústria.
O Cursor também afirma que a codificação é “muito mais divertida do que costumava ser”, mas isso acompanha os números de produtividade que permanecem difíceis de avaliar de forma independente.
As linhas de código comprometidas durante um determinado período nunca foram um indicador confiável da qualidade, estabilidade ou valor do software a longo prazo.
A verdadeira qualidade do software é melhor medida pela estabilidade, capacidade de manutenção e impacto no desempenho do usuário final, e o volume de produção por si só diz pouco sobre isso.
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.
Nesse contexto, espera-se ceticismo em torno de mensagens e métricas, mesmo que as ferramentas subjacentes proporcionem eficiências reais em cenários específicos e rigorosamente geridos.
Siga o TechRadar no Google Notícias e adicione-nos como fonte preferencial para receber notícias, análises e opiniões de especialistas em seus feeds. Certifique-se de clicar no botão Seguir!
E é claro que você também pode Siga o TechRadar no TikTok para notícias, análises, unboxings em formato de vídeo e receba atualizações regulares nossas em WhatsApp também.