Ask HN: GenAI के साथ आपका "oh shit" पल कौन-सा था?

Hacker News चर्चा ↗

परिवर्तनकारी व्यावहारिक उपयोग-मामले

  • कई लोग ऐसे “oh shit” पलों का वर्णन करते हैं जब GenAI ने हफ्तों/महीनों का काम घंटों में समेट दिया:
    • बड़े codebases का refactoring, data topologies का migration, apps का porting (जैसे PL/SQL → Django, Oracle Apex → नया stack, NES emulator JS → Rust)।
    • Infrastructure का स्वचालित निर्माण (Terraform/HCL, AWS setups, multi-service dashboards)।
    • Ghidra और tooling के जरिए firmware, proprietary protocols, और पुराने hardware (musical gear, printers, pianos, oscilloscopes, Firestick, test equipment) की reverse-engineering।
    • कानूनी/वित्तीय/तकनीकी PDFs के ढेर को OCR’d, translated, normalized, और summarized outputs में बदलना।
    • लगभग पूरी तरह agents के जरिए end-to-end apps (web, mobile, trading bots, game mods, Git clients) बनाना।

Coding और software engineering

  • बहुत उत्साह: ऐसे agents जो पूरे repos पढ़ते हैं, race conditions debug करते हैं, logs diff करते हैं, VSIX/.NET decompile करते हैं, tests generate करते हैं, code reviews करते हैं, और complex architectures को maintain करते हैं।
  • कुछ लोग इन्हें “junior devs” जैसे मानते हैं जो autonomously explore कर सकते हैं, refactor कर सकते हैं, और auxiliary tools भी बना सकते हैं (activity trackers, semantic search)।
  • दूसरों को वे निराशाजनक लगते हैं: verbose या naïve designs, बड़े पैमाने की architecture में कमज़ोरी, बड़े legacy codebases में fragile maintenance, और “AI slop” PRs व unit tests जो सिर्फ coverage को game करते हैं।

गैर-तकनीकी और रोज़मर्रा के उपयोग

  • इनसे बार-बार “wow” moments आते हैं:
    • Photos/videos और wiring diagrams से HVAC, dryers, furnaces, koi pond pumps, और car/AC समस्याओं का diagnosis।
    • Trip planning, solar installations, home energy dashboards, kitchen builds, estate paperwork, और listing photos से real-estate या home-inspection जैसी reviews।
    • Cooking, drawing, math, anatomy, और बच्चों के साथ science experiments में tutoring।
    • Creative tasks: rhyme/meter के साथ poetry translation, songwriting, art, podcasts, interactive fiction, और stylized real-estate listings।

संदेह, सीमाएँ, और विफलताएँ

  • कुछ लोगों को कभी सकारात्मक पल नहीं मिला; वे LLMs को “fancy autocomplete” या toys मानते हैं जो “genuinely interesting” या नए सवालों के जवाब नहीं देते।
  • बार-बार आने वाली समस्याएँ:
    • Hallucinated APIs, CLI flags, PowerShell cmdlets, scientific interpretations, और niche-domain analyses (geophysics, remote sensing, specialized math)।
    • सरल factual/logical सवालों के असंगत जवाब, अच्छे low-level code के बावजूद high-level vision strategy में कठिनाई।
    • ऐसे models जो पीछे चले गए लगते हैं (जैसे बाद के versions solution design में पहले से खराब)।

सुरक्षा, नैतिकता, और दुरुपयोग

  • चिंताएँ:
    • खतरनाक सलाह (जैसे CO-risk implications वाले furnace troubleshooting)।
    • professionals के बिना legal और medical उपयोग; AI chats के लिए privilege का अभाव; courts में पहले से AI-generated filings।
    • ऐसे agents जो exploits weaponize कर सकते हैं, license keys generate कर सकते हैं, captchas crack कर सकते हैं, games में cheat कर सकते हैं, या databases delete कर सकते हैं।
    • बड़े पैमाने पर reverse-engineering और firmware patching, और deepfake porn, misinformation, तथा “AI deaths” की संभावना जिन्हें trace करना कठिन होगा।

काम, सीखने, और समाज पर प्रभाव

  • मिश्रित भावना:
    • कुछ लोग खुद को “superheroes” या “CTO with a team” जैसा महसूस करते हैं, जो समस्याओं के बारे में सोचने के तरीके को बदलता है और उन्हें higher-level design पर ध्यान देने देता है।
    • दूसरों को deskilling, degraded code reviews, junior dev growth का रुकना, और “prompt jockeys” में बदल दिए जाने या displaced होने का डर है।
  • hype पर बहस:
    • दावे कि GenAI overpromised है, web और tools को enshittify कर रहा है, opaque data-center expansion चला रहा है, और irrational corporate spending को बढ़ावा दे रहा है।
    • जवाबी दावे कि हम अभी शुरुआती दौर में हैं; क्षमताएँ jagged हैं (कुछ चीज़ों में बेहतरीन, कुछ में खराब), और prompting/tool-use एक वास्तविक skill है।

Meta: prompting, tooling, और hype cycle

  • कई लोग नोट करते हैं कि:
    • नतीजे साफ problem specification, अच्छे harnesses (editors, MCP/tools, CLAUDE.md-style instructions), और outputs को validate करने के लिए domain expertise पर बहुत निर्भर करते हैं।
    • लोग अक्सर यह ठीक से व्यक्त नहीं कर पाते कि वे क्या चाहते हैं; कुछ AI के प्रति bias लेकर आते हैं या पहली विफलता के बाद छोड़ देते हैं।
    • Hype के कारण बारी-बारी से “oh wow” और “कुछ नहीं बदला” वाले चक्र बनते हैं, जिससे कुछ लोग थक जाते हैं लेकिन दूसरे लगातार प्रयोग करते रहते हैं।