ChatGPT 近期炙手可热，仿佛没有什么问题是它不能解决的。出于对 ChatGPT 的好奇，我们决定探索下它对于前端开发人员来讲，是作为辅助工具多一些，还是主力工具更多一些？

【资料图】

2D 能力测试

我们就挑选一个著名的递归回溯问题——“八皇后”，看看 ChatGPT 的表现如何。

什么是“八皇后”

首先，我们先让它完整介绍下“八皇后“问题。让我们拭目以待 ChatGPT 会给出什么样的答案，沟通如下图所示：

只是要求介绍一下“八皇后”问题，它竟然连解题思路也如此清晰地一并给出。

编程能力

既然如此，那就来考考编程能力。

先要求它使用 JavaScript 求解“八皇后”问题的所有解。为了方便查看最终效果，又要求它使用 Canvas 将结果绘制出来。具体问答如图所示：

目不转睛地注视着屏幕中的 ChatGPT ，它一行一行噼里啪啦地给出答案，且代码编写地如此整洁，不禁由衷赞叹。虽然还不确定这些代码能否真的运行起来，得到我们想要的效果，但是从生成代码的结构和逻辑性来看，已经足够令人震撼。

接下来，我们来验证一下代码是否真的可以顺利运行。复制粘贴 ChatGPT 给出的答案，在未更改一行代码的情况下，页面的确运行了。一起看看运行效果：

看着实现出来的效果，我的内心开始忐忑不安。脑海里疯狂计算着这样一个问题：我需要花费多长时间才能解决以上问题？反正肯定无法像 ChatGPT 这样，不到 30S 就给出结果。

输出所有解

再回过头来看答案，却发现只打印出一个结果，所以它能否将所有的结果都打印出来呢？我们接着提出需求，答案如图所示：

Unbelievable，竟然真的可以，立即复制粘贴操作，检验运行效果：

仔细数了下，发现只输出了 16 个解，但是开头提到总共是有 92 个解。通过仔细查阅代码，发现一个小格子被定义为 40 个像素，而整个 Canvas 的大小是 1280 像素，所以这个 Canvas 最多只能画 16 个棋盘。

在此输出中，棋盘和棋盘之间没有点间隔，很难辨别棋盘边界，观看起来有些费力。问题相对简单，只需调整几个参数即可解决，我们选择手动调整，调整后的 drawChessboards 方法。如下所示：

function drawChessboards(solutions) { const canvas = document.getElementById("chessboard"); const ctx = canvas.getContext("2d"); const n = solutions[0].length; const solutionsPerRow = Math.ceil(Math.sqrt(solutions.length)); const sizeWithGap = canvas.width / solutionsPerRow / n; const size = sizeWithGap * 0.95; for (let k = 0; k < solutions.length; k++) { const offsetX = ((k % solutionsPerRow) * n + 0.2) * sizeWithGap; const offsetY = (Math.floor(k / solutionsPerRow) * n + 0.2) * sizeWithGap; for (let row = 0; row < n; row++) { for (let col = 0; col < n; col++) { if ((row + col) % 2 === 0) { ctx.fillStyle = "#FFFFFF"; } else { ctx.fillStyle = "#000000"; } ctx.fillRect(col * size + offsetX, row * size + offsetY, size, size); if (solutions[k][row][col] === "Q") { ctx.beginPath(); ctx.arc(col * size + size / 2 + offsetX, row * size + size / 2 + offsetY, size / 4, 0, 2 * Math.PI); ctx.fillStyle = "#FF0000"; ctx.fill(); } } } }

}

接下来再瞧瞧最终的运行效果：

这回看着舒服了很多~

综上所述通过对 ChatGPT 在 2D 能力检验可知，ChatGPT 在生成 Canvas 绘制逻辑代码的能力以及解决问题逻辑处理能力上，已然与一位程序员没什么区别了，甚至可能它所具备的能力或远超普通的程序员。

3D 渲染测试

提升维度，让 ChatGPT 将结果用 3D 的渲染方式输出看看。如图所示：

我们再一次机械性地复制、粘贴、运行它给出的代码，结果就是——跑起来了，真的跑起来了。（ps：可以看出真的很激动~）

但该视角太低，不适合观察棋盘上皇后的分布情况，手动微调下场景视角高度，再来看看效果：

使用开源的 3D 渲染引擎 Three.js，实现了这样的效果，还是非常不错的。

模型风格调整测试

用简单的柱子来表示皇后，看起来太过单调，想看看 ChatGPT 能否真正生成精致的皇后模型，于是就有下图的提问:

运行效果如下：

皇后模型效果确实给出了调整，视角也有所调高，但又过于高了且皇后的位置好像有些偏差，看起来像是悬浮在空中。再让它调整看下，如下图所示：

调整后效果：

大概这样的“皇后”模型已经是极限了，我们就不再强求，生成的视角还是那么高，但都是小问题，微调下即可，其他的都未做调整。

以上就是整个 3D 渲染效果的校验过程，再一次证明了 ChatGPT 的强大之处，生成的代码显然已经达到可应用级别。

WebGL 技术测试

既然会使用 Three.js，那是不是意味着已经掌握了 WebGL 技术呢？接下来问题再升级下，测试看能否用纯 WebGL 来完成 3D 的渲染，如图所示：

望着代码被一行一行急速输出时，再一次被它的强悍震得心头一紧。如果想要完整实现的话内容会太长，所以它罗列了代码的整体框架，部分代码用注释代替。

HT 渲染引擎究极测试

身边的小伙伴提到，试问下能否用图扑软件自家 HT 作为渲染引擎，让 ChatGPT 给出相应的可执行代码？答案如图所示：

乍一看输出的结果，代码似乎写得很不错。但仔细阅读后，会发现代码中有很多地方使用错误，比如没有使用 HT 的 3D 组件 Graph3dView，而是使用了 2D 组件 GraphView；2D 的接口和 3D 的接口混用；使用的接口不存在等多种问题。

也许是 ChatGPT 能够获得的训练数据相当有限，但它生成代码的水平已经是非常高了，只需在原基础上稍加调整，即可顺利运行。

总体来说，ChatGPT 相较于普通程序员，在编写算法和通用渲染方面以及效率上都有着更强的实力。在一些比较垂直的领域，由于缺乏足够的训练数据，可能会导致无法准确完整地表达，甚至会出现张冠李戴的情况。但它的表现在一定程度上缩短了程序员解决问题的时间，只要问题描述足够清晰，就可以获取到答案并直接使用。

在未来，相信 ChatGPT 会变得越来越强大，并且会成为一款非常出色的辅助工具，甚至可能成为主要的生产工具。审核编辑黄宇