تصور کنید یک مدیر فنی (CTO) با سیستمی روبه‌روست که نویسنده‌اش ۱۰ سال پیش شرکت را ترک کرده و هیچ مستندی برای نحوه کارکرد آن وجود ندارد. این کابوسِ دنیای نرم‌افزار، حالا به میدان آزمایش هوش مصنوعی زاینده (Generative AI) تبدیل شده است.
بسیاری از توسعه‌دهندگان برای ماندگاری برنامه‌هایشان می‌جنگند، اما پویون دقیقاً برعکس عمل می‌کند؛ او برنامه‌ای می‌سازد تا آن را تخریب کند و سپس از هوش مصنوعی بخواهد آن را تعمیر کند. این پروژه که AI-LMC نام دارد، می‌خواهد بفهمد آیا مدل‌ها می‌توانند تاریخچه «نامرئی» یک سیستم — یعنی همان تصمیمات پراکنده در ایمیل‌ها و جلسات که هرگز نوشته نشدند — را بازسازی کنند یا خیر.
طبق گزارش منتشر شده در ۹ سپتامبر ۲۰۲۶، اکثر آزمون‌های مدرنیزاسیون کد شکست می‌خورند چون از کدهای ایستا و نهایی استفاده می‌کنند، بدون اینکه بدانند برنامه‌نویس اصلی در چه شرایطی آن کد را نوشته است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بدهی فنی (Technical Debt) اشاره کردیم، دسترسی به کدهای واقعی شرکت‌ها به‌دلیل مسائل امنیتی و حریم خصوصی تقریباً غیرممکن است و این موضوع یک شکاف داده‌ای بزرگ برای پژوهشگران ایجاد کرده است.
برای حل این مشکل، پروژه AI-LMC از روشی به نام «کدنویسی سناریومحور» استفاده می‌کند. در این روش، به‌جای تولید کدهای قدیمی، کل چرخه عمر یک سیستم شبیه‌سازی می‌شود:
- راه‌اندازی: توسعه‌دهی (با نام مستعار یامادا-سان) مشخصات ناقصی دریافت می‌کند.
- اصطکاک: برنامه‌نویس سؤالاتی می‌پرسد اما پاسخ‌های مبهم می‌گیرد و مجبور می‌شود تصمیمات فنی شخصی بگیرد.
- زوال: در طول سال‌های شبیه‌سازی، نیازهای تجاری تغییر می‌کنند و اعضای تیم می‌روند تا بدهی فنی — شبیه به انباشتگی کارهای خانه که هر روز بیشتر می‌شود و در نهایت خانه را غیرقابل سکونت می‌کند — به‌طور طبیعی رشد کند.
این محیط مصنوعی به پژوهشگر اجازه می‌دهد دقیقاً بداند «حقیقت» چیست و سپس نتیجه‌ی به‌هم‌ریخته را به یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — بدهد تا آن را مدرنیزه کند.
به باور پویون، این رویکرد تمرکز را از ترجمه ساده‌ی نحو (Syntax) به «بازیابی دانش» تغییر می‌دهد. اگر هوش مصنوعی بتواند سیستمی را مدرنیزه کند که منطقش هرگز مکتوب نشده، ثابت می‌شود که مدل‌ها می‌توانند قصد تجاری (Business Intent) را از دل الگوهای به‌هم‌ریخته استخراج کنند.
این آزمایش با یک اپلیکیشن تجاری شبیه‌سازی‌شده از سال ۲۰۰۸ آغاز می‌شود تا محکی برای سخت‌ترین بخش مدرنیزاسیون، یعنی «مستندات گم‌شده»، ایجاد کند.
گام بعدی شما
- مخزن گیت‌هاب رسمی AI-LMC را برای دنبال کردن پیشرفت ثبت داده‌ها دنبال کنید.
- اگر در حال مدیریت کدهای قدیمی هستید، سعی کنید الگوهای تصمیم‌گیری انسانی را در کدها شناسایی کنید.
- بررسی کنید آیا مدل‌های استدلالی فعلی می‌توانند «چرا»ی پشت یک قطعه کد پیچیده را حدس بزنند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو