تصور کنید کدهایی که ۲۷ سال پیش نوشته‌اید، حالا در چند ساعت به زبان مدرن تبدیل شوند و حتی اشتباهات شما در آن سال‌ها را اصلاح کنند. این دقیقاً همان اتفاقی است که برای ترنس تائو رخ داد و روایت جدیدی از توانایی‌های عملی هوش مصنوعی در دنیای واقعی است.
ترنس تائو (Terence Tao)، ریاضی‌دان برجسته و برندهٔ مدال فیلدز، موفق شد با کمک عامل‌ها (Agents) — ابزارهایی شبیه به دستیاران هوشمندی که می‌توانند مراحل پیچیده به‌طور مستقل برنامه‌ریزی و اجرا کنند — حدود ۲۴ اپلت ریاضیاتی نوشته‌شده با زبان جاوا در سال ۱۹۹۹ را تنها در چند ساعت به جاوااسکریپت (JavaScript) مدرن منتقل کند. این نتیجه، روایت رایج دربارهٔ خطاهای زیاد در کدهای تولید‌شده توسط هوش مصنوعی را به چالش می‌کشد؛ به شرطی که وظایف به‌دقت تعریف شده و محدود باشند.
زمینه: گذار از جاوا به جاوااسکریپت
تائو — ریاضی‌دانی که پشت قضیه گرین-تائو قرار دارد و دریافت‌کننده مدال فیلدز است — از سال ۱۹۹۹، زمانی که در ابتدا این اپلت‌ها را برای دروس تحلیل مختلط و جبر خطی کدنویسی می‌کرد، به ریاضیات به کمک ماشین علاقه‌مند بوده است. با تکامل استانداردهای وب، این بصری‌سازهای قدیمی (Java 1.0) منسوخ شده و دیگر پشتیبانی نمی‌شدند.
به نقل از پست وبلاگی تائو در ژوئیه ۲۰۲۶ در وب‌سایت terrytao.wordpress.com، فرآیند انتقال باعث شد این ابزارها دوباره کاربردی شوند. تائو این مسیر را به‌طور کامل مستند کرد و نسخه‌های ویرایش‌شده‌ای از متن گفتگوهای خود را به اشتراک گذاشت تا نشان دهد جریان کاری عامل‌محور (Agentic Workflow) چگونه عمل می‌کند. این فرآیند صرفاً یک انتقال مستقیم کد نبود، بلکه شامل ارتقاهای گرافیکی نیز می‌شد؛ برای مثال، یک بصری‌ساز که پیش‌تر تک‌رنگ بود، اکنون رنگی شده است.
این پروژه بازتاب عمیقی در جامعهٔ توسعه‌دهندگان داشت. یک رشته‌بحث در Hacker News درباره این تلاش، از مرز ۵۰ امتیاز گذشت (و به ۵۱ رسید)، که نشان می‌دهد دنیا به نحوه استفاده متخصصان حوزه از این ابزارها توجه می‌کند. این بحث، چارچوب مناقشات پیرامون کدنویسی عامل‌محور را تغییر می‌دهد و آن را از اشتیاق کورکورانه یا شکاکیت مطلق دور می‌کند. این تجربه ثابت می‌کند متخصصی که بتواند خروجی‌ها را تست و بررسی کند، می‌تواند به نتایجی با سرعت بسیار بالا دست یابد.
جزئیات: ریاضیاتِ باگ‌ها و اجرای فنی
نتایج فنی این انتقال خیره‌کننده است. تائو به سادگی به خروجی مدل اعتماد نکرد؛ او نتایج را تست کرد و آن‌ها را در حالت «آلفا» قرار داد و در عین حال از کاربران خواست تا درباره لبه‌های تیز و نقص‌های احتمالی بازخورد دهند.
- نرخ خطا: در میان تقریباً ۲۴ اپلت، تائو تنها یک باگ جزئی در کد تولید‌شده توسط هوش مصنوعی یافت که مربوط به یک حالت خاص در رویدادهای کشیدن (drag-event) بود.
- اصلاح کدهای قدیمی: نکتهٔ مهم‌تر این است که عامل هوش مصنوعی، دو باگ در کدهای اصلی تائو (نوشته شده در سال ۱۹۹۹) پیدا کرد که خود او تا به حال متوجه آن‌ها نشده بود.
- کیفیت نهایی: چون عامل باگ‌های اصلی را بیشتر از باگ‌های جدید تولید کرد، کیفیت کلی کد عملاً خنثی شد و حتی می‌توان گفت از منبع اصلی بهتر شده است.
علاوه بر انتقال ساده، تائو از عامل‌ها برای ساخت ابزارهای کاملاً جدید از طریق روش وایب کدینگ (Vibe Coding) استفاده کرد. این ابزارها تنها در چند ساعت گفتگو، از ایده‌های رها شده به اپلت‌های فعال تبدیل شدند:
- ابزار نسبیت خاص: ابزاری که او در سال ۱۹۹۹ تصور کرده بود و آن را «Inkscape، اما در فضای مینکوفسکی» توصیف کرد.
- حدس گیلبرت: یک بصری‌ساز تعاملی که به‌طور خاص برای همراهی با یک مقالهٔ پژوهشی طراحی شده است.
تحلیل ریسک و نقش توسعه‌دهنده
این تغییر رویکرد نشان می‌دهد که عامل‌ها در حال حاضر به عنوان موتورهای «انتقال» (Porting) و «داربست‌سازی» (Scaffolding) بیشترین بازدهی را دارند. انتقال کدهای قدیمی به یک محیط اجرای مدرن، یا تولید اولین نسخه فعال از یک ایده که مدت‌هاdormant (خفته) بوده، دقیقاً همان جایی است که سود سرعت در بالاترین سطح خود قرار دارد. در اینجا نقش انسان از «نویسندگی» به «بازبینی» تغییر می‌کند؛ تحولی که نشان می‌دهد توسعه‌دهندگان اکنون در حال گذار از نویسندگی کد به مدیریت کارکنان دیجیتال هستند و نقش آن‌ها به نظارت بر خروجی‌های هوشمند تغییر یافته است.
تائو این ریسک را با تعریف درست محدوده پروژه مدیریت کرد. او تشخیص داد که این‌ها کمک‌کننده‌های بصری ثانویه هستند، نه سیستم‌های حساس به امنیت (safety-critical). در نتیجه، هزینه یا ضرر یک باگ پراکنده بسیار پایین است. این قاب‌بندی ریسک، درس واقعی برای توسعه‌دهندگان است: مردم زمانی بیشترین اشتیاق را به عامل‌ها دارند که آن‌ها را به سمت وظایفی محدود و غیرحساس هدایت کنند که در آن‌ها تکرار و اصلاح ارزان باشد.
این موضوع بازتاب‌دهنده روندهای گسترده‌تر در احساسات توسعه‌دهندگان در سال ۲۰۲۶ است. موفق‌ترین پیاده‌سازی‌ها زمانی رخ می‌دهند که با عامل‌ها مانند یک مهار یا چارچوب (Harness) برای یک مدل رفتار شود؛ جایی که مدل یک کالای عمومی (Commodity) است، اما چارچوب، ساختار لازم را فراهم می‌کند. این رویکرد با زیرساخت‌های جدیدی که به منظور بهینه‌سازی میزبانی مخازن هوش مصنوعی طراحی شده‌اند، هم‌سویی دارد تا سرعت توسعه و توزیع کدها به حداکثر برسد.
برای توسعه‌دهندگان، درس روشن است: با عامل کدنویسی مانند یک همکار جونیور سریع در مرحله پیش‌نویس برخورد کنید. وقتی قضاوت متخصص به عنوان لایه نهایی تأیید عمل کند، عامل ظرفیت آنچه یک توسعه‌دهنده تنها می‌تواند عرضه کند را گسترش می‌دهد، بدون اینکه نیاز به سلیقه و تجربه انسانی را از بین ببرد. عامل توانایی عرضه (Ship) را افزایش می‌دهد، اما نیاز به بازبینی را حذف نمی‌کند.
گام بعدی شما
- اگر کدهای قدیمی در زبان‌های منسوخ دارید، آن‌ها را به عنوان اولین پروژه برای آزمایش عامل‌های کدنویسی به کار بگیرید.
- سعی کنید به جای نوشتن کدهای طولانی، از روش Vibe Coding برای تبدیل ایده‌های سریع به پروتوتایپ‌های اولیه استفاده کنید.
- نقش بازبینی (Review) را جایگزین کدنویسی دستی کنید و روی تست لبه‌های تیز (Edge Cases) تمرکز نمایید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو