پوکر مشارکت‌کنندگان: استراتژی بنیاد Zig برای حذف هوش مصنوعی از کدها

تصور کنید قدرتمندترین ابزار بهره‌وری دهه را به کلی کنار بگذارید تا فقط «انسان» باقی بماند. پروژه Zig دقیقاً همین ریسک را پذیرفته است تا از فروپاشی مهارت‌های جامعه‌ی برنامه‌نویسان جلوگیری کند.

طبق اعلام بنیاد نرم‌افزاری Zig (Zig Software Foundation) در ۳۰ آوریل ۲۰۲۶، این پروژه هرگونه استفاده از مدل‌های زبانی بزرگ (Large Language Models - LLMs) را برای ثبت گزارش خطاها (Issues)، درخواست‌های ادغام (Pull Requests) و حتی نظرات در ردیاب باگ‌ها — از جمله ترجمه‌ها — ممنوع کرده است.

به نقل از لوریس کرو (Loris Cro)، معاون جامعه در بنیاد Zig، این استراتژی بر مفهومی به نام «پوکر مشارکت‌کنندگان» استوار است. فلسفه اصلی این است که پروژه، «مشارکت‌کننده» را ارزشمندتر از «مشارکت» او می‌بیند.

اصول کلیدی این سیاست عبارتند از:

• سرمایه‌گذاری روی شخص، نه کد: هدف اصلی بررسی یک PR، تبدیل یک فرد تازه‌وارد به یک توسعه‌دهنده مورد اعتماد و خبره است.
• رد کردن کدهای «بی‌نقص» AI: یک کد کامل که توسط هوش مصنوعی زاینده (Generative AI) نوشته شده، بازگشت سرمایه (ROI) صفر دارد، زیرا به یادگیری یا اعتمادبه‌نفس انسان کمک نمی‌کند.
• اولویت با منتورینگ (Mentorship): تیم Zig ترجیح می‌دهد به یک انسان در حال کلنجار رفتن با کد کمک کند تا یک وصله‌ی ماشین-ساخته و بی‌نقص را بپذیرد.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی فرسایش مهارت‌های فنی در عصر مدل‌های زبانی اشاره کردیم، این رویکرد در تضاد شدید با غول‌های صنعت است. برای مثال، Bun (محیط اجرای جاوااسکریپت که در دسامبر ۲۰۲۵ توسط Anthropic خریداری شد)، به شدت از ابزارهای AI استفاده می‌کند. این تقابل بخشی از یک روند گسترده‌تر در اکوسیستم متن‌باز است؛ جایی که برای مقابله با تسلط شرکت‌های بزرگ، حتی در لایه‌های حقوقی نیز تغییراتی در حال رخ دادن است، همان‌طور که در معرفی لایسنس‌های جدید برای مقابله با غول‌های هوش مصنوعی مشاهده می‌کنیم.

بر اساس مستندات فنی، Bun اخیراً با افزودن تحلیل‌های معنایی موازی و واحدهای تولید کد (Codegen Units) متعدد به بک‌اند LLVM، به بهبود ۴ برابری سرعت کامپایل دست یافته است؛ اما به دلیل ممنوعیت AI در Zig، نمی‌تواند این تغییرات را به پروژه اصلی منتقل (Upstream) کند.

اما این تقابل میان سرعت و کیفیت، تنها بخشی از یک بحران بزرگ‌تر است؛ اثر این رویکرد بر پروژه‌های زیرساختی دیگر را در گزارش بعدی بررسی خواهیم کرد.

گام بعدی شما

• بررسی دستورالعمل‌های مشارکت در پروژه‌هایی که «انسان‌محور» هستند تا تفاوت در کیفیت کد را درک کنید.
• ارزیابی میزان وابستگی خود به AI در کدنویسی: آیا بدون کمک مدل‌ها قادر به حل مسائل پیچیده هستید؟
• تمرین بازنویسی دستی کدهایی که AI تولید کرده تا نقاط ضعف منطقی آن‌ها را شناسایی کنید.