اقتصاد تولید کد؛ چرا هوش مصنوعی رشد زبان‌های برنامه‌نویسی جدید را متوقف می‌کند

اگر امروز یک زبان برنامه‌نویسی جدید ابداع کنید، احتمالاً هرگز به جریان نمی‌افتد؛ چون مدل‌های هوش مصنوعی نمی‌دانند چگونه با آن کد بزنند. در دنیای جدید، ارزش یک ابزار نه در برتری فنی، بلکه در میزان داده‌های آموزشی است که برای یک مدل زبانی در دسترس است.

طبق گزارشی که در ۲۴ اوت ۲۰۲۶ در gist.github.com منتشر شد، استانداردهای تجاری در حال تغییر هستند. پیش از این، دقت ۹۹.۹۹۹٪ معیار طلایی بود، اما اکنون کسب‌وکارها پذیرفته‌اند که نرخ موفقیت ۹۹.۹۹٪ با هزینه‌ای بسیار کمتر، جذاب‌تر است. این یعنی کیفیت «به اندازه کافی خوب» جایگزین کمال انسانی شده است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اقتصاد استنتاج اشاره کردیم، وقتی هزینه تولید کد توسط ماشین به نزدیک صفر می‌رسد، انگیزه‌ی انسان برای بهینه‌سازی‌های سخت و خلق ابزارهای پیچیده‌تر از بین می‌رود. این وضعیت شبیه به پذیرفتن یک ترجمه ماشینی سریع است که شاید چند غلط دستوری داشته باشد، اما سرعتش هزار برابر مترجم انسانی است.

مکانیسم رکود فنی

بر اساس مستندات این گزارش، سه عامل اصلی باعث توقف تکامل مهندسی نرم‌افزار می‌شوند:

• قفل‌شدگی اکوسیستم: مدل‌های پیشرو (SOTA) در زبان‌هایی مثل پایتون (Python)، گو (Go)، جاوااسکریپت (JavaScript) و ری‌اکت (React) بیشترین مهارت را دارند.
• شکاف پذیرش: حتی اگر یک برنامه‌نویس کتابخانه یا زبان جدیدی بسازد، چون مدل‌های هوش مصنوعی زاینده (Generative AI) — مثل دستیاری که فقط کتاب‌های قدیمی را خوانده و نمی‌تواند زبان‌های جدید را بفهمد — از آن پشتیبانی نمی‌کنند، کسی از آن استفاده نخواهد کرد.
• انزوای شرکتی: شرکت‌های بزرگ ممکن است مدل‌های خود را روی تکنولوژی‌های اختصاصی تنظیم دقیق (Fine-tuning) — شبیه به آموزش یک پزشک عمومی برای تخصص در یک بیماری خاص — کنند، اما چون جامعه‌ی باز به این مدل‌ها دسترسی ندارد، نیروی متخصص برای این زبان‌ها تربیت نمی‌شود. این رویکرد انزوای داده‌ای در تضاد با جنبجه‌هایی است که بر جایگزینی ابرهای متمرکز با مدل‌های محلی برای بازپس‌گیری حاکمیت داده‌ها تأکید دارند.

این چرخه باعث می‌شود مهندسی نرم‌افزار به جای توسعه اپلیکیشن‌ها، صرفاً در خدمت توسعه خودِ هوش مصنوعی قرار بگیرد. برای یک توسعه‌دهنده، این یعنی مهارت در «نوشتن» کد جای خود را به مهارت در «هدایت» مدل‌ها در چارچوب‌های موجود می‌دهد.

گام بعدی شما

• بررسی کنید آیا مدل‌های مورد استفاده شما قابلیت Zero-shot (تولید پاسخ بدون نمونه قبلی) برای زبان‌های نوظهور را دارند یا خیر.
• تمرکز یادگیری خود را از «سینتکس» زبان‌های خاص به «معماری سیستم‌ها» منتقل کنید.
• ابزارهای مدیریت کد را رصد کنید تا ببینید آیا راهکاری برای آموزش سریع مدل‌ها روی کتابخانه‌های شخصی ارائه می‌دهند یا خیر.

اما این رکود تنها در سطح زبان‌ها نیست؛ اثر این تغییر بر سخت‌افزارهای تولید کد را در گزارش بعدی بررسی خواهیم کرد.