اگر تصور می‌کنید آینده‌ی توسعه‌ی نرم‌افزار تنها به نوشتن پرامپت‌های بهتر وابسته است، تجربه اخیر یکی از پیشروترین تیم‌های مهندسی جهان این باور را به چالش می‌کشد. در ۱۳ اوت ۲۰۲۶، ایان میکال (Ean Mikale)، مهندس ارشد شرکت Infinite 8 Industries، فاش کرد که در چرخه ساخت Human-AI OS 4.1، کدنویسی دستی را جایگزین تولید کد توسط هوش مصنوعی کرده‌اند.
این تصمیم در حالی اتخاذ شده که بسیاری از سازمان‌ها بدون بازبینی دقیق، کدهای تولیدشده توسط مدل‌ها را مستقیماً در محیط عملیاتی قرار می‌دهند. برای پلتفرمی مثل Human-AI OS که به مرحله پایداری رسیده است، اولویت از نمونه‌سازی سریع به تسلط عمیق بر زیرساخت تغییر کرده است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اتکای بیش از حد به خروجی‌های خودکار می‌تواند حفره‌های امنیتی و منطقی جبران‌ناپذیری ایجاد کند.
مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در پروژه‌های بالغ با اصطکاک‌های فنی شدیدی روبروست. طبق اعلام میکال، سه عامل اصلی این بازگشت به کدنویسی دستی هستند:
- اتلاف توکن (Token): مدل‌ها مدام اطلاعات تکراری یا غیرضروری تولید می‌کنند — شبیه به کسی که برای جواب دادن به یک سؤال ساده، کل تاریخچه موضوع را تعریف می‌کند.
- هزینه مدیریت (Wrangling Overhead): اصلاح دستی کدهای موجود اغلب سریع‌تر از تلاش برای اصلاح آن‌ها از طریق پرامپت‌های مکرر است.
- دیوار باگ‌ها: میکال اشاره می‌کند در ۹ مورد از ۱۰ مورد، باگ‌های سرسختی وجود دارند که هوش مصنوعی قادر به حل آن‌ها نیست و تنها یک انسان می‌تواند با تفکر خلاق، راهکار جایگزین طراحی کند.
این وضعیت یک پارادوکس خطرناک در بازار کار ایجاد کرده است. به گزارش میکال، دانشگاه‌های علوم کامپیوتر در آمریکا در حال تربیت فارغ‌التحصیلانی هستند که مدرک دارند اما «برنامه‌نویس کاربردی» نیستند. او هشدار می‌دهد توانایی خواندن کد و درک احتمالات ماشین، اکنون به یک مزیت رقابتی حیاتی برای شرکت‌هایی تبدیل شده که می‌خواهند توسعه‌ی هوش مصنوعی را مقیاس‌پذیر کنند.
برای یک توسعه‌دهنده حرفه‌ای، رویکرد «دستگاه فروش خودکار» — یعنی هر بار که جواب غلط بود، فقط پرامپت را عوض کند — دیگر کافی نیست. مقیاس‌پذیری واقعی نیازمند یک «تعمیرکار» است؛ کسی که ترسی از دست زدن به منطق پیچیده کد نداشته باشد تا دقت و ظرافت مهندسی تضمین شود.
در نهایت، حضور انسان در حلقه (Human-in-the-loop) برای تایید نهایی، تنها راه جلوگیری از شکست‌های منطقی در مراحل بعدی است. شرکت‌هایی که ظرافت مهندسی را بر سرعت تولید خام ترجیح می‌دهند، سیستم‌های پایدارتری خواهند داشت.
گام بعدی شما
- توانایی خود را در دیباگ کردن بلوک‌های کد تولیدشده توسط هوش مصنوعی، بدون کمک گرفتن از خودِ مدل، به چالش بکشید.
- روی مهارت «خواندن و تحلیل کد» (Code Reading) بیشتر از «مهندسی پرامپت» سرمایه‌گذاری کنید.
- در پروژه‌های حساس، نقاطی را شناسایی کنید که تولید خودکار کد در آن‌ها منجر به پیچیدگی‌های مدیریتی (Overhead) شده است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو