AI կոդը անցնում է թեստերը, բայց ծրագրավորողների համար հասկանալը դժվար է դառնում

Արագ կոդ, դանդաղ հասկանալություն

AI-ով գեներացված կոդը կարող է աշխատել, անցնել թեստերը և արագ կատարել խնդիրները: Սակայն, ինժեները, ով ինտեգրում է այն համակարգում, կարող է երբեք ամբողջությամբ չհասկանալ, թե ինչպես է գրվել այս կոդը: Երբ այս կոդը ընդհանրապես հաճախ է հանդիպում, դրա մեկնաբանությունը, վերանայումը և ստուգումը կրկին ժամանակ են պահանջում, իսկ որոշ ինժեներներ ասում են, թե արդեն չեն կարող հեշտությամբ ստուգել այն:

Infinity-ի՝ չիպերի օպտիմիզացման ընկերության հիմնադիր Ջերեմի Նիքսոնը ասում է, որ ծրագրավորողի աշխատանքը փոխվում է: Ստեղծողները ավելի քիչ ժամանակ են տալիս կոդի նորից գրելուն, իսկ ավելի շատը՝ մոդելի վերահսկմանը և դրա արդյունքների վերանայմանը: Նիքսոնը տեսնում է երկու հնարավոր մեկնաբանություն. AI-ն որպես նոր փուլ, որտեղ մարդիկ նպատակներ են սահմանում և վստահություն են դնում տեխնիկական իրականացման վրա, կամ աճող ռիսկ, որ թիմերը տեղադրեն ծրագրային ապահովում, որի աշխատանքը լիովին չեն հասկանում:

Թեստերը լոգիկան չեն լուծում

Fireside Alpha-ի հետազոտության մեջ SemiAnalysis-ի մասնագետ Ջորդան Նանոսը նկարագրեց OpenAI-ի ինժեներների աշխատանքը, ովքեր հսկում էին AI-ով ստեղծված կոդը միջոցի համար, այսինքն գրաֆիկական պրոցեսորի հաշվարկների համատեղ նախատեսված մասնագիտացված կոդի համար: Ինժեներները հասկանում էին սարքային ապահովումը և համակարգային սկզբունքները, բայց առանձին տողերի վերլուծությունը նրանց համար դժվար էր: Նանոսը արդյունքը ներկայացված սխալ չի համարում. AI-ն ստեղծել է կոդը, ստուգել և հասել ուժեղ արդյունքի: Նա ասաց, որ մարդու հասկանալը յուրաքանչյուր մանրամասնի վերաբերյալ այդպիսի դեպքերում ավելի քիչ կարևոր դարձավ:

Այս օրինակը չի հաստատում, որ բոլոր AI-ով գրված կոդերը անհասկանալի են: Այն առաջին հերթին բարձրացնում է ստուգման խնդիրը, երբ թիմի համար հիմնական լոգիկան պարզ չի: Ավարտված խնդիրը կարող է ցույց տալ, որ ծրագիրը աշխատել է որոշակի պայմաններով, բայց ավելի ուշ սխալի գտնումը, համակարգի մասշտաբավորումը կամ այլ բաղադրիչների հետ ինտեգրումը լրացուցիչ գիտելիքներ են պահանջում: Մտահոգությունն այն է, որ թիմերը դանդաղում են կոդը հասկանալու և ստուգելու համար, այլ ոչ թե այն, որ AI-ի օգտագործումը ինքնին հաստատված է որպես հմտությունների կորստի պատճառ:

Հարցումը ցույց է տալիս թողարկման ցիկլի սահմանափակ առաջընթացը

Undo-ի կողմից կազմակերպված հարցման տվյալներով, մոտ 35%-ը չէին լիովին հասկանում AI-ով գեներված կոդը մինչև այն արտադրական միջավայր մտնելը։ Հարցումը նաև ցույց է տալիս, որ 79%-ը ղեկավարների հայտնել են, որ ծրագրային ապահովման թողարկման ցիկլերը կոդի գեներացման պարզեցմանը հաշվի առնելով էլ չեն կրճատվել։ Coleman Parkes-ը հետազոտություն է իրականացրել 2026 թվականի հուլիսին և օգոստոսին Ամերիկայի Միացյալ Նահանգներում և Մեծ Բրիտանիայում մեծ կազմակերպությունների 300 տեխնիկական ղեկավարի միջև։ Նրանց ընկերությունները աշխատում են մեծ, բարդ և կրիտիկական համակարգերի վրա, այս արդյունքները վերաբերում են կոնկրետ սեգմենտին, ոչ թե ամբողջ տեխնոլոգիական արդյունաբերությանը։

Undo-ի հիմնադիր Գրեգ Լոուն հայտնում է, որ ամենադժվար վերանայվող կոդը հաճախ գրված է մոտավորապես ճիշտ։ Թիմերը արագ են հայտնաբերում կոպտ սխալները, բայց ծրագրի ախտորոշումը, որը աշխատում է դանդաղ, կարող է պահանջել օրեր։ Undo-ն տրամադրում է գործիքներ սխալներ գտնելու և ուղղելու համար, և այս հարցման գործառնական համատեքստը ակտուալ է։ Բիզնեսի համար գեներված կոդի քանակը չի կարողանա դառնալ հաջողության հիմնական ցուցանիշ, քանի որ գրելու ընթացքում խնայված ժամանակը կարող է անտեղի ծախսվել դրա վերանայմանը և բարելավմանը։ Եթե սկնական ստեղծողները միշտ ստանան արդյունքը՝ չուսում դրա տրամաբանությունը, նրանք կստանան ավելի քիչ գործնական փորձ այն հմտություններում, որոնք ավելի ուշ կպահանջվեն բարդ համակարգերի նախագծման և սխալների հայտնաբերման համար։ Պատասխանատվությունը մնում է կոդի տեղադրման թիմի վրա։