AI კოდი ტესტებს გადის, მაგრამ პროგრამისტებისთვის გასაგები რჩება რთული

სწრაფი კოდი, ნელი გაგება

AI-ით გენერირებული კოდი შეიძლება იმუშავოს, ტესტები გადიოდეს და დავალებები სწრაფად შეასრულოს. თუმცა, ინჟინარი, რომელიც მას სისტემაში ინტეგრირებს, შეიძლება არასოდეს სრულად გაიგოს, როგორ დაიწერა ეს კოდი. როცა ეს კოდი საერთოდ ხშირი ხდება, მისი ინტერპრეტაცია, გადახედვა და შემოწმება კვლავ დროს მოითხოვს, ხოლო ზოგი ინჟინარი ამბობს, რომ მათ უკვე ვერ შეძლებენ მისი მარტივად გადამოწმებას.

Infinity-ის, ჩიპების ოპტიმიზაციის კომპანიის დამფუძნებელი ჯერემი ნიქსონი ამბობს, რომ პროგრამისტის სამუშაო იცვლება. შემქმნელები უფრო ნაკლებ დროს ანდობენ კოდის თავიდან წერას, ხოლო უფრო მეტს მოდელის ზედამხედველობასა და მისი შედეგის გადახედვას. ნიქსონი ხედავს ორ შესაძლებელ ინტერპრეტაციას: AI, როგორც ახალი ეტაპი, სადაც ადამიანები მიზნებს ადგენენ და ტექნიკურ განხორციელებას ანდობენ, ან ზრდადი რისკი, რომ გუნდები პროგრამულ უზრუნველყოფას განათავსებენ, რომლის მუშაობასაც სრულად არ ესმით.

ტესტები ლოგიკას არ ხსნის

Fireside Alpha-ის ინტერვიუში SemiAnalysis-ის სპეციალისტი ჯორდან ნანოსი აღწერდა OpenAI-ს ინჟინრების მუშაობას, რომლებიც თვალყურს ადევნებდნენ AI-ით შექმნილ კოდს ბირთვისთვის, ანუ გრაფიკული პროცესორის გამოთვლებისთვის განკუთვნილი სპეციალიზებული კოდისთვის. ინჟინრებს ესმოდათ აპარატურული უზრუნველყოფა და სისტემური პრინციპები, მაგრამ ცალკეული ხაზების ხსნა მათთვის რთული იყო. ნანოსმა შედეგი წარმოდგენილი შეცდომად არ მიიჩნია: AI-მ კოდი შექმნა, შეამოწმა და მძლავრი შედეგის მიაღწია. მან თქვა, რომ ადამიანის გაგება ყოველი დეტალისა ასეთ შემთხვევებში ნაკლებად მნიშვნელოვანი გახდა.

ეს მაგალითი არ ადასტურებს, რომ ყველა AI-ით დაწერილი კოდი გაუგებარია. ის პირველ რიგში წარმოშვებს გადამოწმების პრობლემას, როცა გუნდისთვის ძირითადი ლოგიკა არ არის ნათელი. დასრულებული დავალება შეიძლება ჩვენებდეს, რომ პროგრამა გარკვეული პირობებით მუშაობდა, მაგრამ მოგვიანებით შეცდომის პოვნა, სისტემის მასშტაბირება ან სხვა კომპონენტებთან ინტეგრირება დამატებით ცოდნას მოითხოვს. შეშფოთება ის არის, რომ გუნდები კოდის გასაგებად და შესამოწმებლად ნელდებიან, და არა ის, რომ AI-ის გამოყენებამ თავისთავად დამტკიცებულია როგორც უნარების დაკარგვის მიზეზი.

გამოკითხვა მიუთითებს რელიზის ციკლის შეზღუდულ წინსვლაზე

Undo-ს მიერ მოყვანილი გამოკითხვის მონაცემებით, დაახლოებით 35% AI-ით გენერირებული კოდის მუშა გარემოში მოსვლამდე ინჟინრები მას სრულად არ ესმოდანთ. გამოკითხვაში ასევე ნაჩვენებია, რომ 79% ხელმძღვანელმა თქვა, რომ პროგრამული უზრუნველყოფის რელიზის ციკლები კოდის გენერაციის გამარტივებისა მიუხედავად არ ჩამორბნენ. Coleman Parkes-მა კვლევა ჩაატარა 2026 წლის ივლისსა და აგვისტოში ამერიკის შეერთებულ შტატებსა და დიდ ბრიტანეთში დიდი ორგანიზაციების 300 ტექნიკურ ხელმძღვანელს შორის. მათი კომპანიები დიდ, კომპლექსურ და კრიტიკულ სისტემებზე მუშაობენ, ატამ შედეგები კონკრეტულ სეგმენტს ასახელებს, და არა მთელ ტექნოლოგიულ ინდუსტრიას.

Undo-ს დამფუძნებელი გრეგ ლოუ ამბობს, რომ ყველაზე რთული გადასახედავი კოდი ხშირად თითქმის სწორად დაწერილია. გუნდები მკვეთრ შეცდომებს სწრაფად აღმოაჩენენ, მაგრამ გლუვად მუშაობდა პროგრამის დიაგნოსტიკა დღეებს შეიძლება მოითხოვდეს. Undo ინსტრუმენტებს აწყობს შეცდომების საპოვნელად და გასასწორებლად, ატამ გამოკითხვის კომერციული კონტექსტი აქტუალურია. ბიზნესისთვის გენერირებული კოდის რაოდენობა წარმატების მთავარი მაჩვენებელი ვერ გახდება, რადგან წერისას დაზოგილი დრო შეიძლება გადახარჯულ იქნას მის გადახედვასა და გაუმჯობესებაზე. თუ დამწყები შემქმნელები ყოველთვის მიიღებენ შედეგს მისი ლოგიკის შესწავლის გარეშე, მათ ნაკლებ პრაქტიკას მიიღებენ იმ უნარებში, რომლებიც მოგვიანებით საჭირო გახდება კომპლექსური სისტემების დაპროექტებისა და შეცდომების აღმოჩენისთვის. პასუხისმგებლობა კოდის განთავსების გუნდზე რჩება.