يمكن للذكاء الاصطناعي كتابة التعليمات البرمجية، ولكن هل يمكنه التغلب على مهندسي البرمجيات؟

يمكن للذكاء الاصطناعي إنتاج تعليمات برمجية، ولكنه لا يستطيع أن يتقنها كمهندس برمجيات.

هذا ما خلصت إليه أبحاث جديدة صادرة عن مختبر علوم الحاسوب والذكاء الاصطناعي في معهد MIT، والتي وجدت أنه رغم تفوق النماذج اللغوية الكبيرة (LLMs) في إنشاء مقتطفات التعليمات البرمجية، فإنها لا تزال تقصر في مجالات التفكير المتقدم والتخطيط والتعاون التي يتطلبها تطوير البرمجيات في العالم الحقيقي وتأتي هذه الدراسة، المنجزة بالتعاون مع باحثين من ستانفورد وجامعة كاليفورنيا في بيركلي وكورنيل، والتي قُدمت هذا الأسبوع في المؤتمر الدولي للتعلم الآلي، لتعيد النظر في التصورات حول مدى جاهزية الذكاء الاصطناعي لإعادة تشكيل تطوير البرمجيات.

يقول Alex Gu، طالب الدكتوراه في مختبر علوم الحاسوب والذكاء الاصطناعي في MIT والمؤلف الرئيسي للدراسة، في مقابلة مع IBM Think: "يتطلب التخطيط البرمجي بعيد المدى مستوى متقدمًا من التفكير والتفاعل البشري". "ينبغي للنموذج مراعاة التوازن بين عناصر مثل الأداء والذاكرة وجودة التعليمات البرمجية، واستخدام هذه المعطيات لاتخاذ قرار دقيق بشأن تصميم التعليمات البرمجية."

أصبحت أدوات برمجة الذكاء الاصطناعي الآن عنصرًا أساسيًا في تطوير البرمجيات الحديثة. في عام 2025، أفاد 82% من المطورين باستخدام أدوات البرمجة بالذكاء الاصطناعي أسبوعيًا أو أكثر، بينما قال 59% إنهم يعتمدون على ثلاثة مساعدين أو أكثر ضمن سير عملهم. وأبلغ 78% آخرين عن تحقيق مكاسب واضحة في الإنتاجية، ما يدل على مدى عمق تأثير الذكاء الاصطناعي في تشكيل طريقة كتابة الأكواد البرمجية اليوم.

تعرّف أبحاث MIT ما تسميه "التخطيط البرمجي طويل المدى" على أنه أحد القيود الأساسية للأنظمة الحالية للذكاء الاصطناعي. وفقًا لـ Gu، يتضمن ذلك التفكير في كيفية تناسب التعليمات البرمجية في الأنظمة الأكبر حجمًا ومراعاة العواقب العالمية للقرارات المحلية.

قال Gu: "يتطلب تخطيط التعليمات البرمجية على المدى الطويل درجة متطورة من التفكير والتفاعل البشري". "يجب أن يأخذ النموذج في الاعتبار المفاضلات مثل الأداء والذاكرة وجودة التعليمات البرمجية، واستخدام ذلك لتحديد كيفية تصميم التعليمات البرمجية."

أشار Gu إلى مثال تصميم لغة برمجة جديدة. وأوضح أن المهمة تتطلب النظر في جميع الطرق المختلفة التي يجب استخدام اللغة بها، وتحديد وظائف واجهة برمجة التطبيقات التي يجب عرضها والتفكير في أنماط استخدام المستخدم. تشير الدراسة إلى أن النماذج يجب أن تأخذ أيضًا بعين الاعتبار التأثيرات العالمية للتغييرات المحلية في الشيفرة، حيث إن تعديلاً بسيطًا في تصميم دالة واحدة قد ينتشر إلى باقي قاعدة التعليمات البرمجية.

يحدد بحث معهد ماساتشوستس للتكنولوجيا (MIT) المشكلات المتعلقة بكيفية تقييم الذكاء الاصطناعي لبرنامج القدرات حاليًا. ووفقًا لـ Gu، تركز معظم معايير البرمجة على إنشاء برامج صغيرة قائمة بذاتها من الصفر، ما لا يعكس واقع هندسة البرمجيات واسعة النطاق.

"أحد الجوانب التي نذكرها هو التنوع: بينما تشمل هندسة البرمجيات الواقعية [SWE] مهام مثل اختبار البرمجيات أو صيانتها، إلا أن هذه الأمور نادرًا ما تنعكس في المعيار اليوم."

وأضاف أن من المهم بالقدر نفسه قدرة أنظمة الذكاء الاصطناعي على استنتاج نية المستخدم، وهي مهارة أساسية لتصميم حلول لحالات استخدام محددة. "من المحتمل أن يحتاج موقع الويب الخاص بالأعمال إلى أن يكون أكثر فعالية من تصميم موقع الويب بغرض التسلية".

قد توصل البحث إلى أن نماذج التعلم الآلي تعمل بشكل أفضل في المهام التي تشبه إلى حد كبير الأمثلة التي تمت رؤيتها في أثناء التدريب، ما يخلق تحديات للمشاريع التي تعتمد على لغات البرمجة منخفضة الموارد أو المكتبات المتخصصة. ووفقًا لـ Gu، تظهر اللغات منخفضة الموارد والمكتبات المتخصصة بشكل غير متكرر نسبيًا في مجموعة البيانات هذه، لذا تواجه نماذج اللغة الكبيرة صعوبة أكبر معها.

قال Gu: "أداء هذه المهام يعتمد بدرجة أكبر على القدرة على التعميم إلى بيانات ومجالات لم تُرَ من قبل، وهو أمر غالبًا ما يكون أصعب من مجرد إعادة تنفيذ التعليمات البرمجية التي تشبه البيانات المستخدمة في التدريب".

وفقًا للدراسة، تعني هذه القيود أن وكلاء الذكاء الاصطناعي للبرمجة يميلون إلى أن يكونوا أقل فعالية في الأنظمة القديمة، وبيئات الحوسبة العلمية، والأدوات الداخلية حيث قد تكون الوثائق محدودة.

تشير دراسة معهد ماساتشوستس للتكنولوجيا إلى حاجة أنظمة الذكاء الاصطناعي لتطوير نموذج دلالي دقيق لقاعدة التعليمات البرمجية المشروع. ووفقًا لـ Gu، فإن هذا يتضمن فهم بنية البرمجيات وكيفية تفاعل العناصر وكيف تتغير تلك العلاقات بمرور الوقت.

وقال: "أولاً، يجب أن يفهم الذكاء الاصطناعي بنية قاعدة البيانات وكيفية ترابط الأجزاء المختلفة". "ثانيًا، يجب أن يفهم كيفية عمل الوظائف الفردية. وأخيرًا، ينبغي تحديث نموذج قاعدة التعليمات البرمجية مع إضافة قيود جديدة."

تشير الدراسة إلى أن نماذج الذكاء الاصطناعي الحالية لا تمتلك حالة مستمرة بين المطالبات، أو تفتقر إلى ذاكرة كيفية تطور قاعدة التعليمات البرمجية أو تمثيل داخلي لبنيتها.

وعلى الرغم من هذه القيود، حدد المؤلفون عدة مجالات للتحسين المحتمل. وقال Gu إن تطوير معايير تقييم أفضل قد يسهم في تحسين الأداء، لا سيما إذا كانت قادرة على تقييم أنظمة الذكاء الاصطناعي عبر نطاق أوسع من المهام، بما في ذلك الاختبار والصيانة والتعاون بين الإنسان والذكاء الاصطناعي.

كما يرى أيضًا آفاقًا واعدة على المدى القريب في مجالات تتجاوز البرمجة، ولا سيما في قطاع التعليم. وقال: "يمتلك الذكاء الاصطناعي بالفعل قدرات قوية على حل معظم مسائل المرحلتين الابتدائية والمتوسطة". "يمتلك الذكاء الاصطناعي إمكانات كبيرة لتبسيط سير العمل القائم في التعليم، مثل توليد مسائل تدريبية وتصحيح الواجبات والكشف عن المفاهيم الخاطئة لدى الطلاب".