وجد تقرير ميداني من OpenAI ومتعاونون أكاديميون أن عوامل ترميز الذكاء الاصطناعي يمكنها تسريع تحديث البرامج العلمية القديمة بشكل كبير، وإعادة كتابة الأدوات بلغات أسرع وخفض أوقات التشغيل بأضعاف كبيرة. المشكلة: لا يستطيع نفس الوكلاء الحكم بشكل موثوق على ما إذا كان عملهم صحيحًا من الناحية العلمية، وغالبًا ما يقدمون تعليمات برمجية بها أخطاء بثقة تامة.
تناول التقرير، الذي نُشر في 1 أغسطس 2026 وتم توثيقه بواسطة The Decoder، ثماني دراسات حالة - معظمها في علم الأحياء - استخدمت فيها مجموعات البحث عوامل ترميز مثل Codex وClaude Code لإنقاذ البرامج المهمة وتحسينها وإعادة كتابتها. للحصول على تقارير مستمرة حول الأدوات التي تعيد تشكيل العلوم والصناعة، تابع [آخر أخبار الذكاء الاصطناعي] (https://aibuzzwire.news).
أزمة هادئة في البرمجيات العلمية
بدأ الكثير من البرامج التي تقوم عليها الأبحاث الحديثة كرمز داعم لورقة بحثية واحدة. قامت فرق أكاديمية صغيرة ببناء هذه الأدوات دون الحاجة إلى الموارد اللازمة للاختبار أو الصيانة أو التحسين المناسب. والنتيجة هي أساس هش: برامج تظل بالغة الأهمية لمجالات بأكملها ولكنها تتطلب إصلاحاً مستمراً. يشير تقرير OpenAI الميداني إلى أن عوامل ترميز الذكاء الاصطناعي يمكن أن تساعد في سد هذه الفجوة الطويلة الأمد.
تراوحت المشاريع بين الصيانة الروتينية وإعادة الكتابة الكاملة بلغات البرمجة الحديثة، وحقق العديد منها مكاسب أداء ملفتة للنظر.
إعادة بناء النجم في Rust
أحد المشاريع الأكثر طموحًا، rustar-aligner، أعاد بناء STAR من الصفر في Rust. STAR هي أداة تستخدم على نطاق واسع لتخطيط تسلسل القراءات من الخلايا إلى مواقعها المقابلة في الجينوم. يحتوي البرنامج الأصلي على أكثر من 20.000 سطر من لغة C وC++ ولم يعد يتم صيانته بشكل فعال، على الرغم من أنه لا يزال مدمجًا في العديد من مسارات البحث.
للتحقق من إعادة الكتابة، اختبر الفريق كلتا الأداتين على 10000 قراءة تسلسلية قصيرة من خلايا الخميرة. بالنسبة للقراءات ذات النهاية الواحدة، أنتج مصفف روستار نفس نتيجة STAR في 99.815 بالمائة من الحالات. بالنسبة للقراءات المزدوجة، كان معدل الاتفاق 99.883 بالمائة. امتدت المقارنة إلى ما هو أبعد من المواقع المعينة لتشمل العديد من الحقول الرئيسية الأخرى التي ينتجها كلا البرنامجين لكل قراءة، ولم تقم أي أداة بتعيين أي قراءات فشل الآخر في تعيينها.
تسريع 60 مرة
قدمت RustQC أكبر سرعة من خلال الجمع بين 15 أداة منفصلة لمراقبة الجودة في برنامج واحد. في مجموعة بيانات كبيرة، انخفض وقت التشغيل من 15 ساعة و34 دقيقة إلى 14 دقيقة و54 ثانية فقط - وهو ما يمثل تسريعًا يزيد عن 60 مرة.
مشروع آخر، HelixForge، استبدل أداة لتوليد البيانات الجينومية الاصطناعية بنسخة مسرعة بواسطة وحدة معالجة الرسومات. في اختبار باستخدام بيانات من متبرع واحد وقسم مكون من عشرة ملايين زوج قاعدي من الجينوم، أكملت شركة HelixForge خط الأنابيب الكامل 59.6 مرة أسرع من BamSurgeon الأصلي، مع تشغيل خطوة الحوسبة الرئيسية وحدها أسرع 98.6 مرة.
في تحديث أكثر تقليدية، حل GPT-5.5 محل عملية الإنشاء والتثبيت القديمة لـ cyvcf2، وهي مكتبة Python لقراءة البيانات الجينية. شهدت عملية الترحيل الأكثر تعقيدًا MHCflurry قيام Claude Code وCodex بالتناوب بين أدوار المطور والمراجع أثناء نقل ما يقرب من 10000 سطر من التعليمات البرمجية من TensorFlow إلى PyTorch. MHCflurry هو نموذج مناعي يتنبأ بالأهداف التي ستتعرف عليها الخلايا المناعية.
"الخطأ الواثق"
لكن النتيجة الرئيسية كانت مثيرة للقلق. عبر دراسات الحالة، أكمل الوكلاء مهامًا محددة جيدًا بسرعة، لكنهم لم يتمكنوا من الحكم بشكل موثوق على ما إذا كان عملهم صحيحًا من الناحية العلمية. وحتى عندما تحتوي التعليمات البرمجية الخاصة بها على أخطاء، غالبًا ما تعرضها الأنظمة بثقة تامة.
وقد عبّر برنت بيدرسن، مطور cyvcf2، عن التوتر في التقرير: "مع وكلاء البرمجة، من السهل جدًا المضي قدمًا بسرعة؛ في الوقت الحالي، من أجل المضي قدمًا في العلوم، لا تزال هناك حاجة إلى توجيهات الخبراء، والفهم، والذوق، والرعاية."
وكان فيليب إيويلز، الذي قاد مشروع RustQC، أكثر صراحة. ووصف العملاء بأنهم "بليغون ومقنعون ومخطئون بثقة بطرق يسهل تفويتها". لم يسمح إيويلز أبدًا للنماذج بالحكم على دقة عملهم، وبدلاً من ذلك قاموا ببناء أداة اختبار مستقلة لاكتشاف أخطائهم.
أخطاء مختبئة على مرأى من الجميع
أوضحت دراسة الحالة bayesm مدى صعوبة اكتشاف هذه الأخطاء. تمت إعادة كتابة Rust بشكل أسرع بما يتراوح بين مرتين وعشرين مرة من النسخة الأصلية، لكن الإصدارات الأولى من طريقتين متقدمتين تحتوي على عيوب دقيقة. في إحداهما، قام الوكيل بعكس معلمة التحكم الرئيسية، مما أدى إلى استخدام البرنامج لمقلوب القيم المقصودة. أثر خطأ منفصل على الحساب نفسه. اكتشف الباحثون كلتا المشكلتين فقط بعد إجراء اختبار معايرة مفصل ضد آلاف مجموعات البيانات الاصطناعية ذات النتائج المعروفة.
تسلط هذه الحادثة الضوء على تحول هيكلي في كيفية عمل العلماء جنبًا إلى جنب مع الذكاء الاصطناعي: فبدلاً من كتابة التعليمات البرمجية بأنفسهم، أصبحت مهمتهم المركزية هي التحقق الصارم من النتائج - وهو دور يتطلب خبرة عميقة في المجال لا يستطيع العملاء أنفسهم توفيرها.
ماذا يعني للعلوم
تأتي هذه النتائج في وقت يشهد جدلًا حادًا حول مدى الاستقلالية التي ينبغي منحها لأنظمة الذكاء الاصطناعي في المجالات عالية المخاطر. تعتبر عمليات التسريع تحويلية حقًا - حيث يمكن أن يؤدي تقليل وقت التشغيل بمقدار 60 ضعفًا إلى تحويل العمل بين عشية وضحاها إلى استراحة لتناول القهوة. ولكن المساهمة الأكثر أهمية التي يقدمها التقرير قد تكون نزاهته بشأن الحدود. فالوكلاء الذين يتمتعون بالسرعة والطلاقة والإقناع، لكنهم غير قادرين على التقييم الذاتي للصحة العلمية، هم أداة قوية فقط في أيدي الخبراء الذين يعرفون بالضبط ما يجب التحقق منه.
بالنسبة للباحثين المشاركين، الدرس واضح: الذكاء الاصطناعي قادر على إعادة بناء سقالات العلم بسرعة ملحوظة، ولكن الحكم البشري يظل حاملا.
البقاء في صدارة الذكاء الاصطناعي
من الإنجازات البحثية إلى عمليات النشر في المؤسسات، فإن وتيرة التغيير لا هوادة فيها. ضع إشارة مرجعية على [AI Buzz Wire] (https://aibuzzwire.news) للحصول على تغطية مستمرة ومدققة لكيفية إعادة تشكيل الذكاء الاصطناعي للعلوم والأعمال والمجتمع.
اقرأ المزيد من أخبار أبحاث الذكاء الاصطناعي →
