رپورٹ، جو 1 اگست 2026 کو شائع ہوئی اور The Decoder کے ذریعے دستاویزی کی گئی، نے آٹھ کیس اسٹڈیز کا جائزہ لیا — زیادہ تر حیاتیات میں — جس میں تحقیقی گروپوں نے کوڈنگ ایجنٹس جیسے Codex اور Claude Code کو بچانے، بہتر بنانے اور تنقیدی سافٹ ویئر کو دوبارہ لکھنے کے لیے استعمال کیا۔ سائنس اور صنعت کو نئی شکل دینے والے ٹولز پر جاری رپورٹنگ کے لیے، ہماری تازہ ترین AI نیوز کو فالو کریں۔
سائنسی سافٹ ویئر میں ایک خاموش بحران
جدید تحقیق کی بنیاد رکھنے والے زیادہ تر سافٹ ویئر ایک کاغذ کے لیے معاون کوڈ کے طور پر شروع ہوئے۔ چھوٹی تعلیمی ٹیموں نے مناسب جانچ، دیکھ بھال، یا اصلاح کے لیے وسائل کے بغیر یہ ٹولز بنائے۔ نتیجہ ایک کمزور بنیاد ہے: ایسے پروگرام جو پورے شعبوں کے لیے اہم رہتے ہیں لیکن مستقل مرمت کی ضرورت ہوتی ہے۔ اوپن اے آئی فیلڈ رپورٹ سے پتہ چلتا ہے کہ اے آئی کوڈنگ ایجنٹ اس دیرینہ خلا کو ختم کرنے میں مدد کر سکتے ہیں۔
پراجیکٹس میں معمول کی دیکھ بھال سے لے کر جدید پروگرامنگ زبانوں میں مکمل دوبارہ لکھنا شامل تھا، اور بہت سے قابل توجہ کارکردگی کے فوائد فراہم کیے گئے تھے۔
زنگ میں اسٹار کی دوبارہ تعمیر
مزید مہتواکانکشی منصوبوں میں سے ایک، رستار-الائنر، STAR کو شروع سے ہی Rust میں دوبارہ بنایا گیا۔ STAR ایک وسیع پیمانے پر استعمال ہونے والا ٹول ہے جو کہ جینوم میں خلیات سے ان کے متعلقہ مقامات تک پڑھنے کی ترتیب کو نقشہ بناتا ہے۔ اصل پروگرام C اور C++ کی 20,000 سے زیادہ لائنوں پر مشتمل ہے اور اب اسے فعال طور پر برقرار نہیں رکھا گیا ہے، حالانکہ یہ بہت ساری تحقیقی پائپ لائنوں میں سرایت کرتا ہے۔
دوبارہ لکھنے کی تصدیق کرنے کے لیے، ٹیم نے خمیر کے خلیوں سے 10,000 مختصر ترتیب کے پڑھنے پر دونوں ٹولز کا تجربہ کیا۔ سنگل اینڈ ریڈز کے لیے، رسٹر الائنر نے 99.815 فیصد کیسز میں STAR جیسا ہی نتیجہ پیش کیا۔ پیئر اینڈ ریڈز کے لیے، معاہدے کی شرح 99.883 فیصد تھی۔ موازنہ کو میپ شدہ مقامات سے آگے بڑھا کر کئی دیگر کلیدی فیلڈز کو شامل کیا گیا جو دونوں پروگرام ہر ایک پڑھنے کے لیے تیار کرتے ہیں، اور نہ ہی کسی ٹول نے کسی ایسے ریڈز کو میپ کیا جس کا دوسرا نقشہ بنانے میں ناکام رہا۔
ایک 60 گنا اسپیڈ اپ
RustQC نے 15 الگ الگ کوالٹی کنٹرول ٹولز کو ایک پروگرام میں ملا کر سب سے بڑی رفتار فراہم کی۔ ایک بڑے ڈیٹاسیٹ پر، رن ٹائم 15 گھنٹے اور 34 منٹ سے گھٹ کر صرف 14 منٹ اور 54 سیکنڈ رہ گیا — جس کی رفتار 60 گنا سے زیادہ ہے۔ایک اور پروجیکٹ، HelixForge، نے مصنوعی جینومک ڈیٹا بنانے کے لیے ایک ٹول کو GPU- ایکسلریٹڈ ورژن سے بدل دیا۔ ایک عطیہ دہندہ کے ڈیٹا اور جینوم کے دس ملین بیس پیئر سیکشن کا استعمال کرتے ہوئے ٹیسٹ میں، HelixForge نے اصل BamSurgeon کے مقابلے میں مکمل پائپ لائن 59.6 گنا تیز مکمل کی، جس میں اکیلے اہم کمپیوٹ مرحلہ 98.6 گنا تیز چلا۔
زیادہ روایتی جدید کاری میں، GPT-5.5 نے cyvcf2 کی پرانی تعمیر اور تنصیب کے عمل کو تبدیل کر دیا، جو کہ جینیاتی ڈیٹا کو پڑھنے کے لیے ایک Python لائبریری ہے۔ زیادہ ملوث MHCflurry منتقلی نے ٹینسر فلو سے PyTorch تک کوڈ کی تقریباً 10,000 لائنیں پورٹ کرتے ہوئے ڈیولپر اور جائزہ لینے والے کے کرداروں کے درمیان کلاڈ کوڈ اور کوڈیکس کو متبادل دیکھا۔ MHCflurry ایک امیونولوجی ماڈل ہے جو پیش گوئی کرتا ہے کہ کون سے اہداف مدافعتی خلیات کو پہچانیں گے۔
'اعتماد سے غلط'
تاہم، سرخی کی تلاش ایک سنجیدہ تھی۔ کیس اسٹڈیز میں، ایجنٹوں نے اچھی طرح سے طے شدہ کاموں کو تیزی سے مکمل کیا لیکن وہ قابل اعتماد طریقے سے فیصلہ نہیں کر سکے کہ آیا ان کا کام سائنسی طور پر درست تھا۔ یہاں تک کہ جب ان کے کوڈ میں غلطیاں تھیں، سسٹم اکثر اسے پورے اعتماد کے ساتھ پیش کرتے ہیں۔
brent Pedersen، cyvcf2 کے ڈویلپر نے رپورٹ میں تناؤ کو پکڑا: "کوڈنگ ایجنٹوں کے ساتھ، تیزی سے جانا کافی آسان ہے؛ ابھی سائنس میں بہت آگے جانے کے لیے، ماہرین کی رہنمائی، سمجھ، ذائقہ اور دیکھ بھال کی ضرورت ہے۔"
RustQC پروجیکٹ کی قیادت کرنے والے فلپ ایولز دو ٹوک تھے۔ انہوں نے ایجنٹوں کو "فصیح، قائل، اور اعتماد کے ساتھ ایسے طریقوں سے غلط قرار دیا جن سے یاد کرنا آسان ہے۔" ایولز نے کبھی بھی ماڈلز کو اپنے کام کی درستگی کا فیصلہ کرنے کی اجازت نہیں دی، بجائے اس کے کہ ان کی غلطیوں کو پکڑنے کے لیے ایک آزاد ٹیسٹ کا استعمال ہو۔
سادہ نظر میں چھپی ہوئی خرابیاں
بیسم کیس اسٹڈی نے واضح کیا کہ ان غلطیوں کو پکڑنا کتنا مشکل ہوسکتا ہے۔ اس کی رسٹ ری رائٹ اصل سے دو سے بیس گنا زیادہ تیز تھی، لیکن دو جدید طریقوں کے پہلے ورژن میں باریک نقائص موجود تھے۔ ایک میں، ایجنٹ نے کلیدی کنٹرول پیرامیٹر کو الٹ دیا، جس کی وجہ سے پروگرام مطلوبہ اقدار کے باہمی استعمال کو استعمال کرتا ہے۔ ایک الگ بگ نے حساب کو ہی متاثر کیا۔ محققین نے معلوم نتائج کے ساتھ ہزاروں مصنوعی ڈیٹاسیٹس کے خلاف تفصیلی کیلیبریشن ٹیسٹ چلانے کے بعد ہی دونوں مسائل کو دریافت کیا۔یہ واقعہ ایک ساختی تبدیلی کی نشاندہی کرتا ہے کہ سائنس دان AI کے ساتھ کیسے کام کر سکتے ہیں: خود کوڈ لکھنے کے بجائے، ان کا مرکزی کام سختی سے نتائج کی تصدیق کرتا ہے - ایک ایسا کردار جو گہری ڈومین کی مہارت کا مطالبہ کرتا ہے جو ایجنٹ خود فراہم نہیں کر سکتے۔
سائنس کے لیے اس کا کیا مطلب ہے۔
نتائج اس بات پر شدید بحث کے ایک لمحے پر اترتے ہیں کہ ہائی اسٹیک ڈومینز میں AI سسٹم کو کتنی خود مختاری دی جانی چاہیے۔ اسپیڈ اپس حقیقی طور پر تبدیلی کا باعث ہیں - رن ٹائم میں 60 گنا کمی رات بھر کی نوکری کو کافی وقفے میں بدل سکتی ہے۔ لیکن رپورٹ کی سب سے اہم شراکت حدود کے بارے میں اس کی ایمانداری ہوسکتی ہے۔ وہ ایجنٹ جو تیز، روانی اور قائل ہیں، پھر بھی سائنسی اعتبار کا خود اندازہ لگانے سے قاصر ہیں، صرف ان ماہرین کے ہاتھ میں ایک طاقتور ٹول ہیں جو بالکل جانتے ہیں کہ کیا چیک کرنا ہے۔
اس میں شامل محققین کے لیے، سبق واضح ہے: AI قابل ذکر رفتار سے سائنس کے سہاروں کو دوبارہ تعمیر کر سکتا ہے، لیکن انسانی فیصلہ بوجھ برداشت کرنے والا رہتا ہے۔
AI سے آگے رہیں
تحقیقی کامیابیوں سے لے کر انٹرپرائز کی تعیناتیوں تک، تبدیلی کی رفتار بے لگام ہے۔ AI Buzz Wire* کو بُک مارک کریں کہ کس طرح مصنوعی ذہانت سائنس، کاروبار اور معاشرے کو نئے سرے سے تشکیل دے رہی ہے اس کی جاری، حقائق کی جانچ پڑتال کی کوریج۔
مزید AI تحقیقی خبریں پڑھیں →
