Một báo cáo thực địa từ OpenAI và các cộng tác viên học thuật đã phát hiện ra rằng các tác nhân mã hóa AI có thể tăng tốc đáng kể quá trình hiện đại hóa phần mềm khoa học lỗi thời, viết lại các công cụ bằng ngôn ngữ nhanh hơn và cắt giảm thời gian chạy theo mức độ lớn. Điều đáng chú ý: các đặc vụ giống nhau không thể đánh giá một cách đáng tin cậy liệu công việc của họ có đúng về mặt khoa học hay không, thường trình bày mã lỗi một cách hoàn toàn tự tin.
Báo cáo được xuất bản vào ngày 1 tháng 8 năm 2026 và được ghi lại bởi The Decode, đã xem xét 8 nghiên cứu điển hình — chủ yếu là về sinh học — trong đó các nhóm nghiên cứu sử dụng các tác nhân mã hóa như Codex và Claude Code để giải cứu, tối ưu hóa và viết lại phần mềm quan trọng. Để biết báo cáo liên tục về các công cụ đang định hình lại khoa học và ngành công nghiệp, hãy theo dõi tin tức AI mới nhất của chúng tôi.
Một cuộc khủng hoảng thầm lặng trong phần mềm khoa học
Phần lớn phần mềm làm nền tảng cho nghiên cứu hiện đại bắt đầu dưới dạng mã hỗ trợ cho một bài báo. Các nhóm học thuật nhỏ đã xây dựng những công cụ này mà không có tài nguyên để thử nghiệm, bảo trì hoặc tối ưu hóa thích hợp. Kết quả là một nền tảng mỏng manh: các chương trình vẫn quan trọng đối với toàn bộ lĩnh vực nhưng cần được sửa chữa liên tục. Báo cáo lĩnh vực OpenAI cho thấy các tác nhân mã hóa AI có thể giúp thu hẹp khoảng cách lâu dài đó.
Các dự án bao gồm từ bảo trì định kỳ đến viết lại hoàn toàn bằng các ngôn ngữ lập trình hiện đại và một số dự án đã mang lại hiệu suất đáng kinh ngạc.
Xây dựng lại STAR ở Rust
Một trong những dự án đầy tham vọng, rustar-aligner, đã xây dựng lại STAR từ đầu trong Rust. STAR là một công cụ được sử dụng rộng rãi để ánh xạ các lần đọc trình tự từ các ô đến các vị trí tương ứng của chúng trong bộ gen. Chương trình ban đầu chứa hơn 20.000 dòng C và C++ và không còn được duy trì tích cực nữa, mặc dù nó vẫn được nhúng trong nhiều quy trình nghiên cứu.
Để xác minh việc viết lại, nhóm nghiên cứu đã thử nghiệm cả hai công cụ trên 10.000 lượt đọc trình tự ngắn từ tế bào nấm men. Đối với các lần đọc một đầu, bộ căn chỉnh rỉ sét tạo ra kết quả tương tự như STAR trong 99,815 phần trăm trường hợp. Đối với các lần đọc kết thúc, tỷ lệ đồng ý là 99,883 phần trăm. Việc so sánh mở rộng ra ngoài các vị trí được ánh xạ để bao gồm một số trường chính khác mà cả hai chương trình đều tạo ra cho mỗi lần đọc và không công cụ nào ánh xạ bất kỳ lần đọc nào mà công cụ kia không thể ánh xạ.
Tăng tốc gấp 60 lần
RustQC mang lại tốc độ nhanh nhất bằng cách kết hợp 15 công cụ kiểm soát chất lượng riêng biệt vào một chương trình duy nhất. Trên một tập dữ liệu lớn, thời gian chạy giảm mạnh từ 15 giờ 34 phút xuống chỉ còn 14 phút 54 giây — tăng tốc hơn 60 lần.Một dự án khác, HelixForge, đã thay thế công cụ tạo dữ liệu gen tổng hợp bằng phiên bản được tăng tốc GPU. Trong thử nghiệm sử dụng dữ liệu từ một nhà tài trợ và phần mười triệu cặp bazơ của bộ gen, HelixForge đã hoàn thành toàn bộ quy trình nhanh hơn 59,6 lần so với BamSurgeon ban đầu, chỉ riêng bước tính toán chính đã chạy nhanh hơn 98,6 lần.
Trong quá trình hiện đại hóa thông thường hơn, GPT-5.5 đã thay thế quy trình xây dựng và cài đặt lỗi thời của cyvcf2, một thư viện Python để đọc dữ liệu di truyền. Quá trình di chuyển MHCflurry có liên quan nhiều hơn đã chứng kiến Claude Code và Codex luân phiên giữa vai trò của nhà phát triển và người đánh giá trong khi chuyển khoảng 10.000 dòng mã từ TensorFlow sang PyTorch. MHCflurry là một mô hình miễn dịch dự đoán mục tiêu nào các tế bào miễn dịch sẽ nhận ra.
'Chắc chắn là sai'
Tuy nhiên, phát hiện tiêu đề này là một phát hiện đáng lo ngại. Trong các nghiên cứu điển hình, các đặc vụ đã hoàn thành các nhiệm vụ được xác định rõ ràng một cách nhanh chóng nhưng không thể đánh giá một cách đáng tin cậy liệu công việc của họ có chính xác về mặt khoa học hay không. Ngay cả khi mã của họ có lỗi, hệ thống thường trình bày nó một cách hoàn toàn tự tin.
Brent Pedersen, nhà phát triển cyvcf2, đã nắm bắt được sự căng thẳng trong báo cáo: "Với các tác nhân mã hóa, việc đi nhanh khá dễ dàng; hiện tại, để tiến xa trong khoa học, vẫn cần có sự hướng dẫn, hiểu biết, cảm nhận và sự quan tâm của chuyên gia."
Philip Ewels, người đứng đầu dự án RustQC, tỏ ra thẳng thắn hơn. Ông mô tả các đặc vụ là "hùng hồn, thuyết phục và tự tin sai theo những cách rất dễ bỏ sót." Ewels không bao giờ cho phép các người mẫu đánh giá tính chính xác trong công việc của họ, thay vào đó họ xây dựng một hệ thống thử nghiệm độc lập để phát hiện lỗi của họ.
Lỗi ẩn trong chế độ xem rõ ràng
Nghiên cứu điển hình bayesm minh họa mức độ khó phát hiện những lỗi này. Bản viết lại Rust của nó chạy nhanh hơn từ hai đến hai mươi lần so với bản gốc, nhưng phiên bản đầu tiên của hai phương pháp nâng cao có những khiếm khuyết nhỏ. Trong một lần, tác nhân đã đảo ngược một tham số điều khiển chính, khiến chương trình sử dụng giá trị nghịch đảo của các giá trị dự định. Một lỗi riêng biệt đã ảnh hưởng đến việc tính toán. Các nhà nghiên cứu chỉ phát hiện ra cả hai vấn đề sau khi chạy thử nghiệm hiệu chỉnh chi tiết đối với hàng nghìn bộ dữ liệu tổng hợp với kết quả đã biết.
Tập phim nhấn mạnh sự thay đổi cấu trúc trong cách các nhà khoa học có thể làm việc cùng với AI: thay vì tự viết mã, nhiệm vụ trọng tâm của họ trở thành xác minh nghiêm ngặt kết quả - một vai trò đòi hỏi chuyên môn sâu về lĩnh vực mà chính các tác nhân không thể cung cấp.
Ý nghĩa của nó đối với khoa học
Những phát hiện này xuất hiện vào thời điểm tranh luận gay gắt về mức độ tự chủ của các hệ thống AI trong các lĩnh vực có mức độ rủi ro cao. Việc tăng tốc thực sự mang tính biến đổi — thời gian chạy giảm 60 lần có thể biến công việc qua đêm thành thời gian nghỉ giải lao. Nhưng đóng góp quan trọng nhất của báo cáo có thể là sự trung thực về các giới hạn. Những tác nhân nhanh, trôi chảy và thuyết phục nhưng không thể tự đánh giá giá trị khoa học là công cụ đắc lực chỉ trong tay những chuyên gia biết chính xác những gì cần kiểm tra.
Đối với các nhà nghiên cứu liên quan, bài học rất rõ ràng: AI có thể xây dựng lại nền tảng khoa học với tốc độ vượt trội, nhưng khả năng phán đoán của con người vẫn phải chịu tải.
Đi trước AI
Từ những đột phá trong nghiên cứu đến triển khai doanh nghiệp, tốc độ thay đổi là không ngừng. Đánh dấu trang AI Buzz Wire để biết tin tức liên tục, đã được kiểm chứng thực tế về cách trí tuệ nhân tạo đang định hình lại khoa học, kinh doanh và xã hội.
Đọc thêm tin tức nghiên cứu AI →
