آنها این پدیده را «آشغال وایبی» (Vibe Slop) مینامند؛ ترکیبی از «کدنویسی وایبی» (Vibe Coding) یعنی ساخت نرمافزار با ابزارهای هوش مصنوعی فقط از طریق توصیف انگلیسی ساده و «آشغال هوش مصنوعی» (AI Slop)؛ همان محتوای کمارزش و بیپایان تولیدشده با هوش مصنوعی که شبکههای اجتماعی را پر کرده است.
به گفته آنها، آشغال وایبی زمانی اتفاق میافتد که برنامهنویسان بهجای صرف زمان برای طراحی و آزمایش واقعی یک سیستم، از هوش مصنوعی میخواهند سریع چیزی تحویل دهد؛ نرمافزاری که در نهایت دوام نخواهد آورد. این مشکل آنقدر جدی شده که «گیتهاب» (GitHub)، بزرگترین مخزن کد متنباز جهان، سیاستها و قابلیتهای تازهای برای مقابله با آن ایجاد کرده است.
ماریو زشنر (Mario Zechner)، خالق «پی» (Pi)، موتور عاملمحور داخل اوپنکلا، میگوید: «زیرساختها در حال فروپاشیاند و نرمافزارها نسبت به گذشته بسیار باگدارتر شدهاند. شاید چند ماه یا حتی چند سال دیگر بتوانیم این بازی را ادامه دهیم، اما بالاخره این وضعیت به ما ضربه میزند.»
زشنر و شریکش، آرمین روناشر (Armin Ronacher)، نمیگویند هوش مصنوعی بیفایده است. هر دو در پروژههای خود از آن برای انجام کارهای تکراری استفاده میکنند و حتی آنقدر به این فناوری باور دارند که ابزاری ساختهاند که حالا میلیونها نفر از آن استفاده میکنند.
اما پیام اصلی آنها این است: قرار بود این سیستمها بهرهوری مهندسان ارشد را آنقدر بالا ببرند که شرکتها بتوانند نیروهای جونیور را اخراج کنند، اما در عمل بسیاری از شرکتها بهرهوری کوتاهمدت را با بحرانهای بلندمدت معاوضه کردهاند. نتیجه فقط خشک شدن مسیر تربیت نیروی تازهکار نیست؛ بلکه نرمافزارهای پر از باگ، قطعی سرویسها، آسیبپذیریهای امنیتی و انباشت بدهی فنی هم از پیامدهای آن است.
انسانها بیرون از حلقه تصمیمگیری
این دو برنامهنویس مستقل که وابستگی مستقیمی به غولهای فناوری ندارند، حالا در میانه بحثی ایستادهاند که کل دنیای نرمافزار را درگیر کرده؛ درست در زمانی که دو غول بزرگ، یعنی OpenAI و Anthropic، خود را برای عرضه اولیه سهام آماده میکنند.
حامیان هوش مصنوعی میگویند این فناوری میتواند مدیریت دههها کد قدیمی شرکتها را متحول کند و در برخی موارد هم واقعاً چنین شده است. حتی توسعهدهندگانی که حاضر نیستند هوش مصنوعی را وارد هسته اصلی نرمافزارهای شرکتشان کنند، از آن برای ساخت تستهای نرمافزاری یا نمونههای اولیه استفاده میکنند. بسیاری از آزمایشگاههای بزرگ هوش مصنوعی نیز معتقدند خودِ هوش مصنوعی میتواند کد تولیدشده توسط AI را بررسی و اصلاح کند، بدون آنکه انسان مجبور باشد تکتک خطوط را بخواند.
روهان وارما (Rohan Varma)، مدیر تیم ابزار برنامهنویسی «کودکس» (Codex) در OpenAI، میگوید: «اگر فرض کنید همهچیز از همان ابتدا بدون مشکل کار میکند، احتمالاً اشتباه میکنید.»
به گفته او، مهندسان اکنون میتوانند از خود «کودکس» برای بررسی کدهای تولیدشده استفاده کنند. این سیستم میتواند مانند یک انسان وبسایتها را آزمایش کند، بررسی کند که آیا کدنویسی مطابق استانداردهای داخلی شرکت انجام شده یا نه و حتی مشکلات امنیتی را شناسایی کند.
با این حال، حتی در خود OpenAI هم زمانی که زیرساختهای حیاتی برای میلیونها نفر در میان باشد، در نهایت این مهندسان انسانی هستند که مسئول بازبینی کدها و پاسخگوی موفقیت یا شکست سیستمها محسوب میشوند.
محدودیتهای کدنویسی با هوش مصنوعی
ساندار پیچای (Sundar Pichai)، مدیرعامل Alphabet، اخیراً گفته ۷۵ درصد تمام کدهای جدید گوگل توسط هوش مصنوعی تولید میشود؛ عددی که پاییز گذشته ۵۰ درصد بود. یک سال پیش هم مارک زاکربرگ (Mark Zuckerberg)، مدیرعامل Meta، پیشبینی کرده بود که پیش از پایان ۲۰۲۶، هوش مصنوعی بیشتر کدنویسی و بازبینی کدهای تیم توسعه داخلی AI این شرکت را انجام خواهد داد.
این اظهارات در تضاد کامل با هشدارهای منتقدان بهنظر میرسد، اما زشنر میگوید این فقط نشاندهنده سردرگمی درباره توانایی واقعی عاملهای هوش مصنوعی است.
به گفته او، ابزارهای کدنویسی مبتنی بر AI در تولید کد جدید عملکرد بهتری دارند تا در تحلیل و ارتقای نرمافزارهای موجود؛ بهویژه حجم عظیم کدهایی که در شرکتهای بزرگ وجود دارد.
استارتاپهایی که محصولات خود را با کدنویسی وایبی میسازند، میتوانند خیلی سریع برنامههای جدید تولید کنند. اما زمانی که سیستمهایشان به سطحی از پیچیدگی و مقیاس برسد، دقیقاً با همان مشکلی روبهرو میشوند که شرکتهای بزرگ مدتهاست با آن دستوپنجه نرم میکنند: عاملهای هوش مصنوعی در این مرحله کارایی محدودی دارند.
انتقاد مستقیم به Claude Code
شرکت Anthropic و ابزار «کلود کد» (Claude Code) نمونهای از همین تنشها هستند.
زشنر از این شرکت بهدلیل استفاده داخلی از ابزار خودش تمجید میکند، اما خودش علاقهای به آن ندارد. او میگوید: «کلود کد یکی از خرابترین نرمافزارهایی است که در تمام عمرم استفاده کردهام.»
او به مشکلاتی مثل پرش و لرزش گرافیکی صفحه، تورم بیپایان قابلیتها و مصرف شدید حافظه اشاره میکند و معتقد است این مشکلات نتیجه استفاده بیشازحد از هوش مصنوعی در فرایند توسعه آن است.
کاترین وو (Catherine Wu)، مدیر محصول Claude Code در Anthropic، در پاسخ میگوید لرزشهای بصری نتیجه سرعت بالای توسعه محصول و تمرکز روی عرضه قابلیتهای جدید بوده است. به گفته او، میزان استفاده کاربران از Claude Code در یک سال گذشته از روزی ۲۰ دقیقه به هفتهای ۲۰ ساعت رسیده و بسیاری از مشکلات گرافیکی هم اکنون برطرف شدهاند.
وو میگوید ابزارهای AI به مهندسان جونیور اجازه میدهند مسئولیت بیشتری برعهده بگیرند؛ از ایدهپردازی تا تحویل محصول به مشتری. با این حال، او هم تأکید میکند: «در نهایت مسئولیت اصلی همچنان با انسان است.»
تیموتی بی. لی (Timothy B. Lee)، دانشمند علوم کامپیوتر و نویسنده خبرنامه Understanding AI، میگوید رویکرد مبتنی بر AI شاید برای Anthropic جواب دهد، چون این شرکت بهترین مهندسان AI جهان را در اختیار دارد، اما لزوماً برای مشتریانش کار نخواهد کرد. او توضیح میدهد بسیاری از شرکتها برای مدیریت سیستمهای داخلی خود وابسته به دانشی هستند که برنامهنویسان طی سالها بهصورت ضمنی کسب کردهاند؛ دانشی که در دادههای آموزشی مدلهای هوش مصنوعی وجود ندارد.
به گفته او: «این مدلها خیلی راحت ممکن است به مسیر اشتباه بروند و باید کسی باشد که متوجه این انحراف شود.»
زمانی که صورتحساب میرسد
زشنر معتقد است زمان حسابکشی نزدیک است. او فکر میکند شرکتهای بزرگ خیلی زود متوجه میشوند که تمرکز افراطی بر کدهای تولیدشده با هوش مصنوعی، هزینهها را بالا برده و کیفیت نرمافزارها را پایین آورده است. او همچنین پیشبینی میکند بسیاری از استارتاپهایی که فقط بر کدنویسی وایبی تکیه کردهاند، در نهایت شکست خواهند خورد.
به باور او، مخازن ابری ابزارهای نرمافزاری مثل GitHub هم روزبهروز بیشتر از زبالههای کدنویسی تولیدشده با AI پر خواهند شد.
زشنر میگوید درست چند دقیقه پیش از شروع مصاحبه ویدئویی، مجبور شده یک برنامهنویس واقعی را از مشارکت در یکی از مخازن کدش در گیتهاب محروم کند، چون عامل هوش مصنوعی آن برنامهنویس بدون اطلاع او مدام گزارشهای خطای جعلی ثبت میکرده است.
او در پایان، در حالی که سرش را تکان میداد، گفت: «واقعاً داریم چهکار میکنیم؟»
منبع
