نرم‌افزار درون‌یاب در برابر نرم‌افزار نو
هوش مصنوعیخلاصهٔ کامل‌تر
بن کانگدان تو این پست یه ایده رو توضیح می‌ده که می‌گه تقریباً هر روز بهش اشاره می‌کنه: نرم‌افزار در ۲۰۲۶ روی یه طیف بین interpolative (درون‌یاب) و novel (نو) قرار می‌گیره. به گفتهٔ نویسنده بیشتر هیجان دربارهٔ کدنویسی با AI از اینجا میاد که بخش بزرگی از نرم‌افزارها درون‌یاب هستن، و به نظرش Opus 5.5 تو تولید این نوع کد در حد فوق‌انسانی خوبه.
نرم‌افزار درون‌یاب یعنی کدی که کاملاً داخل داده‌های آموزشی مدل‌ها جا می‌گیره. یا مدل مستقیم روی نمونه‌هاش آموزش دیده (مثل «یه todo app بساز» یا کار با React)، یا اون‌قدر شبیه نرم‌افزارهای موجوده که مدل می‌تونه بین نمونه‌هایی که دیده پل بزنه. معیار نویسنده ساده‌ست: برای گرفتن چیزی که می‌خوای، چند بیت اطلاعات باید توی پرامپت بذاری؟ اگه کم باشه، درون‌یابه. issue tracker، فرم وب، pipeline آموزش، سیستم CI و workflow engine همه این‌طورین.
نکتهٔ مهم اینه که این معیار به توزیع داده‌های آموزشی مدل‌ها بستگی داره، نه به پیچیدگی واقعی نرم‌افزار. مثلاً «یه memory allocator بساز» پرامپت کوتاهیه ولی خروجیش پیچیده‌ست.
سمت دیگه، نرم‌افزار نو هست: چیزی که قبلاً وجود نداشته، چون یا اجزاش توی داده‌های آموزشی نیستن یا جوری ترکیب شدن که شهود مدل کافی نیست. نویسنده می‌گه کار با agentها روی این نوع کد مثل «جنگیدن سربالایی» می‌مونه. تو محل کارش یه سیستم توزیع‌شدهٔ بزرگ با نیازهای خاص رو بازسازی کردن. با اینکه پر از agent و توکن بوده، هنوز هدایت دقیق انسانی لازم داشته. در مقابل، خودش با چند پرامپت بخش‌های بزرگی از Anki و Linear رو برای استفادهٔ شخصی بازسازی کرده.
به گفتهٔ نویسنده مرز درون‌یاب با گسترش محیط‌های RL مدام جلوتر می‌ره و معیارهایی مثل time horizon در METR تقریباً همین رو می‌سنجن. قبل از AI هم بخش زیادی از کار مهندس‌ها کنار هم چیدن الگوهای آشنا بوده و موفقیت Open Source در دههٔ ۲۰۱۰ رو نشونهٔ همین می‌دونه.
نتیجه‌گیریش اینه که درون‌یاب بودن ارزش‌گذاری نیست. باید تلاش کنی بخش بیشتری از مسئله رو به محدودهٔ درون‌یاب ببری، چون اون بخش‌ها با توکن کافی حل می‌شن. یعنی کار مهندس امروز اینه که اطلاعات لازم رو اضافه کنه تا مسئلهٔ نو به مسئلهٔ درون‌یاب تبدیل بشه و بیشترین کار پیاده‌سازی به agentها سپرده بشه.
نکات کلیدی:
- معیار درون‌یاب بودن: تعداد بیت‌های اطلاعاتی که باید توی پرامپت بذاری.
- درون‌یاب بودن به داده‌های آموزشی مدل بستگی داره، نه به پیچیدگی کد.
- نویسنده Anki و Linear رو فقط با چند پرامپت بازسازی کرده.
- یه سیستم توزیع‌شدهٔ خاص، با وجود استفادهٔ سنگین از agent، هنوز هدایت انسانی زیادی لازم داشته.
- با متنوع‌تر شدن محیط‌های RL، محدودهٔ نرم‌افزار درون‌یاب بزرگ‌تر میشه.
