OpenAI تحقق 97.9% دقة في ترميز وتحويل لغات البرمجة القديمة

حققت OpenAI تقدمًا كبيرًا في قدرة نماذجها على كتابة البرمجيات بلغة البرمجة القديمة وتحويل الشفرات الحالية. تظهر أحدث النتائج أن دقة نموذجها في اختبار يهدف إلى تقييم تحويل البرمجيات القديمة قد بلغت 97.9%. قد تساعد هذه التحسينات الشركات في تحديث البرمجيات التي تعتبر ضرورية لعملياتها اليومية. لا تزال البنوك والمؤسسات المالية تعتمد على أكواد تعود لعشرات السنين، مما يجعل عملية الاستبدال محفوفة بالمخاطر، حيث يتعين على المطورين الحفاظ على القواعد الحسابية والتجارية الحالية. لا يزال كود COBOL متجذرًا في البنية التحتية المالية.

تقدر IBM أن COBOL يدعم أكثر من 40% من أنظمة الخدمات المصرفية عبر الإنترنت، و80% من معاملات بطاقات الائتمان وجهًا لوجه، و95% من معاملات أجهزة الصراف الآلي. كما لا يزال Fortran يحتفظ بأهميته في الحسابات العلمية، بما في ذلك توقعات الطقس وتحليل أمان المفاعلات النووية. ومع ذلك، فإن مواد التدريب لهذه اللغات أقل بكثير مقارنةً بالخيارات الشائعة مثل Python وJavaScript.

تحديات لغات البرمجة القديمة

أفادت OpenAI أن المطورين والعملاء من الشركات يواجهون صعوبات عند استخدام هذه اللغات القديمة في الترميز. قد تكون الوثائق غير مكتملة، وقد توجد القواعد التجارية الأساسية فقط في الشفرة الأصلية، مما يسبب مشاكل أثناء عملية التحويل. قد يعمل البرنامج المعاد كتابته بشكل صحيح، ولكن النتائج قد تختلف. على سبيل المثال، قد يتجاهل COBOL الأرقام العشرية الزائدة ما لم يطلب البرنامج صراحةً التقريب. قد يؤثر تغيير هذا السلوك على الحسابات المالية. تختبر تقييمات تحويل COBOL من OpenAI ما إذا كان يمكن للنموذج تحويل البرامج الحالية إلى C++ أو Java أو Kotlin أو Python أو Rust دون تغيير السلوك.

حقق GPT-6.1 Sol دقة 86.6% تحت مستوى منخفض من صعوبة الاستدلال، بينما حقق GPT-5.6 Sol دقة 5.4% فقط. كما أفادت OpenAI أن تكاليف واجهة برمجة التطبيقات انخفضت بنسبة 39% في هذا الإعداد. تحت مستوى أعلى من صعوبة الاستدلال، حقق GPT-6.1 Sol دقة 97.9%. يتطلب التقييم أن تمر البرامج المحولة بكل اختبار مخفي، بما في ذلك مقارنة مخرجاتها القابلة للملاحظة مع البرنامج الأصلي. تعكس هذه الأرقام أداء مجموعة اختبارات OpenAI، وليس ضمانًا لعدم وجود أخطاء في التحويل.

لا يزال يتعين على المطورين التحقق بناءً على أحمال العمل الفعلية والاعتمادات غير الموثقة.

نتائج الاختبارات متعددة اللغات

اختبرت OpenAI أيضًا نماذجها على MultiLangBench، وهو اختبار يقيس قدرتها على بناء محركات قواعد بيانات متوافقة مع SQLite عبر 20 لغة برمجة. بلغ معدل النجاح المتوسط لـ GPT-6 Astra 87.4%، بينما كان معدل GPT-5.6 Sol 26.8% فقط. شهد Astra تحسينات في كل لغة من لغات الاختبار. ارتفع معدل نجاحه في Fortran من 21.4% إلى 83.5%، بينما ارتفع في Visual Basic من 27.5% إلى 89.4%.

على الرغم من أن COBOL لا يزال أكثر اللغات تحديًا، إلا أن معدل نجاح Astra ارتفع من 10.9% إلى 72.1%. كان معدل نجاح GPT-6 Luna أقل، حيث بلغ 40.3%، ولكن تكلفة كل عينة كانت أقل من تكلفة GPT-5.6 Sol بنسبة 78%. تقدر OpenAI تكاليف واجهة برمجة التطبيقات بـ US$0.77 (حوالي HK$6) وUS$3.48 (حوالي HK$27). تظهر هذه الاكتشافات دعمًا أقوى لصيانة البرمجيات القديمة، ومع ذلك، لا يزال يتعين على المطورين التأكد من أن الأنظمة الحديثة تحتفظ بالسلوك الذي تعتمد عليه الشركات.

تظهر اختبارات المعايير أيضًا أن هناك حاجة لمزيد من التحسينات. تختلف نتائج Astra بشكل كبير بين اللغات، ولا يزال COBOL يمثل أكبر التحديات. في الوقت نفسه، قد تسمح التكلفة المنخفضة لـ Luna لفرق الهندسة بإجراء المزيد من التجارب دون زيادة كبيرة في الميزانية. تقدم هذه النتائج دليلًا مشجعًا على التقدم، ولكن يتعين على الفرق التحقق بعناية من النشر الإنتاجي قبل الوثوق في استخدام البرمجيات المحولة في العمليات الحيوية.

تأثير نماذج OpenAI على الأنظمة القديمة

حققت OpenAI تقدمًا ملحوظًا في قدراتها على الترميز والتحويل بلغة البرمجة القديمة، خاصة في القطاع المالي، حيث لا تزال العديد من الأنظمة تعتمد على أكواد تعود لعشرات السنين. مع سعي الشركات لتحديث عملياتها، يمكن لهذه التحسينات التقنية أن تقلل بشكل فعال من مخاطر الاستبدال وتضمن الحفاظ على القواعد التجارية. ومع ذلك، لا يزال يتعين على المطورين مواجهة تحديات نقص الوثائق والمنطق التجاري، مما قد يؤثر على دقة التحويل. تظهر نتائج اختبارات OpenAI أنه على الرغم من التقدم، لا يزال هناك حاجة لمزيد من التحقق لضمان موثوقية الأنظمة الجديدة، وهو أمر بالغ الأهمية للعمليات التجارية الحيوية.