OpenAI โมเดลในเก่าภาษาโปรแกรมเข้ารหัสและการย้ายข้อมูลมีความแม่นยำถึง 97.9%

OpenAI ได้พัฒนาความสามารถของโมเดลในการเขียนซอฟต์แวร์ในภาษาโปรแกรมเก่าและการย้ายโค้ดที่มีอยู่ให้ดีขึ้นอย่างมาก ผลลัพธ์ล่าสุดแสดงให้เห็นว่าในการทดสอบที่มุ่งเน้นการย้ายโปรแกรมเก่า ความแม่นยำสูงถึง 97.9% การปรับปรุงเหล่านี้อาจช่วยให้ธุรกิจสามารถปรับปรุงซอฟต์แวร์ที่สำคัญต่อการดำเนินงานประจำวันได้ ธนาคารและสถาบันการเงินยังคงพึ่งพาโค้ดที่มีอายุนับสิบปี ทำให้ความเสี่ยงในการเปลี่ยนแปลงสูง เนื่องจากนักพัฒนาต้องรักษากฎการคำนวณและธุรกิจที่มีอยู่ การจัดการโค้ด COBOL ที่เป็นมรดกยังคงมีรากฐานลึกในโครงสร้างพื้นฐานทางการเงิน

IBM ประเมินว่า COBOL สนับสนุนระบบธนาคารออนไลน์มากกว่า 40% การทำธุรกรรมบัตรเครดิตแบบพบหน้ามากกว่า 80% และการทำธุรกรรมตู้เอทีเอ็มมากกว่า 95% Fortran ยังคงมีความสำคัญในงานคำนวณทางวิทยาศาสตร์ รวมถึงการพยากรณ์อากาศและการวิเคราะห์ความปลอดภัยของเตาปฏิกรณ์นิวเคลียร์ สองภาษานี้มีวัสดุการฝึกอบรมที่น้อยกว่าภาษาที่ได้รับความนิยมเช่น Python และ JavaScript

ความท้าทายของภาษาโปรแกรมเก่า

OpenAI ระบุว่านักพัฒนาและลูกค้าองค์กรรายงานว่ามีความยากลำบากในการเขียนโค้ดด้วยภาษาเก่า เอกสารอาจไม่สมบูรณ์ และกฎธุรกิจที่สำคัญอาจมีอยู่เพียงในโค้ดต้นฉบับ ซึ่งอาจสร้างปัญหาในกระบวนการย้าย โปรแกรมที่เขียนใหม่อาจทำงานได้อย่างถูกต้อง แต่ผลลัพธ์อาจแตกต่างกัน ตัวอย่างเช่น COBOL อาจทิ้งจุดทศนิยมที่เกินออกไป เว้นแต่โปรแกรมจะร้องขอให้ปัดเศษอย่างชัดเจน การเปลี่ยนแปลงพฤติกรรมนี้อาจส่งผลต่อการคำนวณทางการเงิน การประเมินการย้าย COBOL ของ OpenAI ทดสอบว่าโมเดลสามารถแปลงโปรแกรมที่มีอยู่เป็น C++, Java, Kotlin, Python หรือ Rust โดยไม่เปลี่ยนแปลงพฤติกรรมได้หรือไม่

GPT-6.1 Sol มีความแม่นยำ 86.6% ในระดับความยากในการให้เหตุผลต่ำ ขณะที่ GPT-5.6 Sol มีเพียง 5.4% OpenAI ยังรายงานว่าค่าใช้จ่าย API ลดลง 39% ในการตั้งค่านี้ ในระดับความยากในการให้เหตุผลที่สูงขึ้น GPT-6.1 Sol มีความแม่นยำ 97.9% การประเมินนี้ต้องการให้โปรแกรมที่แปลงผ่านการทดสอบที่ซ่อนอยู่ทุกครั้ง รวมถึงการตรวจสอบผลลัพธ์ที่สังเกตได้กับโปรแกรมต้นฉบับ ตัวเลขนี้สะท้อนถึงประสิทธิภาพของชุดทดสอบของ OpenAI ไม่ใช่การรับประกันว่าการย้ายจะไม่มีข้อผิดพลาด

นักพัฒนายังคงต้องทำการตรวจสอบตามภาระงานจริงและการพึ่งพาที่ไม่ได้บันทึก

ผลการทดสอบหลายภาษา

OpenAI ยังได้ทดสอบโมเดลของตนใน MultiLangBench ซึ่งเป็นการทดสอบที่วัดความสามารถในการสร้างเอนจินฐานข้อมูลที่เข้ากันได้กับ SQLite ใน 20 ภาษาโปรแกรม อัตราการผ่านเฉลี่ยของ GPT-6 Astra สูงถึง 87.4% ในขณะที่ GPT-5.6 Sol มีเพียง 26.8% Astra มีการปรับปรุงในแต่ละภาษาที่ทดสอบ คะแนน Fortran ของมันเพิ่มขึ้นจาก 21.4% เป็น 83.5% ขณะที่ Visual Basic เพิ่มขึ้นจาก 27.5% เป็น 89.4%

แม้ว่า COBOL จะยังคงเป็นภาษาที่ท้าทายที่สุด แต่คะแนนของ Astra เพิ่มขึ้นจาก 10.9% เป็น 72.1% อัตราการผ่านเฉลี่ยของ GPT-6 Luna ต่ำกว่าอยู่ที่ 40.3% แต่ต้นทุนต่อแต่ละตัวอย่างต่ำกว่า GPT-5.6 Sol ที่ 78% OpenAI ประเมินค่าใช้จ่าย API ที่ US$0.77 (ประมาณ HK$6) และ US$3.48 (ประมาณ HK$27) การค้นพบเหล่านี้แสดงให้เห็นถึงการสนับสนุนที่แข็งแกร่งในการบำรุงรักษาซอฟต์แวร์ที่เก่าแก่ อย่างไรก็ตามนักพัฒนายังคงต้องมั่นใจว่าระบบที่ทันสมัยยังคงรักษาพฤติกรรมที่ธุรกิจพึ่งพาอยู่

การทดสอบมาตรฐานยังแสดงให้เห็นว่ามีพื้นที่ที่ต้องปรับปรุงเพิ่มเติม คะแนนของ Astra มีความแตกต่างกันอย่างมีนัยสำคัญระหว่างภาษา ขณะที่ COBOL ยังคงเป็นความท้าทายที่ใหญ่ที่สุด ในขณะเดียวกัน ต้นทุนที่ต่ำกว่าของ Luna อาจช่วยให้ทีมวิศวกรรมสามารถทดลองได้มากขึ้นโดยไม่ต้องเพิ่มงบประมาณอย่างมาก ผลลัพธ์เหล่านี้ให้หลักฐานที่สร้างแรงบันดาลใจเกี่ยวกับความก้าวหน้า แต่ทีมจำเป็นต้องตรวจสอบการปรับใช้ในผลิตภัณฑ์อย่างรอบคอบก่อนที่จะเชื่อมั่นในการย้ายซอฟต์แวร์ที่ใช้ในปฏิบัติการที่สำคัญ

ผลกระทบของโมเดล OpenAI ต่อระบบเก่า

OpenAI ได้ก้าวหน้าอย่างมีนัยสำคัญในความสามารถในการเข้ารหัสและการย้ายในภาษาโปรแกรมเก่า โดยเฉพาะในอุตสาหกรรมการเงินที่หลายระบบยังคงพึ่งพาโค้ดที่มีอายุนับสิบปี ขณะที่ธุรกิจมองหาการปรับปรุงการดำเนินงาน การพัฒนาเทคโนโลยีเหล่านี้สามารถลดความเสี่ยงในการเปลี่ยนแปลงได้อย่างมีประสิทธิภาพและรับประกันว่ากฎธุรกิจจะถูกเก็บรักษาไว้ อย่างไรก็ตามนักพัฒนายังคงต้องเผชิญกับความท้าทายในการขาดเอกสารและตรรกะทางธุรกิจ ซึ่งอาจส่งผลต่อความแม่นยำในการย้าย ผลลัพธ์การทดสอบของ OpenAI แสดงให้เห็นว่าแม้จะมีความก้าวหน้า แต่ยังต้องมีการตรวจสอบเพิ่มเติมเพื่อให้แน่ใจว่าระบบใหม่มีความน่าเชื่อถือ ซึ่งเป็นสิ่งสำคัญต่อการดำเนินงานทางธุรกิจที่สำคัญ