مدل‌های GPT-6 شرکت OpenAI اکنون می‌توانند کدهای بانکی ۶۰ساله را بازنویسی کنند

اجرای سامانه‌های حیاتی مالی با کدهایی که چند دهه پیش نوشته شده‌اند، همواره برای مهندسان امروزی دردسرساز بوده است. شرکت OpenAI اعلام کرده است که جدیدترین مدل‌های GPT-6 این شرکت در خواندن، به‌روزرسانی و تبدیل زبان‌های برنامه‌نویسی قدیمی مانند COBOL و Fortran عملکرد بسیار بهتری دارند. این پیشرفت می‌تواند به بانک‌ها و ارائه‌دهندگان زیرساخت کمک کند تا نرم‌افزارهای قدیمی خود را آسان‌تر و با خطر کمتر از کار افتادن سامانه‌ها نوسازی کنند.

وابستگی پنهان به کدهای قدیمی

زبان‌هایی مانند COBOL، Fortran و Visual Basic با وجود نقش گسترده و حیاتی در دنیای واقعی، مستندات بسیار محدودی دارند که مدل‌های هوش مصنوعی بتوانند از آن‌ها برای یادگیری استفاده کنند. بر اساس جزئیاتی که در اطلاعیه OpenAI منتشر شده و وب‌سایت BleepingComputer نیز آن را گزارش کرده است، COBOL همچنان زیربنای ۴۰ درصد از سامانه‌های بانکداری آنلاین و ۹۵ درصد از تراکنش‌های خودپردازها در سراسر جهان است. در همین حال، Fortran محاسبات پیچیده مورد استفاده در مدل‌های پیش‌بینی آب‌وهوا و بررسی ایمنی راکتورهای هسته‌ای را انجام می‌دهد.

اثبات پیشرفت با معیار MultiLangBench

OpenAI برای ارزیابی توانایی مدل‌های جدید در کار با کدهای کمترشناخته‌شده، معیار آزمایشی‌ای به نام MultiLangBench طراحی کرده است. در این آزمون، از هوش مصنوعی خواسته می‌شود یک موتور پایگاه داده را از ابتدا و با استفاده از هر یک از ۲۰ زبان برنامه‌نویسی بسازد. مدل GPT-6 Astra در این آزمون به میانگین نرخ موفقیت ۸۷٫۴ درصد دست یافت؛ رقمی که در مقایسه با ۲۶٫۸ درصد در نسل قبلی، افزایش قابل‌توجهی را نشان می‌دهد. نتایج برخی زبان‌ها نیز به‌شدت بهبود یافته است: امتیاز COBOL از ۱۰٫۹ درصد به ۷۲٫۱ درصد رسید و امتیاز Fortran به ۸۳٫۵ درصد افزایش یافت.

جهش دقت در تبدیل COBOL؛ اما بررسی انسانی همچنان ضروری است

هنگام تبدیل برنامه‌های قدیمی به زبان‌های مدرن مانند Python، Java، C++، Kotlin و Rust، پیشرفت مدل‌ها حتی آشکارتر می‌شود. آزمایش‌ها نشان دادند که GPT-6.1 Sol با تنظیم سطح استدلال روی حالت پایین، به دقت ۸۶٫۶ درصد در تبدیل کدها دست یافته است. برای مقایسه، مدل قدیمی‌تر GPT-5.6 Sol تنها دقت ۵٫۴ درصدی داشت. افزایش سطح استدلال مدل، دقت تبدیل را به ۹۷٫۹ درصد رساند و در عین حال، قواعد ظریفی مانند نحوه گرد کردن اعداد و شیوه مدیریت داده‌های مفقود را حفظ کرد.

با وجود این نتایج چشمگیر، OpenAI تأکید کرده است که شرکت‌ها نمی‌توانند کل فرایند را به‌طور خودکار انجام دهند و بدون بررسی بیشتر به کار خود ادامه دهند. نوسازی زیرساخت‌های اصلی بانکداری همچنان مستلزم آن است که مهندسان نرم‌افزار باتجربه، پیش از استقرار کدها، تک‌تک خطوط آن‌ها را بررسی و آزمایش کنند. بااین‌حال، استفاده از ابزار هوش مصنوعی برای انجام بخش عمده کار می‌تواند میلیون‌ها دلار در هزینه شرکت‌ها صرفه‌جویی کند و سال‌ها کار طاقت‌فرسا را کاهش دهد.