Canonical تموّل بحثًا في الذكاء الاصطناعي لترجمة قواعد كود C الكبيرة إلى Rust
تشارك Canonical في تمويل بحث يختبر ما إذا كانت نماذج اللغة الكبيرة (LLMs) قادرة على ترجمة برامج C كبيرة إلى Rust آمن وصحيح وقابل للصيانة.
#
النقاط الرئيسية
- تشارك Canonical في تمويل مشروع دكتوراه لمدة ثلاث سنوات مع جامعة بريستول.
- يختبر البحث ما إذا كان يمكن تفكيك البرامج الكبيرة المكتوبة بـ C وترجمتها بواسطة نماذج اللغة الكبيرة.
- الهدف النهائي هو Rust آمن وصحيح سلوكيًا وقابل للصيانة.
- العمل يركز على الأدلة، وليس على إعلان إعادة كتابة جاهزة للإنتاج.
- ذُكر snap-confine وAppArmor كدراسات حالة محتملة.
ما الذي يحاول البحث إثباته
تشارك Canonical في تمويل مشروع دكتوراه لمدة ثلاث سنوات في جامعة بريستول. سيختبر المشروع ما إذا كان يمكن تقسيم البرامج الكبيرة المكتوبة بـ C إلى أجزاء وترجمتها بواسطة نماذج اللغة الكبيرة إلى Rust. والهدف المعلن ليس الترجمة فقط، بل الوصول إلى Rust آمن وصحيح سلوكيًا وقابل للصيانة.
هذا مهم لأن المصدر يقدّم العمل على أنه بحث، لا نشرًا أو تطبيقًا مباشرًا. هذا التمييز أساسي، لأنه يعني أن المشروع يحاول بناء أدلة قبل أن يعتبر أي شخص هذا النهج جاهزًا للاستخدام في الإنتاج.
لماذا يُعد المشروع لافتًا
يصف النص حالة استخدام محددة للذكاء الاصطناعي. الأمر لا يتعلق بتوليد ميزات جديدة أو كتابة مقاطع صغيرة من الشيفرة، بل بتحديث قواعد كود كبيرة. وهذا يجعل الدقة وقابلية الصيانة من القضايا المحورية.
كما يذكر البحث snap-confine وAppArmor كدراسات حالة محتملة. ولا يقول المصدر إن هذين المثالين سيُستخدمان بالتأكيد، بل يذكر فقط أنهما أمثلة محتملة. وهذا يجعل المشروع ملموسًا من دون الادعاء بنتيجة نهائية.
ما الذي تعنيه «آمن» و«صحيح سلوكيًا»
يستخدم المصدر لغة حذرة. فهو لا يعد بأن نماذج اللغة الكبيرة ستستبدل المراجعة البشرية. ولا يدّعي أن الشيفرة المترجمة ستكون آمنة تلقائيًا أو جاهزة للإنتاج. بل يضع معيارًا أعلى: يجب أن يحافظ الناتج على السلوك وأن يظل قابلًا للصيانة.
هذا الإطار يوحي بنموذج تقييم عملي. ينبغي التحقق من الشيفرة المولدة مقارنة بسلوك البرنامج الأصلي، كما يجب الحكم عليها من حيث قدرة البشر على صيانتها لاحقًا. هذه اعتبارات تشغيلية، وليست ادعاءات تسويقية.
لماذا يُعد هذا إشارة إلى تحديث البرمجيات بالذكاء الاصطناعي
يُظهر المشروع كيف يمكن دراسة الذكاء الاصطناعي كأداة لتحديث البرمجيات. التركيز هنا على تفكيك الأنظمة الكبيرة وترجمتها بعناية، وهو أمر مختلف عن استخدام الذكاء الاصطناعي لتوليد الشيفرة بسرعة.
المصدر لا يقول إن هذا النهج سينجح، بل يقول إن البحث سيختبر ما إذا كان يمكن أن ينجح. وهذه حدود مهمة. ينبغي للقراء أن يتعاملوا مع المشروع بوصفه جهدًا لبناء الأدلة، لا توصية بإعادة كتابة الشيفرة تلقائيًا.
المخاطر واعتبارات الحوكمة
الخطر الرئيسي في المصدر مستفاد من أهداف البحث نفسها. فإذا لم تكن الشيفرة المترجمة صحيحة سلوكيًا، فقد تنحرف النتيجة عن النظام الأصلي. وإذا لم تكن قابلة للصيانة، فقد تصبح التغييرات المستقبلية أصعب لا أسهل.
لذلك يشير المشروع إلى الحاجة إلى حوكمة حول التحقق. يجب تقييم أي جهد لتحديث البرمجيات بمساعدة الذكاء الاصطناعي بعناية. ويدعم المصدر هذا الاستنتاج لأنه يضع السلامة والدقة وقابلية الصيانة في المقدمة.
الصلة بالمغرب
لا يورد المصدر أي حقائق خاصة بالمغرب. وبالنسبة للقراء في المغرب، فالدرس العالمي مشروط: إذا فكرت في تحديث الشيفرة بمساعدة الذكاء الاصطناعي، فتحقق من السلوك وقابلية الصيانة قبل الوثوق بالشيفرة المولدة.
الخلاصة
تمويل Canonical يدعم مشروعًا بحثيًا، لا إطلاق منتج. ويطرح العمل سؤالًا ضيقًا لكنه مهم: هل يمكن لنماذج اللغة الكبيرة أن تساعد في ترجمة قواعد كود C الكبيرة إلى Rust من دون فقدان الأمان أو السلوك؟
وهذا يجعل المشروع إشارة مفيدة. فهو يوضح إلى أين يتجه العمل البرمجي بمساعدة الذكاء الاصطناعي، كما يوضح أين تبقى الحاجة إلى الحذر. والاختبار الحقيقي ليس ما إذا كان يمكن توليد الشيفرة، بل ما إذا كانت النتيجة تظل صحيحة وآمنة وقابلة للصيانة.
تابعونا على Google
أضفوا Intelligence Artificielle Maroc إلى مصادركم المفضلة لرؤية المزيد من أخبارنا ذات الصلة في بحث Google.
ما الذي ترغب في بنائه؟
نحن نبني منصات ذكاء اصطناعي مخصصة ومنتجات SaaS وتطبيقات أعمال ذكية وأنظمة أتمتة.
هذا النموذج مخصص لطلبات المشاريع وليس للأسئلة العامة حول الذكاء الاصطناعي.
