رایانش علمی در عصر AI عامل محور

رایانش علمی یکی از ارکان اصلی پژوهش مدرن در دانشگاه و صنعت است. بااین‌حال، نرم‌افزارهای لازم برای تحلیل اطلاعات علمی نتوانسته‌اند با سرعت بالای تولید داده همگام شوند. بسیاری از ابزارهای پژوهشی پرکاربرد ابتدا به‌صورت کدی همراه یک مقاله علمی شکل گرفتند و تیم‌های دانشگاهی کوچکی آن‌ها را ساختند که تجربه مهندسی محدودی داشتند و زمان اندکی برای بسته‌بندی، آزمایش، بهینه‌سازی یا پشتیبانی بلندمدت در اختیارشان بود. نتیجه، زیرساخت علمی‌ای است که اغلب به گردش‌های کاری کند و شکننده‌ای وابسته است که نگهداری مداوم می‌طلبند. این محدودیت‌ها سرعت اکتشاف را کاهش می‌دهند.

عامل‌های AI در حال تغییر این وضعیت هستند. آن‌ها با کاهش هزینه کار مهندسی و برعهده‌گرفتن وظایف ملال‌آور پیاده‌سازی می‌توانند به پژوهشگران کمک کنند ایده‌ها را سریع‌تر نمونه‌سازی کنند، پروژه‌هایی را پیش ببرند که پیش‌تر عملی نبودند و نگهداری بلندمدت نرم‌افزار را آسان‌تر کنند. در نتیجه، نرم‌افزار علمی کارآمدتر و بهتر نگهداری می‌شود و پژوهشگران فرصت بیشتری برای اکتشاف پیدا می‌کنند.

گزارشی میدانی و اکتشافی از هشت پروژه رایانش علمی با کمک عامل‌ها، عمدتاً در علوم زیستی، منتشر می‌کنیم؛ پنج پروژه فقط با Codex و سه پروژه با ترکیبی از Codex و Claude Code انجام شده‌اند. این گزارش، مطالعات موردی نوشته‌شده به‌دست تیم‌های هر پروژه را گرد هم می‌آورد و مضامین تکرارشونده را شناسایی می‌کند. این پروژه‌ها از نگهداری روزمره و بهینه‌سازی هدفمند تا مهاجرت گسترده زبان و بازطراحی بومی GPU را در بر می‌گیرند. مشارکت‌کنندگان گزارش می‌دهند که عامل‌ها توسعه و نگهداری نرم‌افزار را به‌شکل چشمگیری شتاب داده‌اند و در برخی موارد به تیم‌های کوچک کمک کرده‌اند کارهایی را انجام دهند که در غیر این صورت به زمان بسیار بیشتر یا پشتیبانی مهندسی تخصصی نیاز داشت. اما آن‌ها بر چالش پایدار تعیین مسئولیت و متولی‌گری روشن و بلندمدت برای ابزارهای حاصل نیز تأکید می‌کنند.

مشارکت‌کنندگان همگی از تغییر نقش پژوهشگران از پیاده‌سازی به راستی‌آزمایی و هماهنگ‌سازی سخن می‌گویند: مشخص‌کردن آنچه باید ساخته شود، تعریف شیوه سنجش صحت و تصمیم‌گیری درباره زمان آماده‌بودن پروژه برای انتشار. در این الگوی نوظهور، جهت‌گیری علمی و معیار کیفیت همچنان در اختیار پژوهشگران است، اما کمک عامل‌محور سرعت کار را افزایش می‌دهد.

با اینکه دامنه پروژه‌ها بسیار متفاوت بود، همگی نشان دادند عامل‌های کدنویسی باعث شده‌اند نیروی مهندسی و تخصص کمتر مانع رایانش علمی باشند. اکنون گلوگاه اصلی، اعتبارسنجی خروجی عامل AI است که همچنان به قضاوت انسان وابسته است.

در همه مطالعات موردی، عامل‌ها درخواست‌های مشخص و محدود را به‌خوبی انجام دادند، اما نتوانستند با اطمینان تشخیص دهند که کارشان از نظر علمی معتبر است یا انتظارات را برآورده می‌کند. در واقع، عامل‌ها حتی وقتی کارشان خطاهای آشکاری داشت نیز اغلب با اطمینان اظهار نظر می‌کردند. بنابراین، ارزیابان انسانی باید راه‌هایی مطمئن برای اعتبارسنجی نتایج پیدا می‌کردند. قوی‌ترین رویکردها از یک مرجع بیرونی یا هدف پذیرش سنجش‌پذیر استفاده کردند؛ مانند تطابق دقیق خروجی، برابری با ابزاری موجود، رفتار آماری مناسب یا پاسخ‌هایی که از پیش با داده‌های شبیه‌سازی‌شده تعیین شده بودند.

موضوع تکرارشونده دیگر این بود که پروژه‌ها عموماً به‌جای رویکردهای بدون نمونه، مرحله‌به‌مرحله و با تکرارهای مبتنی بر بازخورد پیش می‌رفتند. مشارکت‌کنندگان اهداف کلی را به تغییرات کوچک‌تر تقسیم کردند و سپس با معیارهای میانی و سامانه‌های آزمایشی، کار عامل‌ها را ارزیابی و اصلاح کردند. عامل‌ها اغلب پیاده‌سازی اولیه را سریع انجام می‌دادند، اما حل موارد مرزی و تفاوت‌های عددی ظریف بسیار بیشتر طول می‌کشید. تکمیل «گام نهایی» پیاده‌سازی اغلب بیشترین کار را می‌طلبید.

در مجموع، این مطالعات موردی نشان می‌دهند عامل‌ها به پژوهشگران امکان می‌دهند زمان کمتری صرف پیاده‌سازی و زمان بیشتری صرف هدایت کار علمی کنند. انسان‌ها هدف را تعیین می‌کنند، پروژه‌های پیچیده را به بخش‌های مدیریت‌پذیر تقسیم می‌کنند و درباره اعتبار علمی نتایج داوری می‌کنند. عامل‌ها با کاهش محدودیت‌های دیرینه مهندسی، دامنه آنچه پژوهشگران می‌توانند بسازند گسترش می‌دهند و به آن‌ها فرصت می‌دهند بر مهم‌ترین پرسش‌ها و تصمیم‌های علمی تمرکز کنند.

شکاف نگهداری در نرم‌افزارهای پژوهشی مدت‌هاست سرعت تکرار را کاهش داده و بازتولیدپذیری و قابلیت اطمینان را محدود کرده است. مطالعات منتشرشده درباره «کد پژوهشی⁠(در یک پنجره جدید باز می‌شود)» و ابزارهای اُمیکس⁠(در یک پنجره جدید باز می‌شود) نشان داده‌اند که نرم‌افزارهای منتشرشده اغلب در محیط رایانشی تازه به‌درستی نصب نمی‌شوند یا مطابق مستندات اجرا نمی‌شوند و پژوهشگران ناچارند زمان زیادی صرف پیکربندی و رفع اشکال کنند. حتی بهبودهای روزمره نیز می‌توانند در وقت پژوهشگران صرفه‌جویی و نیازهای رایانشی را کاهش دهند، درحالی‌که بازآرایی و بازنویسی مبتنی بر عملکرد دستاوردهای بزرگ‌تری به همراه دارند.

اما کاهش هزینه پیاده‌سازی، تولید بازنویسی‌های مشابه فراوان را نیز آسان‌تر می‌کند؛ در نتیجه کاربران پراکنده می‌شوند و توجه تخصصی لازم برای قابل‌اعتماد نگه‌داشتن هر ابزار میان گزینه‌های متعدد تقسیم می‌شود. ازاین‌رو، متولی‌گری و انتساب روشن در بلندمدت ضروری است. نرم‌افزار علمی بالغ، عرف‌های مستندنشده، الزامات سازگاری و اعتماد کاربران را در خود دارد؛ ویژگی‌هایی که صرفاً با ترجمه کد منبع بازتولید نمی‌شوند.

این مطالعات موردی چند مسیر احتمالی برای پیشرفت را نشان می‌دهند. تغییرات MHCflurry و cyvcf2 در پروژه‌های بالادستی اصلی آن‌ها ادغام شد، درحالی‌که rustar-aligner به‌دلیل رهاشدن پروژه اصلی، زیر نظر متولیان جدیدی از جامعه قرار گرفت. هرجا هماهنگی با نگهدارندگان فعلی ممکن است، باید در نخستین فرصت آغاز شود. وقتی پیاده‌سازی جداگانه‌ای لازم است، باید مالک مشخص و برنامه نگهداری معتبری داشته باشد. در غیر این صورت، بازنویسی مدرن امروز ممکن است فردا به‌جای زیرساختی علمی و قابل‌اعتماد، به کدی متروک تبدیل شود.

این گزارش میدانی گذشته‌نگر و اکتشافی است، اما مطالعات موردی از تغییری عملی در شیوه توسعه نرم‌افزار علمی حکایت دارند. عامل‌های کدنویسی مانند Codex می‌توانند هزینه نگهداری، مهاجرت، بهینه‌سازی و پیاده‌سازی‌های جدید را به‌شکل چشمگیری کاهش دهند. ارزش علمی بلندمدت آن‌ها همچنان به تصمیم‌های انسانی درباره اینکه چه چیزی ساخته شود، چگونه راستی‌آزمایی شود و چه کسی آن را نگهداری کند وابسته است. تغییر عمیق‌تر صرفاً این نیست که پژوهشگران می‌توانند نرم‌افزار بیشتری تولید کنند؛ بلکه می‌توانند بخش بیشتری از تلاش خود را صرف تعریف، اعتبارسنجی و متولی‌گری ابزارها کنند.

این مطالعات موردی نشان می‌دهند عامل‌ها از هم‌اکنون می‌توانند سرعت تکرار در رایانش علمی را افزایش دهند. با پیشرفت عامل‌های کدنویسی، پژوهشگران می‌توانند زمان کمتری صرف فعال نگه‌داشتن خط لوله‌های تحلیل و زمان بیشتری صرف پیشبرد حوزه خود کنند.