تظهر G5 Labs من التخفي بتمويل قدره $14M لجعل اللغة الطبيعية هي شفرة المصدر الجديدة

G5 Labs، شركة ناشئة من معمل علوم الحاسوب في MIT وArtificial Intelligence Laboratory (CSAIL)، ظهرت من التخفي بتمويل أولي قدره $14 مليون في تمويل البذور وطرح أطروحة طموحة: قد لا يبدو لغة البرمجة الرئيسية القادمة كلغة برمجة على الإطلاق.

تعمل الشركة الناشئة التي تتخذ من بوسطن مقراً لها على تطوير طبقة تجريد لتطوير البرمجيات الأصلية للذكاء الاصطناعي حيث تُنظم أوصاف اللغة الطبيعية لما يجب أن تفعله البرمجيات في رسم بياني رسمي للنية، أو أونتولوجيا، تصبح فعليًا شفرة المصدر. Pillar VC وBattery Ventures قادا الجولة الأولية، وانضم إليهما Omega Venture Partners، Encoded Ventures، ومستثمرون ملائكيون.

سيُستخدم التمويل لتوسيع فريق الهندسة في G5 Labs، وتوسيع نطاق نشر العملاء، ومواصلة تطوير مُجمع الأونتولوجيا الخاص بها بينما تسعى الشركة لحل إحدى المشكلات الناشئة التي تخلقها أدوات الترميز بالذكاء الاصطناعي: يصبح توليد الشيفرة أسهل بشكل متزايد، بينما يظل فهم الشيفرة ومراجعتها وحوكمتها وصيانتها صعبًا.

نقل عنق الزجاجة إلى ما بعد توليد الشيفرة

غيّرت مساعدين الترميز بالذكاء الاصطناعي بسرعة اقتصاديات إنتاج البرمجيات. يمكن للمطورين الآن توليد الدوال والاختبارات والوثائق، وتطبيقات متكاملة بشكل متزايد مع قليل من الترميز اليدوي.

لكن المزيد من الشيفرة لا يعني بالضرورة مؤسسات هندسية أكثر إنتاجية.

البحث من Faros استنادًا إلى أكثر من 10,000 مطور عبر 1,255 فريقًا وجد أن الفرق التي تعتمد الذكاء الاصطناعي بشكل كبير أنجزت 21٪ مهامًا أكثر ودمجت 98٪ طلبات سحب أكثر، لكنها شهدت أيضًا زيادة بنسبة 91٪ في وقت مراجعة طلبات السحب. ربط التحليل نفسه اعتماد الذكاء الاصطناعي بطلبات سحب أكبر ومزيد من الأخطاء لكل مطور.

سلط بحث آخر الضوء على تعقيدات مماثلة. أظهر دراسة عشوائية شملت مطورين متمرسين في المصادر المفتوحة أن أدوات الذكاء الاصطناعي في أوائل 2025 زادت فعليًا من زمن إكمال المهام بنسبة 19٪ في المشاريع التي تمت دراستها، على الرغم من توقع المطورين أنفسهم أن تجعلهم الذكاء الاصطناعي أسرع بشكل كبير.

تستهدف G5 Labs المشكلة من اتجاه مختلف. بدلاً من بناء نموذج ترميز آخر، ترغب الشركة في رفع طبقة التجريد فوق الشيفرة المُولَّدة نفسها.

تحويل نية الأعمال إلى قطعة برمجية

في صميم منصة G5 Labs ما تصفه الشركة بأنه مُجمع ذاتي التعلم، ثنائي الاتجاه.

يمكن ترجمة النية بلغة طبيعية إلى شيفرة قابلة للتنفيذ، لكن العملية تعمل أيضًا بالعكس: يمكن تفسير الشيفرة الحالية ودمجها في أونتولوجيا تصف المتطلبات والسلوك الأساسيين للنظام.

هذا التمييز هو جوهر نهج G5.

إذا غيرت مؤسسة ما متطلبًا، يمكن إعادة توليد الشيفرة المقابلة لتعكس ذلك. إذا عدل المطورون الشيفرة مباشرة، يمكن للأونتولوجيا أن تتعلم من تلك التغييرات وتبقى متزامنة مع التنفيذ. تقول G5 إن خطوط الشيفرة المُولَّدة يمكن أن تظل قابلة للتتبع إلى متطلبات الأعمال التي تقف وراءها.

في الواقع، تحاول الشركة منح متطلبات البرمجيات بلغة طبيعية بعض الخصائص التي يتوقعها المطورون من شفرة المصدر التقليدية: يمكن مقارنتها، دمجها، إصدار إصدارات لها، حوكمتها، وفي النهاية تجميعها.

بدلاً من اكتشاف أن وكيلين ذكاء اصطناعي أنتجا تنفيذات متضاربة بعد فحص آلاف الأسطر من الشيفرة، على سبيل المثال، تهدف G5 إلى إظهار الخلاف على المستوى الدلالي — حيث يمكن لمدير المنتج أو المحلل أو المهندس أن يقرر أي متطلب أساسي هو الصحيح.

تقف G5 فوق Claude Code وCodex ونماذج الترميز الأخرى

عنصر مهم آخر في بنية G5 هو أنها لم تُصمم للتنافس مباشرةً مع نماذج الترميز المتزايدة القدرة القادمة من مختبرات الذكاء الاصطناعي الكبرى.

بدلاً من ذلك، تعمل G5 كطبقة تطبيق وحوكمة فوقها.

تقول الشركة إن منصتها يمكنها العمل مع أنظمة مثل Claude Code وCodex والنماذج المفتوحة الوزن، مما يمنح المؤسسات القدرة على تغيير نموذج الذكاء الاصطناعي الأساسي دون إعادة بناء البنية الدلالية التي تحكم برمجياتهم.

كما تقوم G5 بتفكيك خطط التطوير إلى مهام قابلة للتحقق يمكن توزيعها بين عدة وكلاء ذكاء اصطناعي. يمكن بعد ذلك دمج إجراءاتهم وقراراتهم المعمارية وسياساتهم ودروسهم في أونتولوجيا المؤسسة.

قد يصبح ذلك أكثر أهمية مع تحول تطوير البرمجيات من مطور يستخدم مساعدًا ذكائيًا إلى عدة وكلاء مستقلين يجرون تعديلات متزامنة على قواعد شيفرة كبيرة.

بدون تمثيل مشترك لما يُفترض أن يحققه التطبيق فعليًا، يمكن لتوليد الشيفرة الأسرع أن يخلق ببساطة خلافًا أسرع.

تصبح الحوكمة جزءًا من عملية التطوير

تستهدف G5 أيضًا الشركات الخاضعة للرقابة، حيث إن السماح لوكلاء الترميز المستقلين بالعمل دون ضوابط قد يخلق مشكلات أمنية ومتعلقة بالامتثال.

تم تصميم المنصة لتشفير السياسات داخل عملية تطوير البرمجيات نفسها. يمكن للمنظمات وضع متطلبات حول الأمن، والموافقات، والامتثال للائحة العامة لحماية البيانات (GDPR)، والهندسة المعمارية، وإنفاق الذكاء الاصطناعي قبل أن يبدأ الوكلاء في توليد الشيفرة.

تُعد ضوابط التكلفة ملحوظة بشكل خاص مع تجريب الشركات لأنظمة تطوير تعتمد على الوكلاء بشكل متزايد. قد تكون مطالبة واحدة لمساعد الترميز غير مكلفة، لكن أساطيل الوكلاء التي تخطط وتولد وتختبر وتصحح البرمجيات بشكل متكرر يمكن أن تخلق تكاليف استدلال كبيرة.

تحاول نهج G5 تقييد تلك العمليات في مراحل النية والتخطيط بدلاً من اكتشاف مشكلات التكلفة أو الحوكمة بعد إكمال العمل.

قد تكون تحديث الأنظمة القديمة فرصة مبكرة

على الرغم من أن G5 تقدم تقنيتها كجزء من إعادة التفكير الأوسع في هندسة البرمجيات، قد يكون أحد تطبيقاتها الفورية أكثر عملية: تحديث أنظمة المؤسسات القديمة.

غالبًا ما تتضمن مشاريع التحديث التقليدية ترجمة تطبيق من لغة أو بنية قديمة إلى مجموعة تقنيات أحدث. يمكن أن يحافظ هذا العملية عن غير قصد على عقود من الافتراضات المتقادمة، والوظائف المكررة، والديون التقنية.

بدلاً من ذلك، تسعى G5 لاستخراج النية الأساسية للبرمجيات القائمة إلى أونتولوجيا وإعادة توليد التطبيق حول هذا النموذج.

تقول الشركة إنها تنشر هذا النهج بالفعل في الصناعات الخاضعة للرقابة بشدة. في أحد مشاريع تحديث الخدمات المالية، حدد تحليل المستوى الأونتولوجي لـ G5 تعارضات هيكلية كان من الصعب اكتشافها من خلال ترحيل الشيفرة المباشر. وتفيد موقعها الإلكتروني بأن ملايين أسطر من الشيفرة القديمة قد تم تحويلها بالفعل إلى نماذج نظامية دلالية عبر عمليات النشر.

قد يوفر هذا لـ G5 نقطة دخول أكثر قابلية للقياس من مطالبة الشركات بإعادة التفكير فورًا في دورة حياة تطوير البرمجيات بأكملها. فالتحديث القديم يُعد بالفعل نفقات كبيرة للمنظمات الكبيرة، خاصة في الخدمات المالية وغيرها من الصناعات التي لا تزال الأنظمة التي تعود إلى عقود من الزمن حيوية للأعمال.

من أبحاث MIT إلى منصة تجارية

نشأت G5 Labs من أبحاث قادها المؤسس المشارك والرئيس التنفيذي تيم كراسكا في MIT CSAIL، حيث يتركز عمله بشكل متزايد على كيفية تغيير الذكاء الاصطناعي لبناء أنظمة برمجية كبيرة ومعقدة.

Kraska هو أستاذ في MIT يغطي بحثه أنظمة الوكلاء، وأنظمة البيانات، واستخدام نماذج اللغة الكبيرة لتطوير الأنظمة. كما يشارك في قيادة اتحاد تأثير الذكاء الاصطناعي التوليدي في MIT، الذي يجمع الباحثين الأكاديميين مع المشاركين من الصناعة لاستكشاف الآثار العملية والاجتماعية للذكاء الاصطناعي التوليدي.

السؤال البحثي الأوسع وراء G5 بسيط لكنه ذو عواقب: إذا كتب الذكاء الاصطناعي في النهاية نسبة كبيرة من شيفرة البرمجيات، هل يجب على البشر الاستمرار في إدارة البرمجيات أساسًا من خلال الشيفرة نفسها؟

إجابة G5 هي لا. تعتقد الشركة أن نية الأعمال يجب أن تصبح الأثر الدائم، بينما تصبح لغات البرمجة تفاصيل تنفيذية يتعامل معها أنظمة الذكاء الاصطناعي.

ما إذا كان ذلك سيصبح طبقة التجريد الرئيسية التالية في هندسة البرمجيات يظل سؤالًا مفتوحًا. تمثل لغات البرمجة الحالية، وبيئات التطوير، وعمليات مراجعة الشيفرة، ودورات حياة تطوير البرمجيات عقودًا من الأدوات المتراكمة والمعرفة المؤسسية، وسيستلزم استبدال دورها المركزي أكثر من مجرد توليد شيفرة دقيقة.

مع ذلك، يمنح جولة التمويل الأولية البالغة 14 مليون دولار G5 Labs رأس المال لاختبار هذه الفرضية مع عملاء الشركات. ومع الزيادة الكبيرة في كمية البرمجيات التي يمكن للذكاء الاصطناعي توليدها، قد تكمن فرصة الشركة في معالجة التحدي الأقل بريقًا الذي يتبع ذلك: ضمان قدرة المنظمات على فهم ما تبنيه تلك الآلات، والتحكم فيه، وتطويره.