تخيل عالماً تكون فيه الحواسيب مثل أمناء مكتبات فائقين في السرعة والذكاء، يمكنهم قراءة ملايين الكتب في ثانية واحدة. هؤلاء "الوكلاء المعتمدون على الذكاء الاصطناعي" يتم تعليمهم كيفية إصلاح الأكواد البرمجية المعطلة في المشاريع البرمجية الضخمة، ليعملوا كفنيي ميكانيكا رقميين للإنترنت. لكن هناك عقبة: هؤلاء الأمناء يصابون بالإرهاق إذا سلمتهم مكتبة كاملة دفعة واحدة. فهم بحاجة لقراءة النص سطراً بسطر، وكلما زاد النص الذي يتعين عليهم معالجته، زادت التكلفة من حيث الوقت والمال. مؤخراً، اكتشف العلماء حيلة: بدلاً من إعطاء أمين المكتبة جداراً من النصوص، يمكنك التقاط صورة للكود. الأمر يشبه تحويل رواية طويلة إلى صورة واحدة كثيفة. هذا "الضغط البصري" يوفر المساحة، ولكن هل يساعد حقاً أمين المكتبة في إصلاح الكتاب، أم أنه يجعل الصورة ضبابية جداً لدرجة يصعب معها القراءة؟

هذا السؤال يقع في قلب دراسة جديدة أجراها باحثون من جامعة هونغ كونغ للعلوم والتكنولوجيا وشركة ByteDance. أرادوا معرفة ما إذا كان تحويل الكود إلى صور هو اختصار سحري لوكلاء الذكاء الاصطناعي الذين يحاولون إصلاح البرمجيات، أم أنه مجرد خدعة ذكية تصطدم بحائط مسدود عندما يصبح العمل حقيقياً. لم يكتفوا بطلب "النظر" من الذكاء الاصطناعي إلى صورة فحسب؛ بل وضعوا الذكاء الاصطناعي في سيناريو واقعي حيث يتعين عليه البحث عبر مستودع رقمي فوضوي، والعثور على الجزء المعطل، وإصلاحه، وإثبات نجاح عمله. تشير نتائجهم إلى أنه بينما يوفر التقاط صورة للكود الكثير من المال، إلا أنه لا يجعل الذكاء الاصطناعي أكثر ذكاءً، وأحياناً، إذا ضغطت الصورة بقوة شديدة، سيصاب الذكاء الاصطناعي بالارتباك.

التجربة: من النص إلى البكسل

لاختبار ذلك، صمم الباحثون مسار عقبات رقمي باستخدام معيار شهير يسمى SWE-bench Verified. تخيل هذا المعيار كأنه مستوى في لعبة فيديو واقعية حيث يتعين على الذكاء الاصطناعي إصلاح أخطاء برمجية حقيقية في مشاريع برمجية فعلية. كان على وكيل الذكاء الاصطناعي القيام بثلاث مهام رئيسية:

1. البحث: العثور على الملف الصحيح في قاعدة بيانات برمجية ضخمة (مثل البحث عن إبرة في كومة قش).
2. التعديل: تغيير الكود لإصلاح الخطأ.
3. التحقق: تشغيل الاختبارات للتأكد من أن الإصلاح قد نجح بالفعل ولم يتسبب في كسر أي شيء آخر.

قارن الباحثون بين طريقتين لتزويد الذكاء الاصطناعي بـ "الأدلة" التي يحتاجها:

• طريقة النص: يقرأ الذكاء الاصطناعي الكود سطراً بسطر، تماماً كما يقرأ الإنسان كتاباً.
• الطريقة البصرية: يتم تحويل الكود إلى صورة (لقطة شاشة مصورة)، وينظر الذكاء الاصطناعي إلى الصورة لفهم الكود.

اختبروا ذلك بمستويات مختلفة من "الضغط". تخيل أنك تلتقط صورة لصفحة من نص؛ يمكنك جعل الصورة أصغر (ضغطها) لتوفير المساحة. حاول الباحثون جعل الصور أصغر فأصغر (نسب ضغط 1، 3، 5، و7) لمعرفة مقدار المساحة التي يمكن توفيرها قبل أن يتوقف الذكاء الاصطنا عن فهم الكود.

النتائج: مزيج من التوفير والمعاناة

كشفت الدراسة عن صورة رائعة ومعقدة بعض الشيء. إليكم ما وجدوه:

1. موفر للمال (ولكن ليس عصا سحرية)
تحويل الكود إلى صور يوفر المال بالتأكيد. وجد الباحثون أن استخدام التمثيلات البصرية قلل باستمرار من عدد "الرموز" (الوحدات التي يعالجها الذكاء الاصطناعي) التي يتعين على الذكاء الاصطناعي قراءتها. في بعض الحالات، وفر هذا ما يصل إلى 2.8 ضعف كمية البيانات مقارنة بقراءة النص الخام. ومع ذلك، لم يكن هذا التوفير خطاً مستقيماً. قد تظن أنك إذا ضغطت الصورة بمقدار 7 مرات، فستوفر 7 أضعاف المال، لكن الأمر ليس كذلك. التوفير يصطدم بـ "أرضية" بسرعة كبيرة. بالنسبة لقطع الكود الصغيرة، لا يتقلص حجم الصورة مهما حاولت ضغطها، لأن الصورة لا تزال بحاجة لأن تكون كبيرة بما يكفي لتكون قابلة للقراءة. الأمر يشبه محاولة تصغير حجم طابع بريدي؛ في النهاية، لا يمكنك جعله أصغر دون أن يصبح الطابع غير قابل للقراءة.

2. فخ الدقة
النتيجة الأكثر أهمية كانت أن توفير المال لم يجعل الذكاء الاصطناعي أكثر ذكاءً. ظلت قدرة الذكاء الاصطناعي على إصلاح الأخطاء فعلياً (الدقة) ثابتة تقريباً سواء قرأ نصاً أو نظر إلى صور.

• عندما كان على الذكاء الاصطناعي القيام بالمهمة كاملة من البداية (البحث، القراءة، الإصلاح)، كانت الطريقة البصرية تعمل بشكل جيد مثل طريقة النص، ولكنها أرخص.
• ومع ذلك، إذا أجبر الباحثون الذكاء الاصطناعي على ضغط الصور أكثر من اللازم (الضغط الشديد)، بدأ الذكاء الاصطناعي في ارتكاب المزيد من الأخطاء. أصبحت الصور ضبابية أو مزدحمة للغاية، ولم يعد بإمكان الذكاء الاصطناعي رؤية التفاصيل التي يحتاجها لإصلاح الكود.

3. مشكلة "البحث" مقابل "الإصلاح"
قسم الباحثون مهمة الذكاء الاصطناعي إلى مرحلتين متميزتين لمعرفة أين تساعد الحيلة البصرية بالضبط:

• المحدد (الباحث): هذا الجزء من الذكاء الاصطناعي يبحث عن مكان الخطأ. هنا، كانت الصور البصرية مفيدة جداً. بما أن الذكاء الاصطناعي كان عليه قراءة الكثير من الكود الخام للعثور على الإبرة في كومة القش، فإن تحويل ذلك الكود إلى صورة مدمجة وفر كمية هائلة من البيانات.
• المحرر (المصلح): بمجرد العثور على الخطأ، يتعين على الذكاء الاصطناعي تغيير الكود وتشغيل الاختبارات. هنا، لم تساعد الحيلة البصرية كثيراً. وجد الباحثون أنه حتى لو عرف الذكاء الاصطناعي مكان الخطأ بالضبط، فإن الجزء الأصعب كان عملية "التجربة والخطأ" للإصلاح. كان على الذكاء الاصطناعي أن يعدل، ويختبر، ويفشل، ثم يعدل مرة أخرى، ويختبر مجدداً. هذه العملية مليئة بالذهاب والإياب من المحادثات والاختبارات، وهي عملية لا تستفيد كثيراً من ضغط صورة الكود الأولية. في الواقع، بالنسبة لخطوات "الإصلاح" هذه، كانت التكلفة تهيمن عليها عمليات الاختبار والتعديل، وليس القراءة.

الحكم النهائي: أداة مفيدة، ولكن ليست علاجاً لكل شيء

إذاً، هل يمكن لوكلاء البرمجة حل مشكلات مستوى المستودع (repository-level) باستخدام الكود المصور؟ نعم، ولكن بشروط.

تشير الدراسة إلى أن تحويل الكود إلى صور هو استراتيجية قابلة للتطبيق لخفض التكاليف، خاصة عندما يقضي الذكاء الاصطناعي الكثير من الوقت في مجرد قراءة والبحث عبر كميات هائلة من النصوص. الأمر يشبه إعطاء أمين المكتبة صورة لفهرس الكتاب بدلاً من الكتاب بأكم، وذلك لإيجاد رقم صفحة. إنه أسرع وأرخص.

ومع ذلك، فهي ليست حلاً سحرياً يجعل الذكاء الاصطناعي أفضل بشكل لا نهائي.

• هي لا تعالج الذكاء الأساسي للذكاء الاصطناعي؛ فإذا كان الذكاء الاصطناعي سيئاً في إصلاح الأخطاء، فسيظل سيئاً في إصلاح الأخطاء حتى لو رأى صورة.
• لها حدود. إذا حاولت عصر الصورة لتصغيرها أكثر من أجل توفير المزيد من المال، فسيصاب الذكاء الاصطناعي بالارتباك، وستنخفض الدقة.
• تساعد أكثر في مرحلة "البحث". بمجرد أن يعرف الذكاء الاصطناعي مكان المشكلة، يصبح العمل الحقيقي للإصلاح (التعديل والاختبار) هو العائق، ولا يساعد الضغط البصري كثيراً في تلك المرحلة.

باختصار، يخلص الباحثون إلى أن الكود المرئي هو أداة "مشروطة" مفيدة. إنها طريقة ذكية لتوفير المال في الأعمال الشاقة والمملة المتمثلة في قراءة الكود، لكنها لا تعوض الحاجة إلى محرر ذكي ودقيق للقيام بعملية الإصلاح الفعلية. مستقبل برمجة الذكاء الاصطناعي لا يتعلق فقط بجعل المدخلات أصغر؛ بل يتعلق بمعرفة متى تستخدم صورة ومتى تلتزم بالنص.