Claude Fable 5 ഒരു നാല് വർഷം പഴക്കമുള്ള ട്വീറ്റിനെ ഒറ്റപ്പെട്ട ഒരു ഡെവലപ്‌മെന്റ് സെഷനിൽ കളിക്കാവുന്ന ഒരു 3D ബ്രൗസർ ഗെയിമായി മാറ്റി. മനുഷ്യർ തിരഞ്ഞെടുക്കാത്ത സാങ്കേതികവിദ്യയോ ഡിസൈൻ നിർദ്ദേശങ്ങളോ ഇല്ലാതെ തന്നെ ഇത് ചെയ്തുതീർത്തു.

Simon Willison ആ ട്വീറ്റിലെ ലഘുവായ വിവരണം, ഒരു സ്ക്രീൻഷോട്ട്, രണ്ട് അനുബന്ധ ചിത്രങ്ങൾ എന്നിവ മോഡലിന് നൽകി. ആ ചെറിയ പ്രോംപ്റ്റിൽ നിന്ന് Claude Fable 5 മുഴുവൻ കോഡ്‌ബേസും എഴുതി, 3D എഞ്ചിനായി Three.js തിരഞ്ഞെടുത്തു, ഒരു OpenAI മോഡൽ ഉപയോഗിച്ച് ഗെയിമിന്റെ ടെക്സ്ചറുകൾ നിർമ്മിച്ചു, കൂടാതെ ഓരോ മാറ്റവും ഒരു GitHub റെപ്പോസിറ്ററിയിലേക്ക് പകർത്തി. ഈ റെപ്പോസിറ്ററി GitHub Pages-മായി ബന്ധിപ്പിച്ചിരുന്നതിനാൽ, ഓരോ മാറ്റവും ഏകദേശം അരമണിക്കൂറിനുള്ളിൽ ഒരു ലൈവ് URL-ൽ ലഭ്യമായി. ഇതിന്റെ ഫലമായി ഇന്ന് ആർക്കും ബ്രൗസറിൽ കളിക്കാവുന്ന ഒരു ഫങ്ഷണൽ “Raccoon Heist” ഗെയിം നിലവിലുണ്ട്.

പരീക്ഷണം നടന്ന രീതി

  • മിനിമൽ പ്രോംപ്റ്റ് (Minimal prompt) – 2022-ലെ യഥാർത്ഥ ട്വീറ്റിൽ ഒരു ഗെയിം ആശയം മാത്രമായിരുന്നു ഉണ്ടായിരുന്നത്. Willison റഫറൻസിനായി രണ്ട് ചിത്രങ്ങളും കുറച്ച് വരികളും കൂടി ചേർത്തു. പ്രോഗ്രാമിംഗ് ഭാഷയോ ഗ്രാഫിക്സ് ലൈബ്രറിയോ ഡിപ്ലോയ്‌മെന്റിനെക്കുറിച്ചോ അദ്ദേഹം നിർദ്ദേശങ്ങൾ നൽകിയില്ല.
  • മോഡൽ അധിഷ്ഠിത തീരുമാനങ്ങൾ (Model-driven decisions) – 3D ഗ്രാഫിക്സിനായുള്ള JavaScript ലൈബ്രറിയായ Three.js റെൻഡറിംഗ് എഞ്ചിനായി Claude Fable 5 തിരഞ്ഞെടുത്തു. ഗെയിം പ്രവർത്തിപ്പിക്കാൻ ആവശ്യമായ HTML, JavaScript, അസറ്റ്-ലോഡിംഗ് കോഡുകൾ അത് എഴുതി.
  • AI നിർമ്മിച്ച അസറ്റുകൾ (AI-generated assets) – ഒരു OpenAI മോഡൽ ടെക്സ്ചർ ചിത്രങ്ങൾ നിർമ്മിച്ചു, ഇത് ഒരു ഡിസൈനറുടെ ആവശ്യകത ഇല്ലാതാക്കി.
  • തുടർച്ചയായ വിതരണം (Continuous delivery) – ഓരോ കോഡ് പുഷും (code push) സൈറ്റ് പുനർനിർമ്മിക്കാൻ GitHub Pages-നെ പ്രേരിപ്പിച്ചു, ഇത് 30 സെക്കൻഡിൽ താഴെ സമയത്തിനുള്ളിൽ പുതിയ പതിപ്പ് ലഭ്യമാക്കി. ഒരു ശൂന്യമായ ക്യാൻവാസിൽ നിന്ന് പൂർണ്ണമായും കളിക്കാവുന്ന ഒരു പ്രോട്ടോടൈപ്പ് വരെ ഗെയിം മാറുന്നത് Willison തത്സമയം കണ്ടു.

എന്തുകൊണ്ട് ഇത് പ്രധാനമാണ്

പരമ്പരാഗത AI കോഡിംഗ് അസിസ്റ്റന്റുകൾ ഒരു ഡെവലപ്പർ വിശദമായ നിർദ്ദേശങ്ങൾ നൽകുമ്പോൾ ഓട്ടോ കംപ്ലീറ്റ് ചെയ്യാനോ, ബഗ്ഗുകൾ പരിഹരിക്കാനോ, കോഡ് സ്നിപ്പറ്റുകൾ നിർമ്മിക്കാനോ സഹായിക്കുന്നു. എന്നാൽ Claude Fable 5 ഒരു പുതിയ പരിധി കടന്നു: ഒരു ഉയർന്ന ലക്ഷ്യം സ്വീകരിക്കാനും, അത് നടപ്പിലാക്കാനുള്ള സാങ്കേതികവിദ്യ തിരഞ്ഞെടുക്കാനും, അസറ്റുകൾ നിർമ്മിക്കാനും, ഒരു ലൈവ് ഉൽപ്പന്നം പുറത്തിറക്കാനും ഇതിന് സാധിച്ചു—ഇതിനെല്ലാം മനുഷ്യന്റെ കൂടുതൽ നിർദ്ദേശങ്ങൾ ആവശ്യമില്ലായിരുന്നു.

പ്രോഗ്രാമിംഗ് പ്രശ്നങ്ങൾ മോഡലുകൾ എത്രത്തോളം നന്നായി പരിഹരിക്കുന്നു എന്ന് അളക്കാൻ SWE-bench പോലുള്ള ബെഞ്ച്മാർക്കുകൾ ഉപയോഗിക്കുന്നുണ്ടെങ്കിലും, ഒരു മോഡൽ സ്വയം ഒരു എൻഡ്-ടു-എൻഡ് ഇന്ററാക്റ്റീവ് അനുഭവം നിർമ്മിക്കുന്നത് മറ്റൊരു കഴിവാണ് കാണിക്കുന്നത്. വേഗത്തിലുള്ള പ്രോട്ടോടൈപ്പിംഗിനായി (rapid prototyping), ഒരു ഡെവലപ്പർക്ക് ഒരു ആശയം, കുറച്ച് അസറ്റുകൾ എന്നിവ നൽകി, ഒരു ഡിപ്ലോയ്‌മെന്റ് ലക്ഷ്യം കാണിച്ചുകൊടുത്ത് മിനിറ്റുകൾക്കുള്ളിൽ ഉപയോഗപ്രദമായ ഒരു ഡെമോ ലഭിക്കുമെന്ന് ഈ രീതി തെളിയിക്കുന്നു.

ആർക്കൊക്കെ ഗുണമുണ്ടാകും, ആരെല്ലാം പിന്നിലാകും

  • സ്റ്റാർട്ടപ്പുകളും ഇൻഡി ഡെവലപ്പർമാരും (Start-ups and indie developers) ഒരു വലിയ എഞ്ചിനീയറിംഗ് ടീമിനെ നിയമിക്കാതെ തന്നെ ഗെയിം ആശയങ്ങളോ UI കൺസെപ്റ്റുകളോ വികസിപ്പിക്കാൻ സാധിക്കും.
  • പ്രൊഡക്റ്റ് ടീമുകൾ (Product teams) ആഭ്യന്തര പരിശോധനകൾക്കായി പ്രൂഫ്-ഓഫ്-കൺസെപ്റ്റ് ഫീച്ചറുകൾ നിർമ്മിക്കാൻ ഈ രീതി ഉപയോഗിച്ചേക്കാം.
  • ടൂൾ വെണ്ടർമാർ (Tool vendors) AI ഉപയോഗിച്ച് കോഡ് നിർമ്മിക്കുന്ന ടൂളുകൾ വിതരണം ചെയ്യുന്നവർക്ക്, ഫ്രെയിംവർക്കുകൾ തിരഞ്ഞെടുക്കാനും CI/CD പൈപ്പ്‌ലൈനുകൾ നിയന്ത്രിക്കാനും മോഡലുകളെ അനുവദിക്കുന്ന ഉയർന്ന തലത്തിലുള്ള ഓർക്കസ്ട്രേഷൻ ഫീച്ചറുകളിലേക്ക് ആവശ്യം മാറുന്നത് കാണാൻ സാധിക്കും.

നേരെമറിച്ച്, ആർക്കിടെക്ചർ തീരുമാനങ്ങൾ, പെർഫോമൻസ് ട്യൂണിംഗ് അല്ലെങ്കിൽ ആർട്ട് ഡയറക്ഷൻ എന്നിവയിൽ വൈദഗ്ധ്യമുള്ള ഡെവലപ്പർമാർക്ക്, ഏറ്റവും കൂടുതൽ കാണപ്പെടുന്നതും എന്നാൽ സങ്കീർണ്ണത കുറഞ്ഞതുമായ ജോലികൾ കൂടുതൽ ഓട്ടോമേറ്റഡ് ആകുന്നത് കാണേണ്ടി വന്നേക്കാം. കോഡിന്റെ ഗുണനിലവാരം, സുരക്ഷ, AI നിർമ്മിച്ച അസറ്റുകളുടെ ലൈസൻസിംഗ് എന്നിവയെക്കുറിച്ചുള്ള ചോദ്യങ്ങളും മോഡലിന്റെ സ്വയംഭരണാധികാരം ഉയർത്തുന്നു—ഇവയ്ക്ക് ഇപ്പോഴും മനുഷ്യന്റെ മേൽനോട്ടം ആവശ്യമാണ്.

നിലവിലെ ഡെമോയുടെ പരിമിതികൾ

  • പരിധി (Scope) – ഈ ഗെയിം ഒരു ചെറിയ 3D പ്രോട്ടോടൈപ്പ് മാത്രമാണ്; ഈ രീതി വലിയ ഡാറ്റാ അധിഷ്ഠിത ആപ്ലിക്കേഷനുകളിലേക്ക് വ്യാപിപ്പിക്കാൻ കഴിയുമോ എന്നത് ഇനിയും തെളിയിക്കപ്പെട്ടിട്ടില്ല.
  • മനുഷ്യസഹായം (Human scaffolding) – Willison GitHub Pages പൈപ്പ്‌ലൈൻ സജ്ജീകരിക്കുകയും മോഡലിന്റെ ഔട്ട്‌പുട്ട് നിരീക്ഷിക്കുകയും ചെയ്തു. പൂർണ്ണമായും മനുഷ്യസഹായമില്ലാത്ത ഒരു സിസ്റ്റത്തിന് ബിൽഡ് പരാജയങ്ങളോ സുരക്ഷിതമല്ലാത്ത കോഡോ കണ്ടെത്താനുള്ള സംവിധാനങ്ങൾ ആവശ്യമായി വരും.
  • അസറ്റ് ഫിഡിലിറ്റി (Asset fidelity) – AI നിർമ്മിച്ച ടെക്സ്ചറുകൾ ലളിതമായ ഗെയിമുകൾക്ക് അനുയോജ്യമാണ്, എന്നാൽ ഫോട്ടോറിയലിസമോ ബ്രാൻഡ് അധിഷ്ഠിത കലയോ ആവശ്യമായ ഉയർന്ന ബജറ്റ് നിർമ്മാണങ്ങൾക്ക് ഇത് മതിയാകില്ല.

ഇനി എന്താണ് ശ്രദ്ധിക്കേണ്ടത്

  • ടൂൾ ഇന്റഗ്രേഷൻ (Tool integration) – ലാർജ് ലാംഗ്വേജ് മോഡലുകളും ക്ലൗഡ് ബിൽഡ് സർവീസുകളും തമ്മിലുള്ള ബന്ധം കൂടുതൽ ശക്തമാകുമെന്ന് പ്രതീക്ഷിക്കാം, ഇത് Willison ചെയ്ത മാനുവൽ ഘട്ടങ്ങൾ കുറയ്ക്കും.
  • സുരക്ഷാ പാളികൾ (Safety layers) – സുരക്ഷാ പിഴവുകൾ കണ്ടെത്തുന്നതിനായി പ്ലാറ്റ്‌ഫോമുകൾ ഓട്ടോമേറ്റഡ് കോഡ് റിവ്യൂ അല്ലെങ്കിൽ സാൻഡ്ബോക്സിംഗ് (sandboxing) എന്നിവ ഉൾപ്പെടുത്തിയേക്കാം.
  • ബെഞ്ച്മാർക്ക് പരിണാമം (Benchmark evolution) – നിലവിലുള്ള കോഡ് കംപ്ലീഷൻ മെട്രിക്സുകൾക്ക് പകരമായി, എൻഡ്-ടു-എൻഡ് ഉൽപ്പന്ന വിതരണം പരിശോധിക്കുന്ന പുതിയ മൂല്യനിർണ്ണയ രീതികൾ വന്നേക്കാം.

ഇതിൽ നിന്നുള്ള പാഠം വ്യക്തമാണ്: ഒരു ലഘുവായ ലക്ഷ്യവും ചില സ്രോതസ്സുകളും നൽകിയാൽ, AI-ക്ക് "ഈ ഫങ്ക്ഷൻ എഴുതുക" എന്നതിലുപരി "പൂർണ്ണവും പ്രവർത്തിപ്പിക്കാവുന്നതുമായ ഒരു ഉൽപ്പന്നം നിർമ്മിച്ചു നൽകുക" എന്നതിലേക്ക് മാറാൻ കഴിയും. ഈ സാങ്കേതികവിദ്യ ഇപ്പോഴും പ്രാരംഭ ഘട്ടത്തിലാണ്, എങ്കിലും Claude Fable 5-ന്റെ പ്രദർശനം സൂചിപ്പിക്കുന്നത് പല സോഫ്റ്റ്‌വെയർ ആശയങ്ങളുടെയും ആദ്യ രൂപം സ്വയം നിർമ്മിക്കപ്പെടുന്ന ഒരു ഭാവിയിലേക്കാണ്. ഇത് ഡെവലപ്പർമാരെ കൂടുതൽ മെച്ചപ്പെടുത്തലുകൾക്കും തന്ത്രങ്ങൾക്കും സർഗ്ഗാത്മകതയ്ക്കും ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ സഹായിക്കും.