हे पुनर्लेखन (rewrite) कसे झाले

Anthropic ने डिसेंबर २०२५ मध्ये Bun विकत घेतले आणि त्याचा Zig कोडबेस Rust ने बदलण्याचे ठरवले. कंपनीने Claude Fable 5 चा प्री-रिलीझ व्हर्जन वापरला—जे त्या वेळी इतर कोणालाही उपलब्ध नव्हते असे एक LLM होते. मॉडेलच्या ६४ प्रती समांतरपणे काम करत होत्या, ज्यातून एकूण अंदाजे प्रति मिनिट १,३०० ओळींचा कोड तयार होत होता.

मुख्य अभियंता Jarred Sumner यांनी ही समस्या एजंट्सवर सोपवून बाजूला राहणे पसंत केले नाही. त्यांनी प्रथम Zig च्या पद्धतींना (idioms) Rust च्या पर्यायांशी जोडणारा मार्गदर्शक आराखडा तयार करण्यासाठी अनेक तास खर्च केले. तीन-फाईलच्या प्रायोगिक चाचणीमुळे त्यांना पूर्ण रिपॉझिटरीवर काम करण्यापूर्वी एजंट्सच्या आउटपुटमध्ये सुधारणा करण्याची संधी मिळाली. एजंट्सनी सुचवलेल्या प्रत्येक बदलासाठी, दोन "adversarial" एजंट्सनी त्याचे पुनरावलोकन केले आणि Sumner यांनी संपूर्ण ११ दिवस ही प्रक्रिया थेट (live) पाहिली.

Anthropic च्या अंतर्गत हिशोबात $१६५,००० च्या टोकन वापराची नोंद झाली आहे. ही संख्या कोड मुख्य ब्रँचमध्ये (main branch) विलीन होण्यापूर्वी केलेल्या केवळ मूळ API कॉल्सचे प्रतिनिधित्व करते.

छुपे खर्च

$१६५ हजार या आकड्यामध्ये नवीन Rust कोड स्थिर करण्यासाठी आवश्यक असलेल्या कम्प्युटचा (compute) समावेश नाही. अंतर्गत विश्लेषणांनुसार, मर्ज केल्यानंतरचे सुधारणा (post-merge fixes), continuous-integration रन आणि अतिरिक्त चाचण्यांमुळे एकूण खर्च अधिक वाढू शकतो. हा अंदाज सार्वजनिक API किमतींवर आधारित आहे; कारण Claude Fable 5 हे खाजगी प्रीव्ह्यूमध्ये होते, त्यामुळे प्रत्यक्षात दिलेली किंमत वेगळी असू शकते.

वेग विरुद्ध सुरक्षा

या पुनर्लेखनामुळे मूळ Zig व्हर्जनपेक्षा वेगाने चालणारा Rust रनटाइम तयार झाला, परंतु यामुळे ऑडिटचा मोठा डोंगर (backlog) देखील उरला आहे. नव्याने तयार केलेल्या Rust फाईल्सपैकी सुमारे ४% मध्ये "unsafe" ब्लॉक्स आहेत—असा कोड जो Rust च्या कडक सुरक्षा नियमांना बगल देतो. हाताने लिहिलेल्या Rust प्रकल्पांमध्ये सहसा हे प्रमाण खूप कमी असते, याचा अर्थ रिव्ह्यूअर्सना आता हे तपासावे लागेल की हे ब्लॉक्स मेमरी-करप्शन (memory-corruption) बग्सना निमंत्रण तर देत नाहीत ना.

Sumner यांच्या कौशल्याशिवाय एजंट्सचे आउटपुट निरर्थक ठरले असते. प्रति मिनिट १,३०० ओळींचा कोड असूनही, लॉजिकल चुका पकडण्यासाठी, आर्किटेक्चरल सुसंगतता सुनिश्चित करण्यासाठी आणि टेस्ट सूट खरोखरच नवीन अंमलबजावणीला कव्हर करते की नाही हे तपासण्यासाठी एका अनुभवी देखरेखीची (overseer) गरज असते.

AI कधी चमकते आणि कधी नाही

Bun पोर्ट हे एक आदर्श भाषांतर (textbook translation) होते: एक भाषा दुसऱ्या भाषेत, ज्यासाठी एक सर्वसमावेशक टेस्ट सूट आधीच तयार होता. या स्पष्ट सीमांमुळे LLM ला एक स्पष्ट लक्ष्य मिळाले आणि सर्जनशील समस्या निवारणाची (creative problem-solving) गरज कमी झाली. तथापि, बहुतेक सॉफ्टवेअर कामांमध्ये बदलणारे बिझनेस रूल्स, संदिग्ध आवश्यकता हाताळणे किंवा शून्यातून नवीन फीचर्स तयार करणे यांचा समावेश असतो. अशा गुंतागुंतीच्या परिस्थितीत, AI च्या मदतीमुळे तितक्याच वेगाने किंवा कमी खर्चात फायदा मिळण्याची शक्यता कमी आहे.

AI-augmented डेव्हलपमेंटचे समर्थक—मिनिटांत हजारो ओळी तयार होणे यांसारख्या उत्पादकता आकड्यांकडे—मोठे भाषा मॉडेल्स (LLMs) मोठ्या टीम्सची जागा घेऊ शकतात याच्या पुराव्याकडे निर्देश करतात. Anthropic चे हे प्रकरण त्या दृष्टिकोनावर मर्यादा आणते: मुख्य टोकन खर्चामध्ये मर्ज नंतरच्या वैधतेसाठी (post-merge validation) आवश्यक असलेल्या मोठ्या कम्प्युटचा समावेश नाही, आणि "unsafe" कोडमुळे निर्माण झालेली सुरक्षेची तूट (safety debt) दूर करण्यासाठी मानवी प्रयत्नांची आवश्यकता असेल.

पुढे काय पाहावे

Anthropic ने इतर कोडबेससाठी देखील हीच Claude-driven कार्यपद्धती लागू करण्याचा विचार आहे का, हे जाहीर केलेले नाही. जर त्यांनी असे केले, तर कंपनीला केवळ टोकन बिलाचाच नाही, तर संपूर्ण जीवनचक्राच्या (lifecycle) खर्चाचा विचार करावा लागेल. निरीक्षकांनी खालील गोष्टींवर लक्ष ठेवावे:

  • ऑडिट बॅकलॉग किती वेगाने कमी होतो आणि रिव्ह्यूअर्स कोड रिफॅक्टर (refactor) करत असताना "unsafe" प्रमाण कमी होते का.
  • भविष्यातील रनमध्ये सार्वजनिकरित्या खरेदी करता येण्याजोग्या अधिक प्रगत मॉडेलचा वापर केला जातो का, ज्यामुळे खर्चाचा अंदाज अधिक पारदर्शक होऊ शकेल.
  • Bun च्या स्वीकारण्यावर (adoption) होणारा परिणाम: वेगवान रनटाइम वापरकर्त्यांना आकर्षित करू शकतात, परंतु सुरक्षेच्या कोणत्याही चिंतेमुळे तो फायदा कमी होऊ शकतो.

निष्कर्ष

AI साध्या कोड भाषांतराला वेग देऊ शकते, परंतु डाउनस्ट्रीम कम्प्युट आणि मानवी पडताळणीचा खर्च टोकन-बिलवरील बचतीला कमी करू शकतो. Bun पुनर्लेखन हे दर्शवते की जरी मोठे भाषा मॉडेल्स वेगाने मोठ्या प्रमाणात कोड तयार करू शकत असले, तरी सुरक्षा, अचूकता आणि सॉफ्टवेअर प्रकल्पांना चालवणाऱ्या सूक्ष्म कामांसाठी मानवी कौशल्य आजही अत्यावश्यक आहे.