ਸਮਾਂ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਵਿਗਿਆਨਕ ਸਾਫਟਵੇਅਰ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਇੱਕ ਰੁਕਾਵਟ (bottleneck) ਰਿਹਾ ਹੈ। ਖੋਜਕਰਤਾ ਕੋਡ ਲਿਖਣ ਅਤੇ ਉਸਨੂੰ ਟਿਊਨ ਕਰਨ ਵਿੱਚ ਮਹੀਨਿਆਂ ਬਿਤਾਉਂਦੇ ਹਨ, ਜਿਸ ਨੂੰ ਵਿਸ਼ਾਲ ਡੇਟਾ ਸੈੱਟਾਂ ਅਤੇ ਗੁੰਝਲਦਾਰ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਸੰਭਾਲਣਾ ਪੈਂਦਾ ਹੈ। OpenAI ਦੇ ਅਧਿਐਨ ਨੇ ਅੱਠ ਅਜਿਹੇ ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੀ ਜੋ ਭਾਰੀ ਕੰਪਿਊਟੇਸ਼ਨ 'ਤੇ ਨਿਰਭਰ ਹਨ—ਪੰਜ ਨੇ ਸਿਰਫ਼ OpenAI ਦੇ Codex ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਜਦੋਂ ਕਿ ਤਿੰਨਾਂ ਨੇ Codex ਨੂੰ Anthropic ਦੇ Claude Code ਨਾਲ ਜੋੜਿਆ। ਹਰ ਮਾਮਲੇ ਵਿੱਚ, ਏਜੰਟਸ ਨੇ ਉਹ ਕੰਮ ਸੰਭਾਲ ਲਏ ਜੋ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਮੈਨੂਅਲ ਕੋਡਿੰਗ ਦੀ ਮੰਗ ਕਰਦੇ ਸਨ, ਪ੍ਰੋਜੈਕਟ ਆਰਕੀਟੈਕਚਰ ਦਾ ਢਾਂਚਾ ਤਿਆਰ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਪ੍ਰਦਰਸ਼ਨ-ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਿਆਂ ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ ਤੱਕ।

ਰਫ਼ਤਾਰ ਵਿੱਚ ਹੋਇਆ ਵਾਧਾ ਸਿਰਫ਼ ਥੋੜ੍ਹਾ-ਥੋੜ੍ਹਾ ਨਹੀਂ ਹੈ। ਪੂਰੀ ਬਿਲਡ ਪਾਈਪਲਾਈਨ ਨੂੰ ਆਟੋਮੇਟ ਕਰਕੇ, ਏਜੰਟਸ ਨੇ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ (hypothesis testing) ਅਤੇ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਲਈ ਆਜ਼ਾਦ ਕਰ ਦਿੱਤਾ। ਉਹਨਾਂ ਸੰਸਥਾਵਾਂ ਲਈ ਜੋ ਸਮਰਪਿਤ ਸਾਫਟਵੇਅਰ ਟੀਮਾਂ ਰੱਖਣ ਲਈ ਸੰਘਰਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ, ਮੰਗ 'ਤੇ ਪ੍ਰੋਡਕਸ਼ਨ-ਤਿਆਰ ਕੋਡ ਤਿਆਰ ਕਰਨਾ ਖੇਡ ਦੇ ਮੈਦਾਨ ਨੂੰ ਬਰਾਬਰ ਕਰ ਸਕਦਾ ਹੈ।

ਚੈਟਬੋਟਸ ਤੋਂ ਲੈ ਕੇ ਖੁਦਮੁਖਤਿਆਰ ਇੰਜੀਨੀਅਰਾਂ ਤੱਕ

ਰਿਪੋਰਟ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲ (LLMs) ਨੂੰ ਚੈਟ ਸਹਾਇਕਾਂ ਵਜੋਂ ਦੇਖਣ ਦੀ ਬਜਾਏ ਉਹਨਾਂ ਨੂੰ ਏਜੰਟਸ ਵਜੋਂ ਦੇਖਣ ਵੱਲ ਇੱਕ ਤਬਦੀਲੀ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਇਹ ਮਾਡਲ ਇੱਕ ਉੱਚ-ਪੱਧਰੀ ਉਦੇਸ਼ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦੇ ਹਨ, ਟੂਲ ਚੁਣਦੇ ਹਨ, ਕੋਡ ਲਿਖਦੇ ਹਨ, ਟੈਸਟ ਚਲਾਉਂਦੇ ਹਨ, ਅਤੇ ਉਦੋਂ ਤੱਕ ਦੁਹਰਾਉਂਦੇ ਹਨ ਜਦੋਂ ਤੱਕ ਬਿਲਡ ਸਫਲ ਨਹੀਂ ਹੋ ਜਾਂਦਾ। ਇਹ "ਏਜੈਂਟਿਕ ਵਰਕਫਲੋ" (agentic workflow) ਇੱਕ ਮਨੁੱਖੀ ਇੰਜੀਨੀਅਰ ਦੀ ਅੰਤ-ਤੱਕ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਮਸ਼ੀਨ ਦੀ ਰਫ਼ਤਾਰ ਨਾਲ ਚੱਲਦਾ ਹੈ।

ਹਾਈਬ੍ਰਿਡ ਡਿਪਲਾਈਮੈਂਟਸ—Codex ਨੂੰ Claude Code ਨਾਲ ਮਿਲਾਉਣਾ—ਖਾਸ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਬਤ ਹੋਏ।

ਕਿਸ ਨੂੰ ਫਾਇਦਾ ਹੋਵੇਗਾ ਅਤੇ ਕਿਸ ਦਾ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ

ਖੋਜਕਰਤਾ ਅਤੇ ਛੋਟੀਆਂ ਲੈਬਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਫਾਇਦਾ ਹੋਣ ਦੀ ਉਮੀਦ ਹੈ। ਤੇਜ਼ ਬਿਲਡ ਦਾ ਮਤਲਬ ਹੈ ਤੇਜ਼ ਪ੍ਰਯੋਗਾਤਮਕ ਚੱਕਰ, ਜੋ ਪ੍ਰਕਾਸ਼ਨ ਦੀਆਂ ਸਮਾਂ-ਸੀਮਾਵਾਂ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਮਹਿੰਗੀਆਂ ਬਾਹਰੀ ਕੰਪਿਊਟ ਸੇਵਾਵਾਂ 'ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ।

ਵੈਂਡਰਜ਼ ਦਾ ਵੀ ਇਸ ਵਿੱਚ ਹਿੱਸਾ ਹੈ। OpenAI ਦੇ Codex ਮਾਡਲ ਨੂੰ ਇੱਕ ਮੁੱਖ ਹਿੱਸੇ ਵਜੋਂ ਉਜਾਗਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਦੋਂ ਕਿ Anthropic ਦੇ Claude Code ਨੂੰ ਹਾਈਬ੍ਰਿਡ ਪ੍ਰਯੋਗਾਂ ਰਾਹੀਂ ਪ੍ਰਮਾਣਿਕਤਾ ਮਿਲ ਰਹੀ ਹੈ। ਕਿਉਂਕਿ ਇਹ ਰਿਪੋਰਟ ਇੱਕ ਵੈਂਡਰ-ਅਗਵਾਈ ਵਾਲਾ ਸਰਵੇਖਣ ਹੈ, ਇਸਦੀ ਨਿਰਪੱਖਤਾ 'ਤੇ ਸਵਾਲ ਉੱਠ ਸਕਦੇ ਹਨ।

ਸਾਵਧਾਨੀਆਂ (The Caveats)

ਅੱਠ-ਪ੍ਰੋਜੈਕਟਾਂ ਦਾ ਨਮੂਨਾ ਸੀਮਤ ਹੈ। ਇੱਕ ਵਿਆਪਕ, ਸੁਤੰਤਰ ਬੈਂਚਮਾਰਕ ਤੋਂ ਬਿਨਾਂ, ਅਸੀਂ ਇਹ ਨਹੀਂ ਦੱਸ ਸਕਦੇ ਕਿ ਨਤੀਜੇ ਹੋਰ ਵਿਗਿਆਨਕ ਖੇਤਰਾਂ ਜਾਂ ਲੇਗਸੀ ਕੋਡ ਬੇਸਾਂ ਵਾਲੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਕਿਵੇਂ ਅਨੁਕੂਲ ਹੋਣਗੇ। ਰਿਪੋਰਟ ਬੇਸਲਾਈਨ ਬਿਲਡ ਸਮੇਂ ਦਾ ਖੁਲਾਸਾ ਨਹੀਂ ਕਰਦੀ, ਇਸ ਲਈ ਸਹੀ ਪ੍ਰਤੀਸ਼ਤ ਕਟੌਤੀ ਅਸਪਸ਼ਟ ਰਹਿੰਦੀ ਹੈ।

ਕਿਉਂਕਿ ਜਿਨ੍ਹਾਂ ਕੰਪਨੀਆਂ ਨੇ ਏਜੰਟਸ ਦੀ ਸਪਲਾਈ ਕੀਤੀ ਹੈ, ਉਹਨਾਂ ਨੇ ਹੀ ਅਧਿਐਨ ਕੀਤਾ ਹੈ, ਇਸ ਲਈ ਚੋਣ ਪੱਖਪਾਤ (selection bias) ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਉਹ ਪ੍ਰੋਜੈਕਟ ਜੋ ਪਹਿਲਾਂ ਹੀ AI ਟੂਲਸ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨ ਲਈ ਤਿਆਰ ਸਨ, ਉਹ ਸ਼ਾਇਦ ਵਧੇਰੇ ਸਹਿਯੋਗੀ ਰਹੇ ਹੋਣਗੇ, ਜਿਸ ਨਾਲ ਲੱਗੇ ਫਾਇਦਿਆਂ ਵਿੱਚ ਵਾਧਾ ਹੋ ਸਕਦਾ ਹੈ।

ਰਿਪੋਰਟ ਨੋਟ ਕਰਦੀ ਹੈ ਕਿ ਏਜੰਟਸ "ਗਲਤੀਆਂ ਦੀ ਸੁਧਾਈ" (error correction) ਨੂੰ ਸੰਭਾਲਦੇ ਹਨ, ਪਰ ਇਹ ਚਰਚਾ ਨਹੀਂ ਕਰਦੀ ਕਿ ਬਿਲਡ ਦੇ ਭਰੋਸੇਯੋਗ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਕਿੰਨੀ ਮੈਨੂਅਲ ਸਮੀਖਿਆ ਦੀ ਅਜੇ ਵੀ ਲੋੜ ਹੈ।

ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ

  • ਅਪਣਾਉਣ ਦੇ ਮਾਪਦੰਡ (Adoption metrics): ਇਹ ਟ੍ਰੈਕ ਕਰਨਾ ਕਿ ਕਿੰਨੇ ਖੋਜ ਸਮੂਹ ਸ਼ੁਰੂਆਤੀ ਅੱਠ ਪ੍ਰੋਜੈਕਟਾਂ ਤੋਂ ਇਲਾਵਾ ਏਜੈਂਟਿਕ ਵਰਕਫਲੋ ਨੂੰ ਅਪਣਾਉਂਦੇ ਹਨ, ਇਹ ਦੱਸੇਗਾ ਕਿ ਕੀ ਰਫ਼ਤਾਰ ਵਿੱਚ ਹੋਇਆ ਵਾਧਾ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਟਿਕਦਾ ਹੈ।
  • ਟੂਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ: ਜਿਵੇਂ-ਜਿਵੇਂ ਵਧੇਰੇ ਡਿਵੈਲਪਮੈਂਟ ਵਾਤਾਵਰਣ LLM ਏਜੰਟਸ ਲਈ APIs ਪ੍ਰਦਾਨ ਕਰਨਗੇ, ਪਲੱਗ-ਐਂਡ-ਪਲੇਅ (plug-and-play) ਹੱਲ ਗੈਰ-ਤਕਨੀਕੀ ਵਿਗਿਆਨੀਆਂ ਲਈ ਪ੍ਰਵੇਸ਼ ਦੀ ਰੁਕਾਵਟ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ।
  • ਮਿਆਰੀਕਰਨ ਦੇ ਯਤਨ: ਭਾਈਚਾਰੇ AI-ਨਿਰਮਿਤ ਵਿਗਿਆਨਕ ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਦੁਹਰਾਉਣਯੋਗਤਾ (reproducibility) ਅਤੇ ਸੁਰੱਖਿਆ ਨੂੰ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ।
  • ਮੁਕਾਬਲੇ ਦੀ ਗਤੀਸ਼ੀਲਤਾ: ਹੋਰ AI ਫਰਮਾਂ ਦੇ ਆਪਣੇ ਕੋਡਿੰਗ ਏਜੰਟ ਲਾਂਚ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਜੋ ਕਿ ਮਲਟੀ-ਮਾਡਲ ਆਰਕੇਸਟ੍ਰੇਸ਼ਨ ਅਤੇ ਗਲਤੀ-ਚੈਕਿੰਗ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸੁਧਾਰਨ ਦੀ ਦੌੜ ਸ਼ੁਰੂ ਕਰ ਸਕਦੀ ਹੈ।

ਨਿਚੋੜ (Bottom Line)

OpenAI ਦੀ ਫੀਲਡ ਰਿਪੋਰਟ ਪੱਕੇ ਸਬੂਤ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ ਕਿ ਖੁਦਮੁਖਤਿਆਰ ਕੋਡਿੰਗ ਏਜੰਟਸ ਵਿਗਿਆਨਕ ਸਾਫਟਵੇਅਰ ਦੇ ਨਿਰਮਾਣ ਨੂੰ ਕਾਫ਼ੀ ਤੇਜ਼ ਕਰ ਸਕਦੇ ਹਨ। ਨਤੀਜੇ ਉਮੀਦ ਜਗਾਉਣ ਵਾਲੇ ਹਨ, ਪਰ ਸੀਮਤ