AI कोडिंग एजेंट शोध सॉफ़्टवेयर को तेज़ी से आधुनिक बना रहे हैं, लेकिन सत्यापन ही असली बाधा बनता जा रहा है

AI एजेंट शोध सॉफ़्टवेयर के रखरखाव में उपयोगी हो रहे हैं

OpenAI और अकादमिक साझेदारों की एक नई फील्ड रिपोर्ट AI कोडिंग सिस्टमों के एक व्यावहारिक, कम आकर्षक उपयोग की ओर इशारा करती है: उस उपेक्षित सॉफ़्टवेयर की मरम्मत और आधुनिकीकरण करना जो वैज्ञानिक अनुसंधान के बड़े हिस्से की नींव है। रिपोर्ट इन प्रणालियों को स्वायत्त वैज्ञानिक विचारकों के रूप में प्रस्तुत नहीं करती। इसके बजाय, यह दिखाती है कि वे तेज़ सॉफ़्टवेयर कर्मियों की तरह काम कर सकती हैं, जो कोड को फिर से संरचित कर सकती हैं, पुराने टूलिंग को बदल सकती हैं, फ़्रेमवर्क माइग्रेट कर सकती हैं, और कुछ मामलों में उल्लेखनीय प्रदर्शन सुधार दे सकती हैं.

यह अंतर महत्वपूर्ण है। कई शोध उपकरण शुरू में किसी एक पेपर या किसी सीमित लैब वर्कफ़्लो को समर्थन देने के लिए लिखे गए कोड के रूप में बने थे। समय के साथ, वे लंबे समय के रखरखाव, परीक्षण, या पोर्टेबिलिटी को ध्यान में रखे बिना व्यापक वैज्ञानिक पाइपलाइनों में शामिल हो गए। जब मूल लेखक आगे बढ़ जाते हैं और धन की कमी होती है, तो लैबें नाज़ुक कोडबेस पर निर्भर रह जाती हैं जो फिर भी मिशन-क्रिटिकल बने रहते हैं.

रिपोर्ट में वर्णित मामले संकेत देते हैं कि कोडिंग एजेंट इस तरह के बैकलॉग के लिए उपयुक्त हो सकते हैं। वे बड़े कोडबेस पढ़ सकते हैं, अपग्रेड सुझा सकते हैं, एक फ़्रेमवर्क या भाषा से दूसरी में अनुवाद कर सकते हैं, और बिल्ड सिस्टम, इंस्टॉलेशन चरण, तथा टेस्ट जैसी सहायक संरचना तैयार कर सकते हैं। लेकिन रिपोर्ट यह भी स्पष्ट रूप से बताती है कि ये प्रणालियाँ क्या कर सकती हैं और क्या नहीं। वे सॉफ़्टवेयर को जल्दी फिर से लिख सकती हैं, लेकिन यह भरोसेमंद रूप से तय नहीं कर सकतीं कि पुनर्लिखित सिस्टम का वैज्ञानिक व्यवहार वास्तव में सही है या नहीं.

बिल्ड सफ़ाई से लेकर पूर्ण पुनर्लेखन तक

रिपोर्ट में आठ केस स्टडी शामिल हैं, जिनमें से अधिकांश जीवविज्ञान से जुड़ी हैं। यह काम अपेक्षाकृत सीमित रखरखाव कार्यों से लेकर उम्रदराज़ वैज्ञानिक सॉफ़्टवेयर के बड़े पुनर्लेखनों तक फैला हुआ है.

एक सरल उदाहरण cyvcf2 का था, जो आनुवंशिक डेटा पढ़ने के लिए इस्तेमाल होने वाली एक Python लाइब्रेरी है। उस मामले में GPT-5.5 ने पुराने हो चुके बिल्ड और इंस्टॉलेशन सेटअप को अधिक आधुनिक सेटअप से बदल दिया। इस तरह का काम अक्सर उबाऊ लेकिन महत्वपूर्ण होता है: यदि सॉफ़्टवेयर को इंस्टॉल या कंपाइल करना कठिन हो जाए, तो वह वैज्ञानिक रूप से प्रासंगिक बने रहते हुए भी संचालन के लिहाज़ से नाज़ुक हो सकता है.

एक अधिक जटिल परियोजना MHCflurry पर केंद्रित थी, जो एक इम्यूनोलॉजी मॉडल है और यह अनुमान लगाने के लिए उपयोग होता है कि प्रतिरक्षा कोशिकाएँ किन लक्ष्यों को पहचानेंगी। रिपोर्ट के अनुसार, Claude Code और Codex ने डेवलपर और समीक्षक की भूमिकाएँ बारी-बारी से निभाईं, जबकि लगभग 10,000 पंक्तियों के कोड को TensorFlow से PyTorch में पोर्ट किया गया। यह वह प्रकार का माइग्रेशन है जिसे कई टीमें वर्षों तक टालती रहती हैं क्योंकि यह महंगा, जोखिमपूर्ण और आसानी से टूट जाने वाला होता है.

स्रोत पाठ में सबसे महत्वाकांक्षी उदाहरण rustar-aligner है, जो STAR का Rust में पुनर्लेखन है। STAR एक व्यापक रूप से उपयोग होने वाला टूल है जो sequencing reads को genome locations पर map करता है। STAR में 20,000 से अधिक C और C++ पंक्तियाँ हैं और यह अब सक्रिय रूप से मेंटेन नहीं किया जा रहा है, जबकि यह अब भी कई शोध पाइपलाइनों का हिस्सा बना हुआ है। ऐसे टूल का पुनर्निर्माण केवल सॉफ़्टवेयर अभ्यास नहीं है। यदि परिणाम अलग निकले तो यह सूक्ष्म बदलाव ला सकता है, जो downstream analyses को बदल सकते हैं.

प्रदर्शन में सुधार वास्तविक है, लेकिन भरोसा अर्जित करना पड़ता है

रिपोर्ट किए गए लाभ इतने बड़े हैं कि यह समझ में आता है कि लैबें क्यों रुचि ले रही हैं। स्रोत पाठ कहता है कि कोडिंग-एजेंट-नेतृत्व वाले प्रयासों ने कुछ मामलों में 60 गुना से अधिक गति बढ़ाई। सबसे स्पष्ट उदाहरण RustQC है, जिसने 15 अलग-अलग quality-control टूल्स को एक ही प्रोग्राम में मिला दिया। एक बड़े डेटासेट पर, runtime 15 घंटे 34 मिनट से घटकर 14 मिनट 54 सेकंड रह गया। बड़े जैविक डेटासेट के साथ काम करने वाले शोधकर्ताओं के लिए, इस तरह की कमी यह तय कर सकती है कि विश्लेषण कितनी बार चलाए जाते हैं और प्रयोग कितनी तेज़ी से आगे बढ़ते हैं.

लेकिन गति ही मुख्य कहानी नहीं है। अधिक महत्वपूर्ण सवाल यह है कि क्या पुनर्लिखित टूल वैज्ञानिक रूप से अर्थपूर्ण तरीकों से मूल संस्करणों की तरह ही व्यवहार करते हैं। रिपोर्ट इस सत्यापन कार्य को वैकल्पिक नहीं, बल्कि केंद्रीय मानती दिखाई देती है.

rustar-aligner के लिए, टीम ने यीस्ट कोशिकाओं से लिए गए 10,000 short sequencing reads का उपयोग करके पुनर्लेखन की STAR से तुलना की। single-end reads के लिए, नया टूल 99.815 प्रतिशत मामलों में STAR से मेल खाया। paired-end reads के लिए, सहमति 99.883 प्रतिशत तक पहुँची। तुलना केवल genome में mapped locations तक सीमित नहीं थी। इसमें प्रत्येक read के लिए उत्पन्न कई महत्वपूर्ण output fields भी शामिल थे। स्रोत पाठ यह भी नोट करता है कि कोई भी tool उन reads को map नहीं कर पाया जिन्हें दूसरा नहीं कर पाया था.

ये मज़बूत compatibility आँकड़े हैं, लेकिन वे AI-generated scientific software की मूल सीमा भी दिखाते हैं। एक मॉडल विश्वसनीय code और यहाँ तक कि plausible tests भी बना सकता है, लेकिन equivalence का अर्थ क्या है, सही benchmarks कौन से हैं, edge cases कैसे देखे जाएँ, और क्या deviations वैज्ञानिक रूप से मायने रखते हैं या नहीं - यह तय करने के लिए मनुष्यों की ज़रूरत बनी रहती है.

बाधा अब कोडिंग से समीक्षा की ओर खिसक रही है

यह शायद रिपोर्ट का सबसे महत्वपूर्ण निहितार्थ है। यदि कोडिंग एजेंट बेहतर होते जाते हैं, तो शोध सॉफ़्टवेयर में सबसे दुर्लभ संसाधन अब कच्चा implementation time नहीं रहेगा। असली बाधा विशेषज्ञ सत्यापन बन सकती है.

ऐसी दुनिया में, लैबें केवल सॉफ़्टवेयर किसी एजेंट को नहीं सौंपतीं और परिणाम स्वीकार नहीं कर लेतीं। इसके बजाय, वे ऐसे वर्कफ़्लो की निगरानी करती हैं जिसमें मॉडल तेज़ी से candidate implementations बनाता है, जबकि domain experts अपने प्रयास output की जाँच, पहले के व्यवहार की पुनरुत्पत्ति, और यह पुष्टि करने में लगाते हैं कि कहीं किसी वैज्ञानिक मान्यता को पुनर्लेखन में चुपके से शामिल तो नहीं कर दिया गया। वर्कफ़्लो बदलता है, लेकिन विशेषज्ञ निरीक्षण की आवश्यकता समाप्त नहीं होती.

यह शोध परिवेश में विशेष रूप से प्रासंगिक है, क्योंकि code correctness समस्या की केवल एक परत है। एक refactor syntactically clean और computationally faster हो सकता है, फिर भी वैज्ञानिक रूप से गलत हो सकता है यदि वह numerical behavior, default parameters, या छिपी मान्यताओं को बदल दे। इसलिए रिपोर्ट की यह चेतावनी कि ये प्रणालियाँ यह नहीं जज कर सकतीं कि विज्ञान सही है या नहीं, केवल एक सावधानी नहीं है। यह उन्हें ज़िम्मेदारी से उपयोग करने की शर्त है.

यह विज्ञान अवसंरचना के लिए क्या मतलब रख सकता है

यदि ये निष्कर्ष सामान्यीकृत हो जाते हैं, तो कोडिंग एजेंट अकादमिक जगत के लिए मूल्यवान अवसंरचना टूल बन सकते हैं। वैज्ञानिक क्षेत्र अक्सर ऐसे सॉफ़्टवेयर पर निर्भर करते हैं जिसे नज़रअंदाज़ नहीं किया जा सकता, लेकिन जिसे मैन्युअल रूप से आधुनिक बनाने के लिए पर्याप्त धन भी नहीं होता। AI प्रणालियाँ इस रखरखाव अंतर में विशेष रूप से प्रभावी हो सकती हैं, जहाँ समस्या नया विज्ञान गढ़ने की नहीं, बल्कि पुराने और नाज़ुक कोड को ऐसी संरचनाओं में बदलने की है जिन्हें चलाना, समीक्षा करना और विस्तार देना आसान हो.

इसका वादा काफ़ी बड़ा है: तेज़ माइग्रेशन, बेहतर प्रदर्शन, पुनर्जीवित टूलचेन, और कम परित्यक्त कोडबेस। लेकिन इसका समझौता यह है कि भरोसा अब भी धीरे-धीरे बनाना पड़ेगा। वैज्ञानिक सॉफ़्टवेयर को केवल इसलिए स्वीकार नहीं किया जा सकता कि वह अच्छा पढ़ा जाता है या साफ़-साफ़ कंपाइल हो जाता है। उसे वास्तविक वर्कलोड पर परखा जाना चाहिए और उन लोगों द्वारा आँका जाना चाहिए जो कोड के साथ-साथ विज्ञान को भी समझते हैं.

इससे यह फील्ड रिपोर्ट स्वचालित खोज की कहानी कम और श्रम-विभाजन की कहानी अधिक बन जाती है। AI सॉफ़्टवेयर आधुनिकीकरण का अधिक हिस्सा संभाल सकता है। लेकिन यह तय करने की ज़िम्मेदारी शोधकर्ताओं पर ही रहती है कि जो सिस्टम बनते हैं, वे वैज्ञानिक रिकॉर्ड का हिस्सा बनने योग्य हैं या नहीं.

यह लेख The Decoder की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.