ಮರುಬರಹವು ಹೇಗೆ ನಡೆಯಿತು

Anthropic ಡಿಸೆಂಬರ್ 2025 ರಲ್ಲಿ Bun ಅನ್ನು ಖರೀದಿಸಿತು ಮತ್ತು ಅದರ Zig ಕೋಡ್‌ಬೇಸ್ ಅನ್ನು Rust ಮೂಲಕ ಬದಲಾಯಿಸಲು ಮುಂದಾಯಿತು. ಕಂಪನಿಯು Claude Fable 5 ನ ಪ್ರೀ-ರಿಲೀಸ್ ಆವೃತ್ತಿಯನ್ನು ಚಲಾಯಿಸಿತು—ಇದು ಆ ಸಮಯದಲ್ಲಿ ಬೇರೆ ಯಾರಿಗೂ ಲಭ್ಯವಿರಲಿಲ್ಲದ ಒಂದು LLM ಆಗಿತ್ತು. ಅರವತ್ತನಾಲ್ಕು ಪ್ರತಿಗಳು ಸಮಾಂತರವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದವು, ಒಟ್ಟು ಪ್ರತಿ ನಿಮಿಷಕ್ಕೆ ಅಂದಾಜು 1,300 ಸಾಲುಗಳ ಕೋಡ್ ಅನ್ನು ಹೊರಹಾಕುತ್ತಿದ್ದವು.

ಮುಖ್ಯ ಇಂಜಿನಿಯರ್ Jarred Sumner ಸಮಸ್ಯೆಯನ್ನು ಏಜೆಂಟ್‌ಗಳಿಗೆ ನೀಡಿ ಕೈಬಿಡಲಿಲ್ಲ. ಮೊದಲು ಅವರು Zig ಶೈಲಿಗಳನ್ನು (idioms) Rust ಗೆ ಸಮಾನವಾದವುಗಳೊಂದಿಗೆ ಹೊಂದಿಸುವ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಗಂಟೆಗಟ್ಟಲೆ ಸಮಯ ವ್ಯಯಿಸಿದರು. ಪೂರ್ಣ ರೆಪೊಸಿಟರಿಯನ್ನು (repository) ಕೈಗೆತ್ತಿಕೊಳ್ಳುವ ಮೊದಲು ಏಜೆಂಟ್‌ಗಳ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಮೂರು-ಫೈಲ್ ಪ್ರಯೋಗಾತ್ಮಕ ಚಾಲನೆಯು ಅವರಿಗೆ ಸಹಾಯ ಮಾಡಿತು. ಏಜೆಂಟ್‌ಗಳು ಸೂಚಿಸಿದ ಪ್ರತಿಯೊಂದು ಬದಲಾವಣೆಯನ್ನು ಎರಡು "adversarial" ಏಜೆಂಟ್‌ಗಳು ಪರಿಶೀಲಿಸಿದವು ಮತ್ತು Sumner ಸಂಪೂರ್ಣ 11 ದಿನಗಳ ಅವಧಿಯಲ್ಲಿ ಇಡೀ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನೇರವಾಗಿ ಗಮನಿಸಿದರು.

Anthropic ನ ಆಂತರಿಕ ಲೆಕ್ಕಪತ್ರದ ಪ್ರಕಾರ $165,000 ಟೋಕನ್ ಬಳಕೆಯಾಗಿದೆ. ಕೋಡ್ ಮುಖ್ಯ ಬ್ರಾಂಚ್‌ಗೆ (main branch) ವಿಲೀನಗೊಳ್ಳುವ ಮೊದಲು ಮಾಡಲಾದ ಕೇವಲ ಕಚ್ಚಾ API ಕರೆಗಳನ್ನು ಈ ಸಂಖ್ಯೆ ಪ್ರತಿಫಲಿಸುತ್ತದೆ.

ಅಡಗಿರುವ ಬಿಲ್

$165k ರ ಈ ಅಂಕಿಅಂಶವು ಹೊಸ Rust ಕೋಡ್ ಅನ್ನು ಸ್ಥಿರಗೊಳಿಸಲು ಬೇಕಾದ ಕಂಪ್ಯೂಟ್ (compute) ವೆಚ್ಚವನ್ನು ಹೊರತುಪಡಿಸಿದೆ. ಆಂತರಿಕ ವಿಶ್ಲೇಷಣೆಯ ಪ್ರಕಾರ, ಮರ್ಜ್ ಮಾಡಿದ ನಂತರದ ಸರಿಪಡಿಸುವಿಕೆಗಳು (post-merge fixes), ಕಂಟಿನ್ಯೂಯಸ್-ಇಂಟಿಗ್ರೇಷನ್ (continuous-integration) ಚಾಲನೆಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ ಪರೀಕ್ಷೆಗಳು ಒಟ್ಟು ವೆಚ್ಚವನ್ನು ಹೆಚ್ಚಿಸಬಹುದು. ಈ ಅಂದಾಜು ಸಾರ್ವಜನಿಕ API ಬೆಲೆಗಳನ್ನು ಬಳಸುತ್ತದೆ; Claude Fable 5 ಒಂದು ಖಾಸಗಿ ಪ್ರಿವ್ಯೂ ಆಗಿರುವುದರಿಂದ, ಪಾವತಿಸಿದ ನೈಜ ಬೆಲೆ ಭಿನ್ನವಾಗಿರಬಹುದು.

ವೇಗ ಮತ್ತು ಸುರಕ್ಷತೆ

ಈ ಮರುಬರಹವು ಮೂಲ Zig ಆವೃತ್ತಿಗಿಂತ ವೇಗವಾಗಿ ಚಲಿಸುವ Rust ರನ್‌ಟೈಮ್ ಅನ್ನು ಸೃಷ್ಟಿಸಿತು, ಆದರೆ ಇದು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಆಡಿಟ್ ಬಾಕಿ (audit backlog) ಅನ್ನು ಬಿಟ್ಟುಹೋಗಿದೆ. ಹೊಸದಾಗಿ ಸೃಷ್ಟಿಸಲಾದ Rust ಫೈಲ್‌ಗಳಲ್ಲಿ ಸುಮಾರು 4% "unsafe" ಬ್ಲಾಕ್‌ಗಳನ್ನು ಹೊಂದಿವೆ—ಇದು Rust ನ ಕಟ್ಟುನಿಟ್ಟಾದ ಸುರಕ್ಷತಾ ಭರವಸೆಗಳನ್ನು ಬೈಪಾಸ್ ಮಾಡುವ ಕೋಡ್ ಆಗಿದೆ. ಕೈಬರಹದ Rust ಪ್ರಾಜೆಕ್ಟ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಬಹಳ ಕಡಿಮೆ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವನ್ನು ಹೊಂದಿರುತ್ತವೆ, ಅಂದರೆ ಪರಿಶೀಲಕರು ಆ ಬ್ಲಾಕ್‌ಗಳು ಮೆಮೊರಿ-ಕರೆಪ್ಷನ್ (memory-corruption) ಬಗ್‌ಗಳನ್ನು ಪ್ರದರ್ಶಿಸುವುದಿಲ್ಲ ಎಂದು ಈಗ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ.

Sumner ನ ಪರಿಣತಿಯಿಲ್ಲದೆ ಏಜೆಂಟ್‌ಗಳ ಔಟ್‌ಪುಟ್ ಅರ್ಥಹೀನವಾಗುತ್ತಿತ್ತು. ಪ್ರತಿ ನಿಮಿಷಕ್ಕೆ 1,300 ಸಾಲುಗಳಿದ್ದರೂ ಸಹ, ತಾರ್ಕಿಕ ದೋಷಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು, ವಾಸ್ತುಶಿಲ್ಪದ ಸುಸಂಗತತೆಯನ್ನು (architectural coherence) ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಮತ್ತು ಟೆಸ್ಟ್ ಸೂಟ್ ಹೊಸ ಅನುಷ್ಠಾನವನ್ನು (implementation) ನಿಜವಾಗಿಯೂ ಒಳಗೊಂಡಿದೆಯೇ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಜ್ಞಾನವುಳ್ಳ ಮೇಲ್ವಿಚಾರಕನ ಅಗತ್ಯವಿದೆ.

AI ಯಾವಾಗ ಮಿಂಚುತ್ತದೆ ಮತ್ತು ಯಾವಾಗ ಮಿಂಚುವುದಿಲ್ಲ

Bun ಪೋರ್ಟ್ ಒಂದು ಪಠ್ಯಪುಸ್ತಕದಂತಹ ಅನುವಾದವಾಗಿತ್ತು: ಈಗಾಗಲೇ ಸಮಗ್ರವಾದ ಟೆಸ್ಟ್ ಸೂಟ್ ಇರುವ ಒಂದು ಭಾಷೆಯಿಂದ ಇನ್ನೊಂದು ಭಾಷೆಗೆ ಪರಿವರ್ತನೆ. ಆ ಸ್ಪಷ್ಟವಾದ ಗಡಿ LLM ಗೆ ಸ್ಪಷ್ಟ ಗುರಿಯನ್ನು ನೀಡಿತು ಮತ್ತು ಸೃಜನಾತ್ಮಕ ಸಮಸ್ಯೆ ಪರಿಹಾರದ ಅಗತ್ಯವನ್ನು ಮಿತಿಗೊಳಿಸಿತು. ಆದಾಗ್ಯೂ, ಹೆಚ್ಚಿನ ಸಾಫ್ಟ್‌ವೇರ್ ಕೆಲಸಗಳು ಬದಲಾಗುತ್ತಿರುವ ವ್ಯವಹಾರ ನಿಯಮಗಳು, ಅಸ್ಪಷ್ಟ ಅವಶ್ಯಕತೆಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು ಅಥವಾ ಹೊಸ ಫೀಚರ್‌ಗಳನ್ನು ಮೊದಲಿನಿಂದ ನಿರ್ಮಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಅಂತಹ ಗೊಂದಲಮಯ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ AI ನೆರವು ಅಷ್ಟೇ ವೇಗ ಅಥವಾ ವೆಚ್ಚದ ಪ್ರಯೋಜನಗಳನ್ನು ನೀಡುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ.

AI-ವರ್ಧಿತ ಅಭಿವೃದ್ಧಿಯ (AI-augmented development) ಬೆಂಬಲಿಗರು ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು (large language models) ದೊಡ್ಡ ತಂಡಗಳನ್ನು ಬದಲಾಯಿಸಬಲ್ಲವು ಎಂಬುದಕ್ಕೆ ಪುರಾವೆಯಾಗಿ ಕಚ್ಚಾ ಉತ್ಪಾದಕತೆಯ ಅಂಕಿಅಂಶಗಳನ್ನು—ನಿಮಿಷಗಳಲ್ಲಿ ಸಾವಿರಾರು ಸಾಲುಗಳ ಜನನವನ್ನು—ಬಳಸುತ್ತಾರೆ. Anthropic ನ ಪ್ರಕರಣವು ಆ ದೃಷ್ಟಿಕೋನವನ್ನು ತಣ್ಣಗಾಗಿಸುತ್ತದೆ: ಮುಖ್ಯಾಂಶದ ಟೋಕನ್ ವೆಚ್ಚವು ಮರ್ಜ್ ಮಾಡಿದ ನಂತರದ ವ್ಯಾಲಿಡೇಶನ್‌ಗೆ ಬೇಕಾದ ಗಣನೀಯ ಕಂಪ್ಯೂಟ್ ವೆಚ್ಚವನ್ನು ಹೊರತುಪಡಿಸಿದೆ ಮತ್ತು "unsafe" ಕೋಡ್‌ನಿಂದ ಉಂಟಾಗುವ ಸುರಕ್ಷತಾ ಸಾಲವನ್ನು (safety debt) ಪರಿಹರಿಸಲು ಮಾನವ ಪ್ರಯತ್ನದ ಅಗತ್ಯವಿರುತ್ತದೆ.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

Anthropic ತನ್ನ ಇತರ ಕೋಡ್‌ಬೇಸ್‌ಗಳಿಗೆ ಅದೇ Claude-ಚಾಲಿತ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ಅನ್ವಯಿಸಲು ಯೋಜಿಸುತ್ತಿದೆಯೇ ಎಂದು ಬಹಿರಂಗಪಡಿಸಿಲ್ಲ. ಒಂದು ವೇಳೆ ಹಾಗೆ ಮಾಡಿದರೆ, ಕಂಪನಿಯು ಕೇವಲ ಟೋಕನ್ ಬಿಲ್ ಅನ್ನು ಮಾತ್ರವಲ್ಲದೆ ಒಟ್ಟು ಜೀವನಚಕ್ರದ ವೆಚ್ಚವನ್ನು (total lifecycle cost) ಪರಿಗಣಿಸಬೇಕಾಗುತ್ತದೆ. ವೀಕ್ಷಕರು ಈ ಕೆಳಗಿನವುಗಳ ಮೇಲೆ ಕಣ್ಣಿಡಬೇಕು:

  • ಪರಿಶೀಲಕರು ಕೋಡ್ ಅನ್ನು ರಿಫ್ಯಾಕ್ಟರ್ (refactor) ಮಾಡುವಾಗ ಆಡಿಟ್ ಬಾಕಿ ಎಷ್ಟು ವೇಗವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ ಮತ್ತು "unsafe" ಪ್ರಮಾಣವು ಇಳಿಯುತ್ತದೆಯೇ ಎಂಬುದು.
  • ಭವಿಷ್ಯದ ಚಾಲನೆಗಳು ಸಾರ್ವಜನಿಕವಾಗಿ ಖರೀದಿಸಬಹುದಾದ ಹೆಚ್ಚು ಪರಿಪಕ್ವ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತವೆಯೇ, ಇದು ವೆಚ್ಚದ ಅಂದಾಜುಗಳನ್ನು ಹೆಚ್ಚು ಪಾರದರ್ಶಕವಾಗಿಸಬಹುದು.
  • Bun ನ ಅಳವಡಿಕೆಯ ಮೇಲಿನ ಪ್ರಭಾವ: ವೇಗವಾದ ರನ್‌ಟೈಮ್‌ಗಳು ಬಳಕೆದಾರರನ್ನು ಆಕರ್ಷಿಸಬಹುದು, ಆದರೆ ಯಾವುದೇ ಭದ್ರತಾ ಕಾಳಜಿಗಳು ಆ ಲಾಭವನ್ನು ಕುಗ್ಗಿಸಬಹುದು.

ಸಾರಾಂಶ

AI ಸರಳವಾದ ಕೋಡ್ ಅನುವಾದಗಳನ್ನು ವೇಗಗೊಳಿಸಬಲ್ಲದು, ಆದರೆ ಡೌನ್‌ಸ್ಟ್ರೀಮ್ ಕಂಪ್ಯೂಟ್ ಮತ್ತು ಮಾನವ ಪರಿಶೀಲನಾ ವೆಚ್ಚಗಳು ಟೋಕನ್-ಬಿಲ್ ಉಳಿತಾಯವನ್ನು ಕುಗ್ಗಿಸಬಹುದು. Bun ಮರುಬರಹವು ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ವೇಗವಾಗಿ ಅಪಾರ ಪ್ರಮಾಣದ ಕೋಡ್ ಅನ್ನು ಹೊರಹಾಕಬಲ್ಲವು ಎಂದು ತೋರಿಸಿಕೊಟ್ಟರೂ, ಸುರಕ್ಷತೆ, ನಿಖರತೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಸಾಫ್ಟ್‌ವೇರ್ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳನ್ನು ಚಲಿಸುವ ಸೂಕ್ಷ್ಮ ಕೆಲಸಗಳಿಗೆ ಮಾನವ ಪರಿಣತಿಯು ಅತ್ಯಗತ್ಯವಾಗಿದೆ.