Modelence: 3 ملايين دولار لتحويل «الترميز بالحدس» إلى عملية قابلة للتنبؤ

قبل نصف عام فقط، لم يكن مصطلح «الترميز بالحدس» (vibe-coding) يثير لدى المهندسين الجادين سوى ابتسامة متعالية. بدا الأمر تسلية جديدة لمن لا يريدون تعلّم صيغة Python أو فهم بنية قواعد البيانات. لكن الواقع جاء أكثر سخرية: فاليوم يعتمد حتى المطوّرون ذوو الخبرة بشكل متزايد على التفاعل الحدسي مع مساعدات الذكاء الاصطناعي مثل Cursor أو Replit. المشكلة أن هذه العملية لا تزال أشبه بمحاولة تركيب أثاث من IKEA بتعليمات مكتوبة بلغة تندثر، وبقطع تغيّر شكلها باستمرار. وقد قررت شركة Modelence الناشئة أن الوقت قد حان لتحويل هذه الفوضى إلى معيار صناعي، وحصلت بالفعل على ثلاثة ملايين دولار لهذه المهمة.

يتلخص جوهر اللحظة الراهنة في قطاع تطوير البرمجيات في أزمة عميقة في الأدوات. نحن نحاول بناء المستقبل بمطارق قديمة. فقد صُمّمت بيئات التطوير المتكاملة (IDE) وأنظمة التحكم في الإصدارات لعالم يكون فيه الإنسان المؤلف الوحيد لكل سطر من الشيفرة. أما في عالم التوليد بالذكاء الاصطناعي، فتظهر الشيفرة في كتل ضخمة، وغالبًا ما تحتوي على أخطاء خفية، وقد يتغير سلوكها عند تحديث إصدار LLM. تدخل Modelence المشهد في اللحظة التي بدأ فيها المطوّرون يملّون من النسخ واللصق اللانهائي من الدردشة إلى المحرر والعكس. إنها تبني «شبكة أنابيب» للمنظومة الجديدة، حيث لا تكون الشبكة العصبية مجرد مُقترِح، بل آلية تنفيذ متكاملة.

تراهن فرقة Modelence على أن تطوير البرمجيات سيتحول نهائيًا خلال العامين المقبلين إلى إدارة تدفقات البيانات والأوامر النصية. لكن لكي يعمل ذلك في بيئات المؤسسات الكبرى، لا في المشاريع الشخصية فحسب، لا بد من القابلية للتنبؤ. فـ«الترميز بالحدس» اليوم هو أن تطلب من الشبكة العصبية «اجعله جميلًا»، فتفعل، لكنك لا تعرف لماذا ولا كيف تكرر ذلك غدًا. تقدّم Modelence أدوات تتيح تتبّع كيفية تغيّر سلوك النموذج بالضبط، ومواضع ظهور الهلوسات، وكيفية مزامنة عمل عشرات الوكلاء الذين يكتبون برنامجًا واحدًا. إنها محاولة لفرض انضباط هندسي صارم على عملية زئبقية هي التخاطب مع النماذج اللغوية.

يبدو استثمار ثلاثة ملايين دولار متواضعًا أمام جولات OpenAI التي تُقاس بالمليارات، لكنه إشارة جدية لسوق أدوات التطوير. فهو يؤكد أن رأس المال الجريء يؤمن بموت البرمجة الكلاسيكية بالشكل الذي عرفناه طوال الأربعين عامًا الماضية. فإذا كانت قيمة المطوّر تكمن سابقًا في معرفة الخوارزميات والمكتبات، فإنها تنتقل الآن إلى القدرة على صياغة المهام بشكل صحيح والتحقق من النتيجة. وتريد Modelence أن تكون الجسر الذي يتيح للمحترفين ألا يفقدوا السيطرة على الجودة وهم يعملون أسرع بعشر مرات.

ومن اللافت أن المشروع يظهر في ظل خيبة أمل عامة من الأغلفة البسيطة المبنية فوق GPT-4. فالسوق متخم بخدمات تكتفي بتمرير الطلبات إلى API الخاص بـOpenAI. أما Modelence فتسلك طريقًا آخر: فهي تحفر في عمق البنية التحتية. إنها لعبة طويلة الأمد: فإذا نجحت في إنشاء معيار للتفاعل «السلس» مع منظومة الذكاء الاصطناعي، فقد تصبح GitHub أو Docker الجديد لعصر البرمجيات التوليدية. وبينما يحاول المنافسون جعل الذكاء الاصطناعي أذكى، تجعل Modelence العمل معه أكثر راحة وأمانًا للشركات التي تخشى أن تأتمن شيفرتها على خوارزميات متقلبة.

في النهاية، سيتوقف نجاح Modelence على مدى سرعة تبنّي المجتمع لرؤيتها. فالمبرمجون قوم محافظون، ومن الصعب جدًا إقناعهم بتغيير سير عملهم المعتاد. غير أن السرعة التي يوفرها «الترميز بالحدس» مغرية أكثر من أن تُتجاهل. فحين تستطيع بناء نموذج أولي عامل للتطبيق في أمسية واحدة، يصعب أن ترغب في العودة إلى أسابيع من الكتابة اليدوية للشيفرة النمطية (boilerplate). تقدّم Modelence لنا ببساطة ضمانة كي لا نبني، ونحن نلهث وراء السرعة، بيتًا من ورق ينهار عند أول تحديث للنموذج.

الخلاصة: هل ستصبح Modelence أساسًا لنوع جديد من التطوير، أم ستبقى حلًا مؤقتًا إلى أن تتعلم LLM تصحيح أخطائها بنفسها؟