ما مدى فعالية "بانغرام" في التعامل مع كود الذكاء الاصطناعي؟

يتم كتابة المزيد والمزيد من الأكواد البرمجية باستخدام الذكاء الاصطناعي يومًا بعد يوم. وفقًا لساندار بيتشاي، الرئيس التنفيذي لشركة جوجل، فإن أكثر من 25% من أكواد جوجل قد كُتبت بواسطة الذكاء الاصطناعي حتى أواخر عام 2024. يقول الرئيس التنفيذي لشركة Robinhood أن معظم الأكواد التي يتم إصدارها في Robinhood يتم كتابتها الآن بواسطة الذكاء الاصطناعي. وقد دخل مصطلح "vibe coding" (الذي شاع استخدامه في تغريدة لأندريه كارباثي) إلى القاموس العام: وهو يعني أنك تستسلم تمامًا لـ"أجواء" البرمجة وتسمح للذكاء الاصطناعي بتولي زمام الأمور وكتابة الكود نيابة عنك.

تحاول شركات ناشئة مثل Cursor وLovable وReplit إزالة الحواجز التي تحول دون دخول عالم البرمجة: بمعنى أن الانخراط في البرمجة أصبح سهلاً للغاية لدرجة أن أي شخص في الشركة يمكنه كتابة كود برمجي، أو حتى إنشاء موقع إلكتروني أو تطبيق كامل دون أي معرفة بلغة Python أو React.

يكشف استطلاع "StackOverflow" للمطورين لعام 2025 عن مدى انتشار هذا الاتجاه. حيث يستخدم 84% من المطورين أدوات الذكاء الاصطناعي أو يخططون لاستخدامها في سير عملهم التطويري، بينما يستخدم 51% من المطورين المحترفين هذه الأدوات يوميًا. ويمثل هذا تحولًا كبيرًا في طريقة كتابة الأكواد البرمجية على نطاق القطاع بأكمله.

ومع ذلك، يكشف الاستطلاع أيضًا عن بعض الصعوبات التي ترافق هذه المرحلة من التطوير المدعوم بالذكاء الاصطناعي. ففي حين أفاد 52% من المطورين بأن أدوات الذكاء الاصطناعي أثرت إيجابيًا على إنتاجيتهم، انخفضت نسبة الرأي الإيجابي تجاه هذه الأدوات من أكثر من 70% إلى 60% في عام 2025. وبعد فترة «شهر العسل» الأولية التي اتسمت باستكشاف هذه الأدوات التي أنشأها الذكاء الاصطناعي، يبدو أن المطورين أصبحوا الآن أكثر حيادًا تجاهها.

ومصدر هذا الإحباط معبر: حيث يشعر 66% من المطورين بالإحباط بسبب «حلول الذكاء الاصطناعي التي تكاد تكون صحيحة، لكنها ليست كذلك تمامًا»، ويجد 45% منهم أن تصحيح الأخطاء في الشفرات التي يولدها الذكاء الاصطناعي يستغرق وقتًا أطول مما كان متوقعًا. ولا يثق سوى 3% من المطورين «بشدة» في مخرجات أدوات الذكاء الاصطناعي، في حين أن 46% منهم يشككون بشكل فعلي في دقة هذه الأدوات.

وهذا يخلق مفارقة مثيرة للاهتمام: فالمطورون يعتمدون بشكل متزايد على الذكاء الاصطناعي لكتابة الأكواد البرمجية، لكنهم لا يثقون تمامًا بما ينتجه. وكما يشير الاستطلاع، فإن 75% من المطورين ما زالوا يلجأون إلى البشر لطلب المساعدة عندما «لا يثقون في إجابات الذكاء الاصطناعي»، مما يجعلهم «الحكم النهائي في الجودة والصحة». وفقًا لسيمون ويليسون، فإنه "لن يستخدم الكود الذي تم إنشاؤه بواسطة الذكاء الاصطناعي في المشاريع التي يخطط لإطلاقها ما لم يقم بمراجعة كل سطر. فليس هناك خطر حدوث هلوسة فحسب، بل إن رغبة روبوت الدردشة في أن يكون لطيفًا تعني أنه قد يقول إن فكرة غير قابلة للتطبيق تعمل. وهذه مشكلة خاصة بالنسبة لنا نحن الذين لا نعرف كيفية تعديل الكود. فنحن نخاطر بإنشاء برامج بها مشاكل مدمجة".

أهمية الكشف عن الشفرات التي تم إنشاؤها بواسطة الذكاء الاصطناعي

على الرغم من أن الكود الذي يُنتج بواسطة الذكاء الاصطناعي أصبح أمراً لا مفر منه، إلا أنه لا تزال هناك بالتأكيد بعض الحالات التي يكون من المنطقي فيها التحقق من أن الكود قد كُتب بواسطة الإنسان.

1. في عملية التوظيف، وعند تعيين مطور برمجيات، من المهم التأكد من أن المبرمج قادر تمامًا على كتابة كود عالي الجودة دون الحاجة إلى مساعدة الذكاء الاصطناعي. بالإضافة إلى ذلك، من المهم أيضًا تقييم مدى فهمه للكود حتى يتمكن من تصحيح الأخطاء وتشخيص الكود المعيب الذي تم إنشاؤه بواسطة الذكاء الاصطناعي أو بمساعدته في إطار عمله.

2. في مجال التعليم، من المهم تعليم الطلاب كيفية البرمجة دون الاعتماد على مساعدة الذكاء الاصطناعي. فمع الإفراط في الاعتماد على مساعدة الذكاء الاصطناعي، قد يفوت الطلاب المفاهيم الأساسية ويتخطون تعلم المهارات التي يحتاجونها ليصبحوا مهندسي برمجيات ناجحين. وعلى الرغم من أنه من المرجح أن يتمكن هؤلاء الطلاب من الوصول إلى مساعدة الذكاء الاصطناعي أثناء عملهم، كما أشارت إليه دراسة استقصائية للمطورين أجرتها StackOverflow، إلا أنه بدون أساس متين، لن يتمكن الطلاب من إصلاح الكود الخاطئ الذي أنشأه الذكاء الاصطناعي أو حتى فهم ما هو الخطأ في المقام الأول.

3. الامتثال والأمن. تعتبر العديد من أطر الامتثال أن الشفرات التي يُنتجها الذكاء الاصطناعي تنطوي على مخاطر أعلى بسبب احتمال حدوث أخطاء أو "هلوسات" برمجية. وهناك أيضًا اعتبارات مهمة تتعلق بالتراخيص وحقوق النشر - فقد تقوم نماذج الذكاء الاصطناعي عن غير قصد بإعادة إنتاج شفرات ذات تراخيص غير متوافقة، مما يؤدي إلى انتهاكات للامتثال. بالإضافة إلى ذلك، هناك تساؤلات مطروحة حول ما إذا كان يمكن اعتبار الشفرات التي يُنتجها الذكاء الاصطناعي ملكية خاصة أو قابلة لحماية حقوق النشر.

4. تتبع مصدر الكود. قبل ظهور الذكاء الاصطناعي، كانت أدوات مثل «git blame» تسهل تتبع من كتب كل سطر من الكود وأسباب إجراء التغييرات. ومع قيام الذكاء الاصطناعي بإنشاء كميات ضخمة من الكود، يصبح من الصعب على المطورين تذكر السياق والأسباب الكامنة وراء كل سطر. تساعد القدرة على اكتشاف وتتبع الكود الذي تم إنشاؤه بواسطة الذكاء الاصطناعي في صيانة الكود وتصحيح الأخطاء وإدارة الموارد. يمكن للمديرين التقنيين وقادة الهندسة استخدام هذه المعلومات لتقييم فعالية نماذج الذكاء الاصطناعي المختلفة والتأكد من أن فرقهم تستخدم أفضل الأدوات المتاحة.

قدرة "بانغرام" على اكتشاف الشفرات التي تم إنشاؤها بواسطة الذكاء الاصطناعي

بشكل عام، يستطيع «بانجرام» الكشف بشكل متحفظ عن معظم الأكواد التي تم إنشاؤها بواسطة الذكاء الاصطناعي، لا سيما عندما يتجاوز طول الكود 40 سطراً. ويُعتبر «بانجرام» متحفظاً لأنه نادراً ما يصنف الأكواد المكتوبة يدوياً على أنها من إنتاج الذكاء الاصطناعي، لكنه يغفل حوالي 8% من الأكواد التي تم إنشاؤها بواسطة الذكاء الاصطناعي، حيث يتوقع خطأً أنها من صنع الإنسان.

عند فحص جميع مقتطفات الكود، يفوت Pangram حوالي 20% من الكود الذي تم إنشاؤه بواسطة الذكاء الاصطناعي، لأن معظم مقتطفات الكود القصيرة التي ينتجها الذكاء الاصطناعي هي نصوص نمطية لا يمكن تمييزها عن الكود الذي يكتبه البشر، أو أنها ببساطة لا تحتوي على إشارات كافية لتتمكن من اكتشافها.

دقة الكود الذي يزيد طوله عن 40 سطراً

الدقة في جميع مقتطفات الكود

مجموعة البيانات

نستخدم مجموعة بيانات GitHub لإجراء هذا التحليل. أما بالنسبة لرمز الذكاء الاصطناعي، فنستخدم مرحلة انعكاس اصطناعي بسيطة من مرحلتين:

1. اطلب من LLM تقديم ملخص موجز لمضمون القانون.
2. اطلب من نظام LLM كتابة نموذج كود وفقًا للملخص المعروض.

نستخدم GPT-4o وClaude Sonnet وLlama 405b وMistral 7B وGemini 1.5 Flash وGemini 1.5 Pro لإنشاء مجموعة البيانات.

توصيات للكشف عن الشفرات التي تم إنشاؤها بواسطة الذكاء الاصطناعي

يصعب اكتشاف الشفرات التي يُنتجها الذكاء الاصطناعي أكثر من النصوص التي يُنتجها، وذلك لوجود درجات حرية أقل بكثير: فهناك خيارات أسلوبية تعسفية أقل يتخذها المبرمج مقارنة بالكاتب. نلاحظ في الحالات السلبية الخاطئة التي نراها أن العديد من الملفات لا تتيح مجالًا كبيرًا للإبداع أو المرونة، مثل الكود النمطي الذي يتم إنشاؤه تلقائيًا أو ملفات التكوين. كما أن اللغات منخفضة المستوى، مثل C و Assembly وكود المُترجم، أكثر صرامة في قواعدها النحوية، وبالتالي تقل الإشارات التي يمكن من خلالها معرفة متى يكون الكود من إنتاج الذكاء الاصطناعي.

إذا كنت تبحث عن علامات تدل على أن الكود تم إنشاؤه بواسطة الذكاء الاصطناعي، فننصحك بما يلي:

• التعليقات: غالبًا ما تتبع الشفرات التي يُنشئها الذكاء الاصطناعي أسلوبًا محددًا جدًّا في كتابة التعليقات. كما نلاحظ أن الشفرات التي يُنشئها الذكاء الاصطناعي تحتوي على عدد من التعليقات يفوق بكثير ما يكتبه الإنسان عادةً.
• التشابه الداخلي: غالبًا ما يكون الكود الذي يُنتج بواسطة الذكاء الاصطناعي مشابهًا لأكواد أخرى تم إنتاجها بواسطة الذكاء الاصطناعي، لا سيما في المهام الفردية ضمن مقررات البرمجة. ويتوفر نظام MOSS(مقياس تشابه البرمجيات)، الذي تم تطويره في جامعة ستانفورد، للاستخدام غير التجاري، وهو فعال في الكشف عن تشابه الأكواد، وغالبًا ما يتمكن من اكتشاف العديد من مهام البرمجة التي تم إنتاجها بواسطة الذكاء الاصطناعي والتي تبدو متشابهة.
• يستطيع برنامج Pangram الكشف عن جزء كبير من الأكواد التي تم إنشاؤها بواسطة الذكاء الاصطناعي دون حدوث حالات إيجابية خاطئة، لكن حالات السلبية الخاطئة شائعة. ويمكن الاعتماد على Pangram كأداة فحص للكشف المبدئي عن بعض حالات الانتحال في الأكواد التي تم إنشاؤها بواسطة الذكاء الاصطناعي، ولكن ليس كلها.