هوش مصنوعی کوپایلت فیوژن در ۲۸ اکتبر ۲۰۲۶ در رویداد گیت‌هاب یونیورس ۲۰۲۶ به‌صورت عمومی عرضه شد و شیوه انتخاب مدل در کدنویسی با هوش مصنوعی را تغییر داد. در این سیستم تازه، برنامه‌نویس دیگر لازم نیست برای هر کار، خودش یک مدل مشخص را انتخاب کند؛ کافی است سطح تلاش را تعیین کند تا کوپایلت خودش تصمیم بگیرد کدام مدل‌ها، و با چه ترکیبی، آن کار را انجام دهند. این خبر یک مهارت تازه را به فهرست مهارت‌های برنامه‌نویس اضافه می‌کند: مهارت کار با سامانه‌های چندمدلی به‌جای تکیه بر یک مدل واحد.
کوپایلت فیوژن یک سامانه مسیریابی و هماهنگی چندمدلی است، نه یک مدل تازه. وقتی در انتخاب‌گر مدل، گزینه کوپایلت فیوژن را برمی‌گزینید، کار را به سیستمی می‌سپارید که برای هر درخواست تصمیم می‌گیرد کدام مدل‌ها به کار گرفته شوند و چگونه با هم ترکیب شوند. گیت‌هاب می‌گوید فیوژن از ترکیب دو فناوری پیشین ساخته شده است: هماهنگی چندمدلی پروژه هایدرافیوژن و منطق انتخاب خودکار مدل در کوپایلت.
برای هر کار، سه سطح تلاش در دسترس است: استاندارد برای کدنویسی روزمره، بالا برای کارهای دشوارتر و استدلال عمیق‌تر، و مکس که توانمندترین مدل‌ها را برای دشوارترین کارها به کار می‌گیرد. پشت این سطح‌ها، سه الگوی اجرا وجود دارد: تکی که در آن یک مدل به‌تنهایی کار را حل می‌کند، آبشاری که در آن یک مدل سبک پیش‌نویس می‌سازد و بازبینی کیفیت تصمیم می‌گیرد که پیش‌نویس پذیرفته شود یا کار به مدلی قوی‌تر سپرده شود، و نقد که در آن یک مدل پیش‌نویس می‌نویسد، مدل دوم آن را بازبینی می‌کند و مدل نخست بر اساس نقد، متن را اصلاح می‌کند.
تا امروز، بسیاری از برنامه‌نویس‌ها وقت زیادی صرف این می‌کردند که برای هر کار، مدل مناسب را حدس بزنند و وسط کار، مدل را عوض کنند. فیوژن این بار را از دوش برنامه‌نویس برمی‌دارد. نتیجه اعلام‌شده گیت‌هاب هم قابل توجه است: بر اساس گزارش این شرکت، سطح مکس فیوژن در شاخص عامل کدنویسی وب‌سایت آرتیفیشال آنالیسیس امتیاز ۶۰ گرفته است که تنها دو امتیاز با کلود کد همراه با مدل اوپوس ۵.۵ مکس فاصله دارد، در حالی که میانگین هزینه رابط برنامه‌نویسی هر کار تقریبا نصف، مصرف توکن تقریبا نصف و زمان هر کار نزدیک به ۴۰ درصد کمتر بوده است. این اعداد، ادعای خود گیت‌هاب است و هنوز راستی‌آزمایی مستقل کاملی ندارد، اما جهت حرکت صنعت را روشن نشان می‌دهد: ترکیب هوشمند مدل‌ها می‌تواند هم کیفیت را بالا نگه دارد و هم هزینه و زمان را پایین بیاورد. از نظر مالی هم هزینه جداگانه‌ای برای خود سامانه هماهنگی دریافت نمی‌شود و کاربر تنها هزینه مدل‌های به‌کاررفته را با نرخ استاندارد همان مدل می‌پردازد؛ گیت‌هاب برای طرح‌های پولی، تخفیف سی درصدی بر هزینه مدل‌ها در استفاده از فیوژن تا ۳۰ نوامبر ۲۰۲۶ اعلام کرده است. فیوژن در همه طرح‌های کوپایلت، در ویژوال استودیو کد، اپلیکیشن گیت‌هاب کوپایلت، رابط خط فرمان کوپایلت و محیط‌های جت‌برینز در دسترس است.
گام نخست، مبانی را محکم کنید: مدل زبانی چیست، توکن و پنجره زمینه چه معنایی دارند، و تفاوت مدل سبک و سریع با مدل بزرگ و استدلالی در چیست. بدون این مبانی، انتخاب سطح تلاش به حدس تبدیل می‌شود.
گام دوم، یک هفته با سطح استاندارد کار کنید. کارهای روزمره مانند تکمیل کد و رفع خطاهای کوچک را با سطح استاندارد انجام دهید و نتیجه را با تجربه پیشین خودتان مقایسه کنید.
گام سوم، سه الگوی اجرا را در عمل بشناسید. یک باگ پیچیده را یک بار با سطح بالا و یک بار با سطح مکس حل کنید و تفاوت کیفیت، زمان و هزینه را یادداشت کنید. سپس یک تغییر چندفایلی را امتحان کنید تا تفاوت الگوی آبشاری و نقد با اجرای تکی را ببینید. این مقایسه عملی، مهم‌ترین درس یادگیری فیوژن است.
گام چهارم، مهارت نوشتن درخواست خوب را تمرین کنید. در سامانه‌های چندمدلی، کیفیت ورودی شما هنوز تعیین‌کننده است: زمینه کافی بدهید، هدف را روشن بنویسید و نتیجه مورد انتظار را شرح دهید. هرچه درخواست دقیق‌تر باشد، سامانه مسیریابی هم انتخاب بهتری خواهد داشت.
گام پنجم، مصرف و هزینه را اندازه بگیرید. گزارش مصرف طرح خود را هر هفته بررسی کنید و ببینید کدام سطح تلاش برای کدام نوع کار، بهترین نسبت کیفیت به هزینه را داده است.
در تیم‌های نرم‌افزاری، فیوژن برای سه کار بیشترین ارزش را دارد. نخست، بازبینی کد: الگوی نقد می‌تواند پیش‌نویس را پیش از رسیدن به هم‌تیمی‌ها، یک بار دیگر از نگاه مدلی دیگر بگذراند. دوم، رفع باگ‌های چندلایه که نیازمند خواندن چند فایل و استدلال زنجیره‌ای است؛ این‌جا سطح بالا یا مکس معنا پیدا می‌کند. سوم، مهاجرت و بازنویسی بخش‌های قدیمی کد که هم دقت می‌خواهد و هم سرعت.
برای مدیران تیم هم یک پیام عملی وجود دارد: در محیط‌های سازمانی، مدیران می‌توانند ببینند فیوژن از کدام مدل‌ها استفاده می‌کند و استفاده از مدل‌های خاص را برای فیوژن محدود کنند، بی‌آنکه آن مدل‌ها برای بقیه کاربران حذف شوند.
روند روشن است: آینده کدنویسی با هوش مصنوعی، آینده یک مدل واحد نیست، بلکه آینده لایه‌های هوشمندی است که چند مدل را هماهنگ می‌کنند. گیت‌هاب هم اعلام کرده است که فناوری هماهنگی چندمدلی فیوژن از راه پلتفرم مایکروسافت فاندری در اختیار توسعه‌دهندگان عامل‌های هوش مصنوعی قرار می‌گیرد.
با این حال، دو احتیاط را فراموش نکنید. نخست، اعداد کارایی اعلام‌شده از سوی شرکت‌ها، جایگزین تجربه خودتان نمی‌شود؛ همیشه کیفیت خروجی را در پروژه واقعی خودتان بسنجید. دوم، سامانه‌های چندمدلی، جایگزین قضاوت برنامه‌نویس نیستند؛ کد تولیدشده را بخوانید و آزمایش کنید.
بهزاد حسین عباسی، بنیانگذار اپراتوری هوش مصنوعی و اپراتوری ابرهوش
