На прошлой неделе вышел Bun 1.4. В этом релизе Bun переписан с Zig на Rust: более миллиона новых строк кода. Смена языка вызвала волну обсуждений в сообществе, но главное здесь другое: как именно выполнялась миграция и какого масштаба она достигла. Детали этой истории, мой собственный опыт и уже близкие достижения ИИ убеждают меня: мы пришли к концу программирования в привычном смысле.
Речь о том, что ручное написание кода с его последующей человеческой ревью как способ создания работающего программного обеспечения движется к исчезновению. Точнее, этот подход утонет в лавине работающего ПО, которое будут создавать агенты, а люди будут проверять лишь конечный результат, а не сам код. Программного обеспечения станет больше, чем когда-либо, но большую часть кода не напишет и не прочитает ни один человек.
Да, вместе с ним появится гора мусора: глючного, бесполезного, ужасного программного обеспечения, которое не соответствует ни одному программистскому стандарту качества и стиля. Но будут и хорошо спроектированные, работающие программы, решающие реальные задачи, хотя ни один человек не изучил их код в деталях.
Этот взрывной рост производства ПО уже виден на графике из поста GitHub об инциденте 17 августа:
С прошлого года объём производимого кода растёт по экспоненте. Моя гипотеза: большая его часть приходит из сайд-проектов или внутрикорпоративных инициатив, которые считаются некритическими. В большинстве компаний существует организационное трение, которое мешает отдельным разработчикам выпускать в два раза больше на продуктах, критически важных для бизнеса, не говоря уже о десятикратном или стократном росте.
Почти весь код на этих графиках создан моделями, которые уже не являются самыми передовыми. Это фронтирные модели месячной давности: не Fable 5 и не GPT 5.6 Sol.
Если статья понравится — приглашаю в канал AI for Devs. Каждый день публикую похожие материалы: модели, агенты, практические кейсы и новости из мира AI.
Разработчики Anthropic и OpenAI живут в ближайшем будущем
Если почитать подробности о миграции Bun на Rust, главное выглядит так: всё это сделал один разработчик, Джаррэд Самнер, работавший с пре-релизной версией Fable 5 и практически неограниченным бюджетом на токены. Он создал рабочий каркас и инфраструктуру, в которой агенты параллельно переводили кодовую базу с Zig на Rust.
За 11 дней несколько агентов сделали 6 778 коммитов и сожгли столько токенов, что по стандартным ценам API это обошлось бы примерно в 165 000 долларов.
Я помню, как драма вокруг этой переписки началась ещё в начале мая, задолго до публикации того поста в блоге. Факт миграции раскрылся только через мерж с изменениями. Меня поразил масштаб, и я строил теории о том, что это сделано с неограниченными токенами Mythos:
Я очень хочу знать, сделано ли это с неограниченными токенами Mythos. Это ближайшее будущее для остальных? Или настоящее, и они использовали токены Opus 4.7? Моё предположение: первое. Значит, это предпросмотр того, что станет возможным позже в этом году.
Тогда я был уверен, что с Opus 4.7 такая миграция невозможна, а значит, её обеспечил ещё не выпущенный Mythos.
ИИ написал миллион строк кода, затем несколько месяцев доводил его до ума, и в итоге получился надёжный инструмент, работающий на миллионах машин разработчиков. Можно сказать: "Не так уж впечатляет, ведь был оракул для сравнения, переход с одного языка на другой был простым". Но это недооценка произошедшего. Если выстроить систему верификации и задать правильное направление, ИИ способен создать сложный, высококлассный программный продукт и продолжать его улучшать до тех пор, пока всё не заработает.
Если следить за тем, что разработчики Anthropic и OpenAI пишут в X последние несколько месяцев, картина такая: каждый из них выпускает десятки или сотни PR в неделю и сосредоточился на задачах более высокого уровня. Невозможно детально ревьюить сотни PR в неделю и параллельно делать собственную работу — отсюда и смещение фокуса.
Если верить тому, что они говорят публично, они уже не проводят детальную проверку каждой строки кода. Они строят системы, пишут промпты и верификационный инструментарий, чтобы ИИ создавал их программное обеспечение в масштабе и с высокой скоростью. По крайней мере, так я интерпретирую их разговоры о "loops".
Но они работают в мире, где у них неограниченный доступ к Fable и Astra (следующая модель OpenAI). Они живут в ближайшем будущем, которое остальные из нас, вероятно, увидят примерно через год. Их опыт использования ИИ для разработки ПО разительно отличается от опыта всех остальных, кто ждёт еженедельного обновления лимита на Fable.
Релиз Bun 1.4 даёт ясное представление о том, что возможно, когда интеллект уровня Fable сочетается с практически неограниченными токенами: поставка ПО в масштабе, которое работает, как доказывают миллионы работающих деплоев.
Мой личный опыт
Два свежих примера из моей практики. На уровне ощущений Fable качественно отличается от предыдущих моделей примерно так же, как люди замечали разницу с Opus 4.5, вышедшим в конце прошлого ноября. Пройдена некая граница: можно добиться большего с высокоуровневыми указаниями и меньшим надзором. Я задаю требования, архитектуру и инструкции для функции, которую хочу разработать, и модель создаёт полностью работающую первую версию за несколько рабочих часов без дальнейшего участия с моей стороны.
Оба примера касаются вещей, которые пока не выпущены в InfluxDB, но реализованы в виде новых возможностей в форке. Я выбрал их, чтобы проверить возможности новой модели.
Первый пример: интеграция с Iceberg, благодаря которой данные в InfluxDB становятся доступны через Iceberg REST или через внешний S3-бакет и каталог Glue. Это сложная функция:
API и CLI для включения функции
Реализация Iceberg REST API
Глубокая интеграция с компактором для создания Iceberg-манифестов и данных Parquet во внешнем хранилище
Создание Iceberg-манифестов или запросов к Glue
S3 API, реализованный в InfluxDB для сценариев, не связанных с экспортом
Тысячи строк реализации и тестового кода. Я набросал примерную архитектуру и требования, затем дал указание Fable выполнить работу через субагентов, запуская код-ревью и контролируя процесс. Через 14 часов получилась работающая версия. Затем я дал команду проверить всё сквозным тестом с запущенным кластером InfluxDB и DuckDB с PyIceberg в качестве внешних клиентов. Модель исправила несколько багов и подтвердила корректность работы.
Второй пример: система репликации данных с граничных узлов для InfluxDB. Несколько отдельных нод InfluxDB работают как спутники и периодически реплицируют сжатые данные в центральный кластер InfluxDB. Система включает:
API для настройки того, что реплицируется и с какой периодичностью
CLI для доступа к нему
Обновления компактора для фильтрации, агрегации и создания сжатых данных для репликации, а также отслеживания того, что уже отправлено и что ещё нет
API для доступа граничного узла к каталожной информации, используемой в нагрузке репликации
API для получения сжатых блоков данных в конвейер
Метрики и системные таблицы для полной наблюдаемости всей установки
Я описал архитектуру и привёл примеры того, как должен выглядеть пользовательский опыт. Совместно с Fable мы разработали дизайн, после чего я дал указание приступить к реализации, выступая в роли супервайзера. Через 28 часов получилась реализация с работающей основной функциональностью.
Затем я дал команду развернуть её в тестовой инфраструктуре AWS, наблюдать за метриками и логами и исправлять баги по ходу. После нескольких коротких итераций появилась сквозная работающая реализация, которая продолжает работать несколько месяцев спустя. Позже я даже попросил модель создать UI, отображающий репликацию между нодами с показателями скорости передачи данных — почему бы и нет.
Конечно, ни один из этих проектов пока не выпущен, не поддерживается и не является production-ready в полном смысле слова. Можно сказать то, что обычно говорят об ИИ: он помогает быстрее сделать прототип. Но это недооценивает происходящее.
Прототип, это работающее программное обеспечение. А его улучшение и тестирование обеспечиваются дальнейшими петлями улучшения с ИИ. Продукт становится лучше не через человеческий код-ревью, а через использование и тестирование.
Оба проекта я сделал в рамках еженедельного лимита Fable и моей подписки (между ними пришлось подождать неделю). Чего я не смог сделать, так это запустить это в облаке, в бесконечной петле улучшения с неограниченными кредитами Fable. Мы не можем себе позволить сотни тысяч долларов ежемесячных расходов, которые я, скорее всего, накопил бы, отправив топового фронтирного агента работать на меня 24/7.
Джаррэд завершил миграцию на Rust за 11 дней, но затем агенты ещё несколько месяцев занимались непрерывным улучшением, прежде чем вышел официальный поддерживаемый релиз. Прототип, это начало, но агент поможет вам выпустить и итерированный, улучшенный, закалённый production-ready продукт.
Ближайшее будущее для нас, обычных программистов
Год назад у нас были Opus 4.1 и GPT-5. Теперь лучший интеллект можно купить за долю прежней цены. В конце ноября и начале декабря прошлого года вышли Opus 4.5 и GPT 5.2, именно эти две модели заставили каждого CTO переосмыслить зимние каникулы и осознать, что функции и программное обеспечение теперь можно создавать по запросу.
Я ожидаю ещё один-два крупных релиза от OpenAI и Anthropic в этом году. Мой прогноз: в сентябре выйдет Astra от OpenAI, она будет уровня Mythos/Fable и, вероятно, превзойдёт Fable 5 по возможностям.
Аналоги Fable и Astra, сопоставимые по пересечению порога с Opus 4.5 и GPT 5.2, я ожидаю либо к концу этого года, либо в начале следующего.
Такой уровень модельного интеллекта и возможностей позволит создавать любые функции для программного обеспечения. Оно будет работать. Система сможет тестировать и верифицировать за вас. Производство пойдёт настолько быстро, насколько вы готовы принимать код. Единственный вопрос: что именно вы хотите выпустить и что готовы поддерживать.
К концу следующего года такой интеллект будет достаточно дешёвым, чтобы большинство из нас работало с ним полный рабочий день, как Джаррэд работал с пре-релизным Fable при создании Bun 1.4.
Ещё через год-два появится широкий доступ к системам, способным генерировать токены в 10-100 раз быстрее за долю нынешней стоимости. Смотрите анонс Cerebras C4 и результаты OpenAI Jalapeño. Широкий, дешёвый доступ к фронтирному интеллекту с невероятной скоростью уже на пути.
Организационная инерция, скорее всего, означает ещё десятилетие ручного написания кода и детального ревью со стороны коллег. Многие, если не большинство компаний продолжат разрабатывать ПО по-прежнему.
Но самые продуктивные создатели программного обеспечения будут делать это без традиционного программирования. Они будут управлять ИИ, создавать каркасы, программные фабрики, системы QA и верификации, которые выпускают работающее программное обеспечение быстрее, чем мы когда-либо видели.
И мы придём к тому, что работающего, production-ready программного обеспечения, написанного ИИ, станет больше, чем написанного людьми. Конец программирования наступит.
Русскоязычное сообщество про AI в разработке
Друзья! Эту статью подготовила команда ТГК «AI for Devs» — канала, где мы рассказываем про AI-агентов, плагины для IDE, делимся практическими кейсами и свежими новостями из мира ИИ. Подписывайтесь, чтобы быть в курсе и ничего не упустить!