AI agent portuje 27-letni kod w kilka godzin

11 lipca Terence Tao – matematyk z Medalem Fieldsa, profesor UCLA i autor ponad 400 prac naukowych – opublikował wpis, który w ciągu doby trafił na pierwsze miejsce Hacker News. Opisał w nim eksperyment z agentami AI, który może zmienić sposób myślenia o starym kodzie. Tao poprosił narzędzie Claude Code o przeniesienie apletów Java 1.0, które napisał w 1999 roku, do nowoczesnego JavaScriptu. Agent wykonał zadanie w ciągu kilku godzin – i co zaskakujące, poprawił jakość kodu względem oryginału. To nie jest jednak kolejna opowieść o szybkości AI. Najcenniejszy okazał się framework, który Tao zastosował do oceny, kiedy można ufać wynikom agenta.

Jak agent AI ożywił martwe aplety Java

W 1999 roku Tao stworzył zestaw apletów Java 1.0 do wizualizacji abstrakcyjnych obiektów matematycznych – plastrów miodu, zbiorów Besicovitcha i innych. Działały one w przeglądarkach przez lata, dopóki Java nie straciła wsparcia, a narzędzia po prostu przestały być używane. Każdy zespół programistyczny z dłuższym stażem zna ten problem: kod napisany dla martwego środowiska, który jest zbyt kosztowny, by przepisać go ręcznie, ale wciąż wartościowy.

Tao polecił agentowi AI przetłumaczyć aplety na JavaScript – współczesny odpowiednik środowiska graficznego Java AWT. Agent poradził sobie z wyzwaniem technicznym, które wykracza poza prostą translację składni. Java 1.0 używała modelu graficznego z retencją obiektów, podczas gdy HTML5 Canvas operuje w trybie natychmiastowym – każda klatka wymaga narysowania od nowa. Agent musiał rozpoznać matematyczne obiekty z kodu źródłowego, przełożyć prymitywy graficzne na API Canvas, przepisać system obsługi zdarzeń i przetestować działanie. Wszystkie 24 aplety – w tym kolorowa wersja zbioru Besicovitcha, który zastąpił oryginalny monochromatyczny render – działały po kilku godzinach.

Następnie Tao policzył błędy. Znalazł jeden niepożądany efekt – nieprawidłowe zachowanie przy przeciąganiu poza obszar roboczy w aplecie analizy zespolonej. Agent jednak wykrył też dwa błędy w oryginalnym kodzie z 1999 roku, których Tao wcześniej nie zauważył. Wynik netto: portowanie z pomocą AI poprawiło jakość kodu. Tao podkreślił, że ryzyko było niskie – aplety są pomocami wizualnymi, a nie elementami dowodu matematycznego. Błędny przeciągnięty obiekt od razu rzuca się w oczy; błędny dowód to katastrofa zawodowa. To rozróżnienie jest kluczem do całego frameworku.

Reguła Tao – kiedy ufać AI?

Tao od dwóch lat dokumentuje swoją ewolucję w podejściu do AI. We wrześniu 2024 nazwał wcześniejszy model OpenAI „przeciętnym, ale nie całkiem niekompetentnym studentem”. W marcu 2026 ocenił, że AI jest „gotowe do prime time’u” – w matematyce i fizyce teoretycznej oszczędza więcej czasu, niż marnuje. To przejście od sceptycyzmu do warunkowego entuzjazmu ma konkretną przyczynę: poszerzenie katalogu zadań, które można bezpiecznie delegować.

Trzy warunki zaufania według Tao

Na sympozjum Future of Mathematics na Stanfordzie w maju 2026 Tao sformułował zasadę wprost: poziom automatyzacji, z którego badacz może skorzystać, zanim stanie się bezużyteczny, jest w przybliżeniu proporcjonalny do tego, jak rygorystyczny jest proces weryfikacji. W przypadku kodu oznacza to trzy konkretne warunki:

  • Szybkość wykrycia błędu – musi być natychmiastowa. Wizualizację można uruchomić i od razu zobaczyć, czy działa.
  • Widoczność dla eksperta – osoba znająca dziedzinę musi rozpoznać, że coś jest nie tak. Zbiór Besicovitcha narysowany nieprawidłowo jest oczywisty dla matematyka.
  • Ograniczone konsekwencje – błąd nie może prowadzić do katastrofy. Zepsuty drag w aplecie to nic w porównaniu z błędem w systemie płatności.

Co ważne, ten framework nie jest unikalny dla matematyki. Jest strukturalnie identyczny z zasadą proporcjonalnego ryzyka, którą od końca 2024 roku głoszą frameworki zarządzania AI w inżynierii oprogramowania – Superpowers, gstack i GSD, które razem zgromadziły prawie 400 tysięcy gwiazdek na GitHubie. Wszystkie trzy sprowadzają się do tej samej reguły: odpowiedni poziom autonomii agenta zależy od tego, jak szybko i niezawodnie można wykryć i naprawić błąd. Tao, pracując od podstaw na konkretnym problemie, niezależnie doszedł do tego samego wniosku co inżynierowie. To nie przypadek – to sygnał, że zasada jest poprawna.

Co to oznacza dla zespołów programistycznych?

Eksperyment Tao ma bezpośrednie przełożenie na codzienną pracę inżynierów. Jego aplety z 1999 roku są idealną metaforą dla wewnętrznych narzędzi, które większość organizacji ma w swoich repozytoriach: kod funkcjonalny, ale przestarzały, oparty na martwym środowisku, nieopłacalny do przepisania ręcznie, ale wciąż przydatny. Migracja z Java 1.0 do JavaScript to przykład całej klasy problemów – Python 2 do Python 3, stare frameworki do nowoczesnych odpowiedników, własne języki DSL do rozwiązań open source – gdzie problem jest dobrze zdefiniowany, a poprawność można łatwo zweryfikować.

Z przebiegu pracy Tao wyłaniają się trzy praktyczne zasady, które można zastosować w każdym zespole:

  1. Triage według ryzyka – przed delegacją zadania agentowi należy ocenić, jakie są konsekwencje błędu. Wizualizacje, testy, generowanie kodu boilerplate – tak. Systemy krytyczne dla bezpieczeństwa, ścieżki płatności – nie. To właśnie governance, który umożliwia skalowanie AI.
  2. Zachowuj audyt – Tao opublikował transkrypty sesji z agentem dla apletu relatywistycznego i wizualizacji Gilbreatha. W firmie taki log to podstawa debugowania i dowód, które decyzje były ludzkie, a które powierzone AI.
  3. Celuj w legacy code – migracja starego kodu zawsze była droga, bo wymagała czasu seniorów. Agent może przejąć mechaniczną warstwę translacji. W przypadku Tao dał netto poprawę jakości. To konkretny, wysoko wartościowy use case, który wciąż jest niedoceniany w przedsiębiorstwach.

Ekonomia migracji legacy code zawsze opierała się na koszcie czasu doświadczonych inżynierów. Jeśli agenty radzą sobie z warstwą mechaniczną – a eksperyment Tao jest jednym z dowodów, że tak – wąskim gardłem staje się weryfikacja: czy mamy kogoś, kto potrafi uruchomić wynik i rozpoznać, czy jest poprawny? Dla wielu organizacji to tańsze i szybsze niż ręczne przepisywanie kodu.

Pełny wpis Tao jest dostępny na jego blogu, a wszystkie odświeżone aplety – w tym narzędzie do plastrów miodu autorstwa Tao i matematyka Allena Knutsona – działają na jego stronie z kolekcją interaktywnych apletów.

Źródło

Może Cię zainteresować