آمازون ابزار AWS Emulator را متنباز کرد؛ شبیهسازی که تماماً توسط هوش مصنوعی نوشته شده است
شرکت AWS از انتشار یک شبیهساز محلی رایگان خبر داد که به توسعهدهندگان اجازه میدهد بدون اتصال به اینترنت، سرویسهای ابری را آزمایش کنند. هیچ انسانی حتی یک خط از کدهای این ابزار را ننوشته یا بررسی نکرده است.
به قلم کاوه کردی
این خبر را به اشتراک بگذارید
توسعهدهندگان نرمافزار و دستیارهای هوش مصنوعی اکنون میتوانند کدهای خود را بدون نیاز به اتصال به اینترنت یا پرداخت هزینههای ابری، روی ماشینهای محلی خود آزمایش کنند. شرکت آمازون وب سرویسز (AWS) در تاریخ ۱۱ نوامبر ۲۰۲۶ ابزاری رایگان به نام «AWS Emulator» را منتشر کرد که بیش از ۲۰۰ سرویس ابری این شرکت را شبیهسازی میکند.[1][2]
این ابزار که به صورت متنباز و با مجوز مالکیت عمومی (CC0) در گیتهاب قرار گرفته است، یک نقطه عطف در مهندسی نرمافزار محسوب میشود. به گفته آمازون، مهندسان این شرکت حتی یک خط از کدهای این شبیهساز را ننوشته یا بررسی نکردهاند و تمام آن توسط عوامل هوش مصنوعی توسعه یافته است.[1][6]
مت گلدبرگ (Matt Goldberg)، مهندس ارشد اصلی در تیم ابزارهای توسعهدهندگان AWS، در وبلاگ رسمی این شرکت اعلام کرد که این پروژه کاملاً به صورت خودکار پیش رفته است. او نوشت: «تیم ما هیچیک از کدها را ننوشته یا بررسی نکرده است.»[1][4]
گلدبرگ تأکید کرد که صدها عامل هوش مصنوعی به صورت همزمان کار میکنند و روزانه هزاران مشکل را بدون دخالت انسان برطرف میسازند. این شبیهساز با زبان برنامهنویسی Rust نوشته شده است و به توسعهدهندگان اجازه میدهد تا حلقههای آزمایشی خود را به صورت محلی و با سرعت بالا اجرا کنند.[4][6]
این تغییر رویه، نیاز به اجرای مداوم کدها در محیط واقعی ابری را که با تأخیر شبکه و هزینههای بالا همراه بود، به طور کامل از بین میبرد. فایلهای اجرایی این برنامه اکنون برای دانلود در دسترس عموم قرار دارند و مخزن کدهای آن به صورت لحظهای توسط ماشینها بهروزرسانی میشود.[4][5]
بحران سرعت در عصر دستیارهای هوشمند
نیاز به چنین ابزاری مستقیماً از دل موفقیتهای اخیر در حوزه هوش مصنوعی مولد بیرون آمده است. دستیارهای برنامهنویسی مانند Kiro (متعلق به آمازون) و Claude Code (متعلق به آنتروپیک) اکنون میتوانند با سرعتی خیرهکننده کدهای پیچیده تولید کنند.[1][2]
اما این سرعت تولید کد، یک گلوگاه جدید و جدی در چرخه توسعه نرمافزار ایجاد کرده بود. تیمهای مهندسی نمیتوانستند با همان سرعت، کدهای تولید شده را در محیط واقعی ابر آزمایش کنند و عوامل هوش مصنوعی نیز برای بررسی صحت کدهای خود، نیاز به اجرای مکرر آنها داشتند.[1][2]
انجام این فرآیند تکراری در محیط واقعی AWS، علاوه بر تحمیل هزینههای سنگین پردازشی، با تأخیرهای شبکه همراه بود که سرعت توسعه را به شدت کاهش میداد. شبیهساز محلی جدید به این دستیارهای هوشمند اجازه میدهد تا میلیونها بار در ثانیه کدهای خود را روی سیستم محلی اجرا و اعتبارسنجی کنند.[1][2]
کالوی (Callaway)، از اعضای تیم توسعه، توضیح میدهد که این پروژه به شدت از دستاوردهای اخیر شرکت آنتروپیک الهام گرفته است. در اوایل سال جاری، تیمی از عوامل هوش مصنوعی آنتروپیک توانستند یک کامپایلر زبان C را از پایه بسازند و این ایده را در ذهن مهندسان آمازون جرقه زدند.[3]
از یک آزمایش آخر هفته تا محصولی نهایی
ریشههای تولد AWS Emulator به یک آزمایش ساده در تعطیلات آخر هفته بازمیگردد. مت گلدبرگ تصمیم گرفت تا توانایی دستیار برنامهنویسی Kiro را برای ساخت یک شبیهساز محلی از سرویس پیامرسانی Amazon SQS بسنجد.[1][3]
او یک دستور سه مرحلهای به Kiro داد که شامل نوشتن تستها بر اساس رابط خط فرمان AWS، اجرای آنها در محیط واقعی و سپس ساخت یک پیادهسازی در حافظه محلی بود. در کمال شگفتی، Kiro تنها در ۱۵ دقیقه یک نسخه اولیه و قابل قبول از SQS را تحویل داد.[1][5]
تا پایان همان آخر هفته، این دستیار هوشمند توانست نسخه خامی از سایر سرویسهای AWS را نیز شبیهسازی کند. اگرچه این نسخه اولیه دارای نقصهای آشکاری بود، اما تیم توسعهدهندگان از دوشنبه همان هفته استفاده از آن را برای آزمایش نرمافزارهای داخلی خود آغاز کردند.[1][3]
گلدبرگ در یادداشت خود از یک استعاره جالب برای توضیح این فرآیند استفاده میکند. او عوامل هوش مصنوعی را به کودکان مهدکودکی تشبیه میکند که قصد دارند یک نقاشی گروهی از دایناسورها بکشند، اما چون هنوز مهارت کافی ندارند، نقاشی را خراب میکنند.[1][4]
او توضیح میدهد که مشکل این عوامل، نیت بد آنها نیست، بلکه فقدان شایستگی و چارچوب مشخص است. راهکار او برای این مشکل، دادن یک «کتاب رنگآمیزی» با خطوط کاملاً مشخص به این عوامل بود تا بدانند دقیقاً چه چیزی را باید پیادهسازی کنند.[1][4]
معماری چندعاملی و مدلهای API
برای ایجاد این چارچوب مشخص، آمازون از مدلهای عمومی API خود که با فرمت Smithy نوشته شدهاند، استفاده کرد. بیش از ۴۰۰ مدل API که نحوه رفتار، ورودیها، خروجیها و خطاهای بیش از ۲۰۰ سرویس AWS را توصیف میکنند، به عنوان نقشه راه در اختیار هوش مصنوعی قرار گرفت.[4][5]
تیم آمازون دهها عامل خودکار را که روی پلتفرم Amazon Bedrock AgentCore اجرا میشدند، به سه گروه کاری مجزا تقسیم کرد. گروه اول، «نویسندگان تست» نام دارند که وظیفه آنها تولید دهها هزار تست انطباق از روی مدلهای API و اعتبارسنجی آنها در محیط واقعی AWS است.[2][4]
گروه دوم، «یابندگان خطا» هستند که نقش کنترل کیفیت را ایفا میکنند. این عوامل تستهای نوشته شده را روی شبیهساز محلی اجرا میکنند و در صورت بروز هرگونه مغایرت با محیط واقعی، به طور خودکار یک گزارش خطا در گیتهاب ثبت میکنند.[2][4]
گروه سوم، «تعمیرکاران» هستند که هر کدام یک نقص ثبت شده را برمیدارند و کد لازم برای رفع آن را با زبان Rust تولید میکنند. این چرخه کاملاً خودکار، بدون نیاز به هیچگونه دخالت انسانی، به طور مداوم در حال بهبود و گسترش کدهای شبیهساز است.[2][6]
دروازههای ادغام و امنیت بدون انسان
یکی از بزرگترین نگرانیها در مورد کدهایی که کاملاً توسط ماشین نوشته میشوند، مسئله امنیت و استانداردهای کیفی است. آمازون برای حل این مشکل، یک «دروازه ادغام» (Merge Gate) کاملاً خودکار طراحی کرده است که هر تغییر جدید باید پیش از ورود به کد اصلی از آن عبور کند.[1][5]
در این دروازه، مجموعهای از عوامل هوش مصنوعی دیگر به عنوان بازرسان امنیتی و بررسیکنندگان استانداردهای کدنویسی عمل میکنند. حتی چندین عامل امنیتی به صورت متخاصم تلاش میکنند تا کدهای نوشته شده توسط گروه تعمیرکاران را هک کرده یا آسیبپذیریهای آن را پیدا کنند.[5]
کالوی در مصاحبهای تأکید میکند که مهندسان انسانی هیچگاه کدهای تولید شده را به صورت دستی ویرایش نمیکنند. او میگوید: «ما آن را ویرایش نمیکنیم. ما آن را تغییر نمیدهیم. اگر متوجه شویم کد مشکلی دارد، سعی میکنیم آن مشکل را در عامل ردیابی کنیم و خود عامل را اصلاح کنیم تا کد بد تولید نکند.»[3]
به عنوان مثال، در نسخههای اولیه، عوامل هوش مصنوعی تصمیم گرفته بودند یک مفسر پایتون اختصاصی بنویسند تا شبیهساز بتواند توابع Lambda را اجرا کند. مهندسان انسانی با مشاهده این موضوع، دستورالعملها را تغییر دادند تا عوامل مجبور شوند از کتابخانههای استاندارد موجود استفاده کنند.[3][4]
پایان دوران شبیهسازیهای دستی
سوامی سیواسوبرامانیان (Swami Sivasubramanian)، معاون هوش مصنوعی عاملی و فناوریهای نوظهور در AWS، در یادداشتی به تاریخچه سیستمهای توزیعشده اشاره کرد. او یادآور شد که ۲۰ سال پیش برای آزمایش سرویس قفلگذاری توزیعشده Alf، ماهها زمان صرف ساخت یک ماشین مجازی جاوا میشد.[2][5]
سیواسوبرامانیان توضیح داد که ساخت یک موتور شبیهسازی در گذشته حدود چهار ماه زمان میبرد، اما اکنون با استفاده از عوامل هوش مصنوعی و داشتن مشخصات دقیق، این کار تنها در دو ساعت انجام میشود. این جهش عظیم در بهرهوری، نحوه کار مهندسان نرمافزار را برای همیشه تغییر میدهد.[4][5]
انتشار AWS Emulator به صورت رایگان و متنباز، زنگ خطری برای ابزارهای شخص ثالث مانند LocalStack محسوب میشود. اگرچه این ابزارها تا پیش از این برای شبیهسازی محلی استفاده میشدند، اما معمولاً تنها بخش کوچکی از سرویسهای آمازون را پوشش میدادند و با بهروزرسانیهای مداوم AWS به سرعت از رده خارج میشدند.[2][3]
آمازون اعلام کرده است که جزئیات بیشتری از معماری چندعاملی، استانداردهای کیفی و مکانیزمهای امنیتی این پروژه را در کنفرانس سالانه re:Invent به اشتراک خواهد گذاشت. در حال حاضر، مخزن این پروژه در گیتهاب به صورت مداوم توسط ماشینها بهروزرسانی میشود و توسعهدهندگان میتوانند روند تکامل آن را به صورت شفاف مشاهده کنند.[1][4]
آمازون اعلام کرده است که جزئیات بیشتری از معماری چندعاملی، استانداردهای کیفی و مکانیزمهای امنیتی این پروژه را در کنفرانس سالانه re:Invent به اشتراک خواهد گذاشت.
این دستاورد نشان میدهد که نقش مهندسان نرمافزار در حال تغییر از نوشتن خط به خط کد، به طراحی چارچوبها و مشخصات دقیق برای ماشینها است. زمانی که هوش مصنوعی بداند دقیقاً چه چیزی باید بسازد و چگونه آن را آزمایش کند، میتواند زیرساختهایی به وسعت سرویسهای ابری آمازون را در چند روز بازآفرینی کند.[4][5]
نکات کلیدی
- شرکت AWS یک شبیهساز محلی رایگان منتشر کرده است که بیش از ۲۰۰ سرویس ابری را پوشش میدهد.
- تمام کدهای این ابزار توسط عوامل هوش مصنوعی نوشته شده و هیچ انسانی در نوشتن آنها دخالت نداشته است.
- این شبیهساز به دستیارهای برنامهنویسی اجازه میدهد کدهای خود را بدون هزینه و تأخیر شبکه آزمایش کنند.
- کدهای این پروژه با زبان Rust نوشته شده و تحت مجوز مالکیت عمومی در گیتهاب در دسترس است.
آنچه نمیدانیم
- هنوز مشخص نیست که آیا آمازون قصد دارد این رویکرد توسعه کاملاً خودکار را برای سرویسهای اصلی و تجاری خود نیز پیادهسازی کند یا خیر.
- تأثیر بلندمدت این ابزار بر پروژههای شخص ثالث و شبیهسازهای مستقل مانند LocalStack هنوز به طور کامل ارزیابی نشده است.
روند رویداد
اوایل سال ۲۰۲۶
تیم آنتروپیک موفق شد با استفاده از عوامل هوش مصنوعی یک کامپایلر زبان C را از پایه بسازد.
تعطیلات آخر هفته
مت گلدبرگ با استفاده از دستیار Kiro، نسخه اولیه شبیهساز سرویس SQS را در ۱۵ دقیقه ایجاد کرد.
۱۱ نوامبر ۲۰۲۶
آمازون ابزار AWS Emulator را به صورت رسمی و متنباز در گیتهاب منتشر کرد.
- مهندسان سیستمهای ابری
- موافق خودکارسازی تستها و کاهش وابستگی به محیط واقعی ابر برای افزایش سرعت توسعه.
- جامعه متنباز
- استقبال از دسترسی رایگان به ابزارهای شبیهسازی در کنار بررسی تأثیر آن بر پروژههای مستقل.
دیدگاههایی که این گزارش پوشش نداده
- توسعهدهندگان پروژههای رقیب مانند LocalStack که کسبوکارشان مستقیماً تحت تأثیر این ابزار قرار میگیرد.
منابع
[1]GeekWireمهندسان سیستمهای ابریAWS says its engineers didn't write or review a single line of code in its newest developer tool
مطالعه در GeekWire →
[2]SiliconANGLEمهندسان سیستمهای ابریAmazon Web Services Inc. is turning its public cloud computing platform on its head with the launch of a new service called AWS Emulator
مطالعه در SiliconANGLE →
[3]The New Stackجامعه متنبازAWS Emulator lets developers and coding agents test against AWS locally. No human wrote the code, and AWS won't take pull requests for it
مطالعه در The New Stack →
[4]On Time Briefجامعه متنبازAmazon has published AWS Emulator, a downloadable binary that reproduces AWS services on a developer's own machine
مطالعه در On Time Brief →
[5]All Things Distributedمهندسان سیستمهای ابریAWS Emulator, launched today, gives agents the kind of test environment that work relied on
مطالعه در All Things Distributed →
[6]Digital Todayجامعه متنبازAmazon Web Services said it released an open-source tool called AWS Emulator that reproduces hundreds of its cloud services on a developer's PC
مطالعه در Digital Today →
بیشتر در فناوری
مشاهده همه →زیرساخت هوش مصنوعی
بدهی ۵٫۵ میلیارد دلاری اناسکیل و هشدار کسری نقدینگی در آستانه عرضه اولیه ۳۵ میلیارد دلاری
8 منبع
استراتژی غولهای ابری
پایان اجاره ابری مایکروسافت از اوراکل؛ بازنگری اساسی در عطش سختافزار هوش مصنوعی
8 منبع
زیرساخت هوش مصنوعی
گوگل زمین دیتاسنتر نیمهکاره کروسو در وایومینگ را خرید
6 منبع
محدودیتهای رایانش ابری
انویدیا اجاره سرورهای ابری به شرکتهای چینی را محدود کرد؛ شرط ۵۱ درصدی برای دور زدن تحریمها
7 منبع
نظرات
هر زاویه. هر روز.
اخبار فناوری با پوشش کامل منابع و تحلیل دیدگاهها، هر روز و رایگان.





