A kritikus globális infrastruktúrák – köztük az online banki tranzakciók, az ATM-hálózatok és a meteorológiai szuperszámítógépek – jelentős része a mai napig évtizedes, ritka programozási nyelveken fut. Az OpenAI hivatalos kutatási közleményében bemutatott új kiértékelési eljárások és modellek szerint a mesterséges intelligencia elérte azt a szintet, ahol az elavult, úgynevezett alacsony erőforrású rendszerek modern nyelvekre ültetése már nem igényel éveken át tartó, kézi újraírást.

Az ilyen régebbi rendszerek karbantartását évek óta súlyos szakemberhiány nehezíti. Az eredeti mérnökök zöme már nyugdíjba vonult, a rendszerek dokumentációja gyakran hiányos, miközben a programkódokba beágyazott, nem dokumentált üzleti szabályok miatt a bankok és kormányzati szervek évtizedek óta halogatták az átállást. Mivel az interneten jóval kevesebb nyilvános COBOL- vagy Fortran-kódbázis érhető el, a nagy nyelvi modellek korábbi generációi ezeken a feladatokon bizonytalanul teljesítettek. Bár az OpenAI modelljei a matematikai és logikai sejtések bizonyításában már korábban is kiemelkedő pontosságot mutattak, a zárt üzleti logikák átültetése merőben más megközelítést kívánt.

Két új mérési eljárás a megbízhatóság tesztelésére

A kutatócsoport két új mérési keretrendszert állított fel a képességek pontos vizsgálatára. A MultiLangBench nevű eljárásban a modelleknek húsz különféle programozási nyelven kellett a nulláról felépíteniük egy működőképes, SQLite-kompatibilis adatbázis-motort. A másik eljárás, a COBOL Migration Evaluation kifejezetten azt méri, hogy a rendszer képes-e a régi banki kódot modern célnyelvekre – például C++, Java, Kotlin, Python vagy Rust környezetbe – úgy átfordítani, hogy a kapott szoftver bájtra pontos kimeneti egyezést (byte-for-byte parity) produkáljon az eredeti futtatással.

A GPT-6 Astra és a GPT-6.1 Sol mérési eredményei

A MultiLangBench teszten a kutatók a GPT-6 Astra modellt vizsgálták, amely 87,4 százalékos átlagos sikerességi arányt ért el a húsz tesztelt programozási nyelven keresztül, ami ugrásszerű fejlődést jelent a korábbi GPT-5.6 Sol által elért 26,8 százalékos szinthez képest. A ritka, alacsony erőforrású nyelveknél a COBOL-megoldások eredménye 10,9 százalékról 72,1 százalékra, míg a Fortran sikeressége 21,4 százalékról 83,5 százalékra emelkedett. Ezzel párhuzamosan a MultiLangBench feladatoknál a becsült API-költségek mintegy 78 százalékkal csökkentek.

A másik vizsgálatban, a COBOL Migration Evaluation eljárásban a kutatócsoport a GPT-6.1 Sol modellt mérte fel. Alacsony érvelési szinten a modell 86,6 százalékos pontosságot ért el – szemben a korábbi GPT-5.6 Sol 5,4 százalékával –, miközben a COBOL-kódok átültetésénél a futtatási költség 39 százalékkal lett alacsonyabb. Amikor a GPT-6.1 Sol modellt magas érvelési szintre kapcsolták, a pontosság elérte a 97,9 százalékot, amit a kutatók a közleményben „majdnem telített” (nearly saturating) eredményként jellemeztek.

Szigorú humán felügyelet a banki átállásban

Az OpenAI a látványos eredmények mellett határozott óvatosságra inti a pénzügyi és ipari szektort. A kutatók hangsúlyozzák, hogy az éles banki és közmű-infrastruktúrák modernizálásakor a gépi kódátültetés nem futhat teljesen önállóan: az automatizált folyamatokat szigorú humán mérnöki auditnak és kimerítő funkcionális tesztelésnek kell kísérnie, hasonlóan a vállalati kódíró rendszerek felügyeletére kidolgozott szigorú biztonsági kontrollokhoz.