Съоснователят на Cognition предупреждава за насищане на интелигентността при AI програмирането

Източник: Business Insider / Cognition Labs

В задълбочено интервю за бъдещето на софтуерната индустрия съоснователят на Cognition Labs (компанията създател на първия автономен софтуерен инженер Devin) предупреди, че разработването на автономни кодови агенти навлиза във фаза на „насищане на интелигентността“ (intelligence saturation) [1]. Според неговите констатации, простото увеличаване на изчислителната мощ и параметрите на базовите езикови модели вече не води до съществен напредък при решаването на реални инженерни проблеми.

Истинското предизвикателство пред AI програмирането днес не е синтактичното разбиране на кода, а изграждането на детерминирана среда за изпълнение, тестване и валидиране – концепция, известна като харнес инженеринг (harness engineering).

Границите на чистия езиков модел при писането на софтуер

През последните две години бенчмаркове като SWE-bench служеха като основно мерило за прогреса на моделите. Резултатите скочиха от скромните 2-4% до над 50% успешно разрешени GitHub казуси. Това рязко подобрение обаче създаде илюзията, че е достатъчно да се изчака следващото поколение базов модел (като GPT-5 или Claude 4), за да може цялостната разработка на софтуер да се автоматизира напълно.

От Cognition посочват, че при сложни комерсиални кодови бази моделите започват да буксуват на едно и също място. Моделът може блестящо да напише отделен алгоритъм или функция, но се проваля, когато трябва да съобрази десетки вътрешни фирмени зависимости, противоречива документация, мрежови таймаути и версии на бази данни. Когато един агент получи достъп единствено до текстовия промпт и резултатите от конзолата, той започва да се върти в безкрайни цикли от проби и грешки, халюцинирайки несъществуващи пакети.

Преходът от моделно състезание към системно инженерство на средата

Предупреждението за насищане на интелигентността бележи фундаментална промяна в парадигмата на софтуерното инженерство. Индустрията започва да осъзнава, че моделът е само „мозъкът“, но за да бъде той полезен, му е необходимо стабилно „тяло“ и сетива, свързани с реалния свят.

Успехът на автономни системи като Devin вече не зависи от това кой доставчик има най-висок MMLU резултат, а от качеството на софтуерния харнес около модела. Това включва:

1. Автоматизирано генериране на виртуални контейнери, симулиращи реалната производствена среда;
2. Интелигентно филтриране на логове и грешки от компилатора, така че моделът да получава точния сигнал без информационно претоварване;
3. Вграждане на мутационни тестове и формална верификация, които предотвратяват въвеждането на регресии в съседни модули.

В по-широк план това означава, че професията на софтуерния инженер няма да изчезне, а ще се трансформира. Вместо да пишат редове код на ръка, инженерите ще проектират границите, интерфейсите и тестовите рамки, в които автономните агенти могат да оперират безопасно. Ерата на сляпата вяра, че един по-голям невронeн модел ще реши всички системни проблеми от само себе си, окончателно отминава.

Четири ключови стълба на анализа за границите на езиковите модели при автоматизирано програмиране.

Източници

1. Business Insider. (2026-10-20). AI coding has hit an 'intelligence saturation' point, Cognition cofounder says. Business Insider Enterprise Tech. https://www.businessinsider.com/cognition-cofounder-ai-race-intelligence-saturation-2026-10
2. Cognition Labs Technical Blog. (2026-10-20). Harness Engineering: Beyond Pure Foundation Model Benchmarks in SWE Automation. Cognition Research.