Từ phi công phụ AI đến bầy đặc vụ

Tác động của AI đối với việc phát triển phần mềm vừa sâu sắc vừa không ngừng phát triển. Năm ngoái, tôi đã viết về kế hoạch của AMD sử dụng AI không chỉ để tạo các dòng mã mới mà còn cho các bước khác trong vòng đời phát triển phần mềm (SDLC), chẳng hạn như xử lý sự cố, gỡ lỗi mã và kiểm tra phần mềm. Vào thời điểm đó, chúng tôi hy vọng năng suất sẽ tăng 25% nhờ sử dụng AI trong vòng hai hoặc ba năm. Nhưng với mỗi bản phát hành mới, khả năng của Mô hình ngôn ngữ lớn (LLM) sẽ cải thiện đáng kể—tăng tốc quá trình phát triển phần mềm, nâng cao chất lượng mã do AI tạo ra và định hình lại về cơ bản cách thiết kế phần mềm. Giờ đây, chỉ một năm sau, chúng tôi đã vượt mục tiêu năng suất của mình, đạt được mức tăng năng suất tổng thể 30% thông qua AI. Trên hết, chúng tôi đang xem xét lại không chỉ cách chúng tôi sử dụng AI trong SDLC mà còn cả cấu trúc của chính SDLC. Chúng tôi tin rằng cuộc cách mạng AI lớn nhất trong công nghệ phần mềm vẫn còn ở phía trước. Cho đến nay, phần lớn chúng ta đang dạy AI cách chúng ta thực hiện các nhiệm vụ và yêu cầu nó bắt chước các quy trình công việc hiện có. Theo nhiều cách, điều này hạn chế AI tuân theo lối suy nghĩ của con người. Sự chuyển đổi tiếp theo sẽ đến từ các nhóm tác nhân AI hợp tác có khả năng khám phá các giải pháp một cách độc lập. Đại lý ngày nay AMD bắt đầu phát triển hệ thống AI để tạo mã, tự động hóa thử nghiệm, phân tích lỗi và đánh giá mã vào năm 2024. Vào thời điểm đó, mục tiêu của chúng tôi là đạt được 25% mã sản xuất do AI tạo ra vào năm 2027 trong khi dần dần tự động hóa các phần lớn hơn của SDLC. Việc đo lường năng suất vốn đã là một thách thức, nhưng ngay từ đầu, chúng tôi đã liên tục theo dõi một thước đo khách quan: tỷ lệ phần trăm mã nguồn do AI tạo ra. Điều quan trọng là chúng tôi chỉ tính mã vượt qua tất cả các đánh giá và thử nghiệm và cuối cùng được đưa vào sản phẩm cuối cùng. Mặc dù mã do AI tạo ra chắc chắn không phải là yếu tố duy nhất góp phần tăng năng suất nhưng đây là một trong số ít số liệu có thể được đo lường một cách khách quan và nhất quán. Theo số liệu này, chúng tôi đã vượt mốc 20% vào đầu năm nay và hiện đang tiến tới mức 50% trên toàn bộ cơ sở mã. Trong một số thành phần phần mềm, hơn 80% mã hiện được tạo bằng AI. AI tác nhân đã cho phép chúng tôi đưa AI vào từng bước của vòng đời: Để phân tích và phân loại mã, các tác nhân được đào tạo để phân tích báo cáo sự cố, xác định và nhóm các yêu cầu tương tự, đồng thời nêu bật những đoạn mã nào có thể cần sửa đổi. Để gỡ lỗi và tạo mã, các tổng đài viên được hướng dẫn phân tích yêu cầu lỗi và thực hiện các thay đổi mã cần thiết. Để thử nghiệm, các tác nhân tạo ra các thử nghiệm đơn vị và nếu chúng được thông qua, hãy xác định các thử nghiệm tích hợp và cấp độ sản phẩm cần thiết. Và cuối cùng, đối với giai đoạn phê duyệt và phát hành, các tổng đài viên chuẩn bị bản tóm tắt kiến ​​trúc, đánh giá thay đổi mã và kết quả kiểm tra đầy đủ để các kỹ sư xem xét và phê duyệt, đồng thời nếu được phê duyệt, hãy tích hợp các thay đổi vào bản phát hành tiếp theo. Đại lý của ngày mai Ngày nay, các kỹ sư tạo ra các tác nhân AI theo hình ảnh của riêng họ: họ dạy AI những gì họ biết về hệ thống, cách họ khắc phục sự cố và cách họ thực hiện thay đổi. Đây đã là một tiến bộ công nghệ lớn. Các kỹ sư có thể tự tạo ra nhiều “phiên bản AI”, cho phép các tác nhân này hoạt động song song, mở rộng chuyên môn của họ vượt xa giới hạn năng suất của từng cá nhân. Tuy nhiên, hạn chế là các tác nhân AI này vẫn bị hạn chế bởi suy nghĩ của con người và các phương pháp tiếp cận do con người xác định. AMD Chúng tôi b e rằng sự chuyển đổi lớn tiếp theo trong công nghệ phần mềm sẽ xảy ra khi các nhóm tác nhân AI hợp tác có thể xác định và phát triển các giải pháp một cách độc lập, được con người hướng dẫn về những gì cần giải quyết thay vì bị ràng buộc bởi các giả định của con người về cách thực hiện công việc. Thay vì cung cấp hướng dẫn chi tiết về cách giải quyết vấn đề, các kỹ sư sẽ xác định vấn đề, kết quả mong muốn cũng như các ràng buộc về chất lượng, hiệu suất và hệ thống cho phép các tác nhân AI xác định đường đi tối ưu đến giải pháp. Sau đó, một nhóm tác nhân AI sẽ hoạt động song song để tạo, đánh giá và tinh chỉnh nhiều cách tiếp cận giải pháp. Các tác nhân này sẽ tự động xác thực tính chính xác, đo lường hiệu suất, kiểm tra sự đánh đổi và so sánh các cách triển khai thay thế với các tiêu chí thành công đã xác định. Cuối cùng, các tác nhân AI sẽ chuẩn bị các tùy chọn giải pháp được xếp hạng, cùng với kết quả xác thực và số liệu hiệu suất để kỹ sư xem xét và phê duyệt. Các đặc vụ sẽ không cải tiến từng bước của SDLC—họ sẽ tự viết lại SLDC. Để đạt được điểm này, chúng ta cần thay đổi cách đào tạo các đặc vụ. Ngày nay, quá trình cải tiến diễn ra theo từng kỹ sư và từng tác nhân: một kỹ sư xem xét kết quả đầu ra, cải tiến lời nhắc và lặp lại quy trình. Để mở rộng ra ngoài mô hình này, các tổng đài viên phải liên tục học hỏi lẫn nhau, sử dụng lại các chiến lược thành công và hợp tác cải thiện giữa các dự án và nhóm. Chúng tôi đã đi theo hướng này bằng cách sử dụng rộng rãi quy trình làm việc đa tác nhân thông qua các khai thác tác nhân, chẳng hạn như Codex và Claude Code, đồng thời phát triển hệ thống đa tác nhân nội bộ của riêng mình để hỗ trợ thế hệ công nghệ phần mềm dựa trên AI tiếp theo. Một ví dụ điển hình là nỗ lực dựa trên AI của chúng tôi để giải quyết các vấn đề trong trải nghiệm trải nghiệm phần mềm Radeon (RSX). RSX là thành phần giao diện người dùng cho phép người dùng định cấu hình và giám sát hành vi của trình điều khiển đồ họa. Vào tháng 10 năm 2025, chúng tôi bắt đầu sử dụng tác nhân AI để tự động gỡ lỗi và khắc phục các sự cố RSX được báo cáo. Các công cụ AI sẵn dùng mang lại kết quả hạn chế, chỉ giải quyết được 6% vấn đề. Tỷ lệ sự cố phần mềm được các tác nhân AI tự động khắc phục trong Radeon Software eXperience (RSX) của AMD đã tăng trưởng đều đặn, đạt 75% vào tháng 6 năm 2026. Khi phân tích các thất bại và xác định các cách cải thiện, chúng tôi đã xây dựng một vòng lặp học tập—ban đầu là một quy trình chủ yếu thủ công—để hiểu các nhân viên đang thiếu sót ở đâu và cách cải thiện chúng. Thay vì đào tạo lại các mô hình cơ bản, chúng tôi đã tinh chỉnh các mục tiêu đặt ra cho mô hình