KeyFrame內部研究專用

Is Software Over?

Two Minute Papers英文
觀看原始影片

三句話摘要

AI 系統通過分析程式行為而非源代碼,能夠逆向工程並重現軟體和遊戲,改變軟體開發的未來樣貌。 AI 逆向工程軟體的能力急速躍進,將從標準化工具時代推向個人化、客製化軟體時代。 訓練數據充足推動技術進步:開源專案提供無限訓練對——源代碼與執行結果配對,AI 因此學會兩者間的轉換邏輯。

重點整理

  1. 訓練數據充足推動技術進步:開源專案提供無限訓練對——源代碼與執行結果配對,AI 因此學會兩者間的轉換邏輯。

  2. 即時反饋迴圈加速重建過程:AI 生成初版後,系統可執行原始軟體進行對比測試,逐次調整直到完全吻合,類似「冷熱提示」的科學實驗方法。

  3. 商業模式轉向客製化本地軟體:當個人能輕易擁有為自己量身訂製的 Photoshop 或 Final Cut Pro 時,軟體從標準化工具轉向個人化方案,但專業市場仍需行業標準工具技能。

實用技巧與重點

  • 研究數據與准確度
  • 軟體重建成功率:15% → 近 100%(9 個月)
  • 數學方程式恢復准確度:90%
  • 網頁視覺相似度評分:0.938
  • 代碼縮減比例:95% 更少
  • 技術規格
  • 12 百萬參數 AI 模型(可在低端硬體運行)
  • 使用編譯代碼與程式行為作輸入
  • 網頁重建、遊戲複製、Adobe 工具再製等應用
  • 政策限制
  • Anthropic Claude 5.5 Opus 被更新以阻止遊戲複製
  • 某些合法逆向工程任務遭到拒絕
  • 法律邊界
  • 軟體功能不必然受著作權保護
  • 獨立重實作可能合法
  • 模型、紋理、角色仍受著作權保護

結論

AI 逆向工程軟體的能力急速躍進,將從標準化工具時代推向個人化、客製化軟體時代。

完整解析

軟體是否真的「過時」了?這個話題最近引起大量討論,核心問題是現代 AI 系統能否通過觀察軟體本身的行為,而非源代碼,來推斷其功能並重現它。答案比想像的更強大。

AI 系統運作方式分為兩個層次。首先,它可以分析編譯後的代碼(非源代碼),推斷程式邏輯並撰寫執行相同功能的新程式。其次,它甚至可以直接觀察程式或遊戲的行為——按鈕反應、視覺效果、動作模式——然後從這些觀察重建整個系統。一項關鍵研究測試了 AI 在無源代碼情況下重建整個軟體專案的能力,初期成績黯淡,僅 15% 通過測試,但在短短 9 個月內,准確度飆升至近 100%。更令人驚訝的是,研究人員用一個只有 1,200 萬參數的小型 AI 模型(可在極簡硬體上運行),成功以 90% 的准確度恢復軟體中的數學方程式。這相當於通過觀察來進行科學推導。在視覺重建方面,AI 能夠僅通過查看網頁就重構它們,達成 0.938 的視覺相似度評分——幾乎完全相同的佈局和視覺元素——而使用的代碼卻少了 95%。

這為什麼能成功?主要有兩個原因。首先,訓練數據幾乎無限。任何克隆的開源儲存庫都提供源代碼與執行結果的配對,AI 據此學會兩者間的轉換。其次,當 AI 嘗試重建新軟體時,有一個「地面真相預言機」——原始軟體本身。AI 先生成初版,然後系統執行原始軟體進行測試對比,根據差異進行調整,反覆迭代直到完全匹配。這種即時反饋迴圈大幅加速了重建過程。

然而,商業利益開始施加壓力。Anthropic 更新了 Claude 5.5 Opus,特地禁止 AI 協助重現現有遊戲,某些開發者也報告合法逆向工程任務遭拒。法律上,軟體功能不一定受著作權保護,獨立重實作可能合法,但模型、紋理和遊戲角色仍受保護。前景上,個人很可能能夠擁有專為自己量身訂製的 Photoshop 或 Final Cut Pro 變體。但這帶來新問題:如果你在圖形設計公司工作,仍需掌握業界標準工具。客製化本地軟體的價值如何評估?另一方面,只要工作完成且能與他人協作,使用自己偏好的工具也無妨。未來,採用通用格式的本地客製軟體可能免費或極廉價普及。

11 min
AI 技術中文11月21日

20261120 Craft 4K Review Version V3

灵姐说AI | Ling Talk AI看原片 ↗
  • Craft Anything 透過將觀察、構建、檢查和修改環節無縫銜接,將傳統費力的開發流程簡化為提供參考對象並說明目標,讓通用編碼Agent執行具體實現,大幅降低製作難度。
  • 複製範圍廣泛但難度差異大:網站和簡單工具相對容易,複雜遊戲因涉及場景、資源、物理引擎、存檔等要素難度大幅提升,需要提供的信息和輸入量成倍增加。
AI 技術英文11月19日

DeepMind Just Released The Best Thing AI Ever Did

Two Minute Papers看原片 ↗
  • 同一個DNA變異在不同細胞中會產生截然不同的效應——例如胰島素產生的β細胞與其他胰臟細胞對同一基因變異的反應完全不同,這使得精準預測變成考量數十億個變異×數百種細胞類型的難題。
  • 利用既有的大規模單細胞測序數據作為訓練資料是關鍵突破,科學家已測量過大量細胞中各基因的活性水準,這提供了足夠的輸入輸出對讓AI學習細胞特定的基因調控模式。