Исследование процесса восстановления логики классической игры Thrust с помощью современных языковых моделей показало, что ИИ пока не способен самостоятельно воссоздать сложный программный продукт с нуля. Однако нейросети эффективно справляются с ролью «цифрового археолога», помогая разработчикам анализировать запутанный ассемблерный код, объяснять алгоритмы и ускорять процесс документирования устаревшего ПО.
Автор проекта предпринял попытку использовать ИИ для переноса игры с платформы BBC Micro на современные системы. Выяснилось, что модели хорошо справляются с интерпретацией отдельных функций и логических блоков, но теряют контекст при работе с большими кодовыми базами, где важна целостная архитектура. Основная сложность заключается в нехватке «понимания» физического движка игры, который был оптимизирован под специфические ограничения железа 80-х годов.
Тем не менее, интеграция ИИ в процесс реверс-инжиниринга значительно сокращает время на изучение legacy-кода. Вместо ручного разбора каждой инструкции, разработчик может делегировать нейросети описание потоков данных и поиск зависимостей. Это превращает ИИ в мощный инструмент поддержки для специалистов, занимающихся поддержкой и миграцией критически важных систем, где документация была утрачена или изначально отсутствовала.
Ключевые факты
- Проект сфокусирован на анализе исходного кода игры Thrust, написанной для 8-битного компьютера BBC Micro.
- ИИ-модели успешно справляются с объяснением локальных функций, но испытывают трудности с глобальной архитектурой и сложными физическими симуляциями.
- Основной барьер для ИИ — отсутствие глубокого понимания аппаратных ограничений целевой платформы, критически важных для работы старого кода.
- Метод «ИИ-археологии» позволяет автоматизировать документирование устаревших систем, сокращая время на ручной анализ ассемблерных листингов.