微軟 Azure CTO 驚歎 AI 能力：30 分鐘跨平臺移植基礎功能、2 天實現約 90% 功能

微軟 Azure 首席技術官馬克·魯西諾維奇(Mark Russinovich)近日分享了一段令他本人都感到驚訝的開發經歷。他透露,在 AI 工具的輔助之下,自己僅花了兩天時間,就將一款擁有 20 年歷史的 Windows 工具成功移植到蘋果的 macOS 平台上。這項成果不僅大幅壓縮了傳統跨平台移植所需的開發週期,也讓外界再次見識到現代 AI 在軟體工程領域所展現的驚人潛力。魯西諾維奇指出,AI 在這次移植任務中扮演了極為關鍵的角色。整個過程並非一蹴可幾,而是分成幾個明顯的階段推進。

首先,他利用 AI 工具在短短 30 分鐘內,就完成了跨平台基礎功能的移植工作,讓原本只存在於 Windows 環境的核心能力,得以在 macOS 上初步運行起來。這個階段的效率之高,已經遠超他過去的經驗。隨後,他再透過 AI 持續協助調整與補強。基礎功能就位之後,真正耗時的部分在於處理各種平台差異、介面細節與邊界情況。即便如此,在 AI 的協助下,他仍僅用兩天時間就實現了約 90% 的功能完成度。這樣的效率,遠高於過去手動逐行改寫程式碼的傳統做法,也讓開發者得以把更多心力集中在剩餘的細節優化上,而不是被大量的重複性搬遷工作所淹沒。

這款工具本身已有 20 年歷史,意味著它的程式碼base相當龐大,積累了長年以來的功能與修改。要把這樣一套成熟的 Windows 應用搬到 macOS,傳統上是一項曠日廢時的工程。開發者必須逐一審視每一行程式碼,判斷哪些邏輯可以直接沿用、哪些需要針對不同作業系統的 API 重新實作,還要處理視窗系統、檔案路徑、字元編碼、執行緒模型等各種平台專屬的差異。這些工作不僅繁瑣,而且極容易出錯。魯西諾維奇形容,AI 的介入徹底改變了這種工作模式。過去需要人工逐行比對與改寫的環節,如今可以交由 AI 快速產出初稿,再由開發者進行審查與修正。

這種「AI 先行、人類把關」的協作方式,把開發者從大量機械式的勞動中解放出來,讓他們能把精力投注在真正需要判斷力的地方,例如整體架構的取捨、效能瓶頸的改善,以及那些 AI 一時難以掌握的細節。這次經歷讓魯西諾維奇對 AI 的程式生成與轉換能力留下了深刻印象。他坦言,自己原本對 AI 能做到什麼程度抱持觀望態度,但實際操作的結果超乎預期。AI 不僅能理解既有程式碼的意圖,還能針對新的目標平台產出可用的實作,甚至在過程中主動處理一些他原本以為需要人工介入的相容性問題。這種能力,對於長期被跨平台移植困擾的開發者而言,無疑是一大福音。不過,魯西諾維奇也強調,AI 並非萬能。

他特別點出,這次任務之所以能如此順利,前提在於目標程式碼的架構明確、邏輯清晰。當一套系統的設計本身就有良好的模組化與分層,AI 就更容易理解各部分之間的關係,進而準確地進行轉換。反之,如果原始碼混亂、耦合嚴重,AI 的表現也會大打折扣。換句話說,AI 放大的是良好工程實踐的價值,而不是憑空修補糟糕的設計。他進一步說明,對於「已知架構明確、邏輯清晰的程式碼移植任務」,AI 能大幅降低重複性勞動,讓開發者專注於更複雜的架構決策。這個觀察相當關鍵,因為它指出了 AI 在軟體工程中真正適合發揮的場景。

AI 最擅長的是有明確規則可循、有大量相似模式可套用的工作;至於需要深度領域知識、涉及多方利害權衡的決策,仍然得靠人類的經驗與判斷。從這個角度來看,這次移植案例與其說是 AI「取代」了開發者,不如說是 AI 重新分配了開發者的時間。過去,開發者可能得花上數週甚至數月,才能把一套老工具搬到新平台,期間大多在處理重複且低價值的瑣事。如今,同樣的工作可以在極短時間內完成大部分,開發者則能把省下的時間投入到功能創新、使用者體驗改善,或是那些真正能創造差異化的地方。值得注意的是,這並非魯西諾維奇第一次公開談論 AI 對開發工作的影響。

作為微軟 Azure 的首席技術官,他長期站在雲端與開發工具的第一線,對 AI 輔助程式開發的發展趨勢有相當深入的觀察。他此次親自下場實測,並願意公開分享具體的時間數字與完成度,也從側面反映出微軟內部對這類 AI 工具的信心正在提升。事實上,近來各家科技大廠無不積極投入 AI 程式開發工具的競賽。從程式碼自動補全、錯誤偵測,到如今能理解整個專案脈絡、協助大規模重構與跨語言轉換,AI 在軟體工程中的角色正快速演進。過去被視為需要高度人工介入的移植與重寫任務,如今已逐漸成為 AI 展現身手的舞台。魯西諾維奇的案例,正好為這股趨勢提供了一個具體而有力的註腳。

當然,外界對於 AI 生成程式碼的品質與可靠性仍有諸多討論。有人擔心 AI 產出的程式碼可能潛藏安全漏洞,或在邊界情況下出現難以察覺的錯誤;也有人認為,過度依賴 AI 可能讓開發者逐漸喪失對底層原理的理解。這些顧慮並非沒有道理,但也意味著,如何在享受 AI 帶來效率紅利的同時,建立相應的審查與驗證機制,將是未來開發流程中不可迴避的課題。回到這次移植本身,魯西諾維奇表示,剩下的約 10% 功能雖然占比不高,卻往往是最耗時、最考驗功力的部分。這些通常涉及平台特有的行為、罕見的邊界情況,或是需要細膩調整的使用者體驗。

AI 可以快速完成「從 0 到 90」的衝刺,但「從 90 到 100」的收尾,仍需開發者憑藉經驗逐一打磨。這種分工,恰恰體現了人機協作的本質:AI 負責規模化的重複勞動,人類負責精細化的判斷與修正。展望未來,魯西諾維奇認為,隨著 AI 工具持續演進,跨平台開發的門檻與時間成本可望進一步降低。這對整個軟體產業而言具有深遠意義。長久以來,開發資源往往集中在少數主流平台上,冷門平台或小眾作業系統的應用生態相對貧瘠,很大一部分原因就在於移植成本過高。若 AI 能有效降低這道門檻,未來使用者將有機會在更多平台上,享受到原本只存在於特定系統的優質工具。此外,這樣的能力也將改變企業的產品策略。

過去,一家公司若想讓自家軟體支援多個平台,往往得投入可觀的人力與時間,甚至得為此延後發布時程。當 AI 讓移植變得又快又省,企業就能以更低的成本擴大產品的覆蓋範圍,觸及更多使用者。對於資源有限的新創團隊而言,這種槓桿效果尤其明顯,因為它們不必再為了跨平台而稀釋本已緊繃的開發能量。總結來說,魯西諾維奇這次以兩天時間完成 20 年老工具約 90% 功能的跨平台移植,是一個極具象徵意義的案例。它既展示了 AI 在已知架構下處理程式碼轉換的高效率,也提醒人們,AI 的價值在於與人類開發者互補,而非完全取代。

當架構清晰、邏輯明確時,AI 能替開發者扛下大量重複勞動;而真正需要智慧與判斷的部分,依舊掌握在人的手中。隨著工具不斷進化,人機協作的界線還會持續移動,而這次的經驗,或許正是未來軟體開發常態的一個縮影。