Chris Lattner, attuale executive vice president of software engineering presso Qualcomm dopo l’acquisizione di Modular, ha lanciato un avvertimento chiaro alle aziende di semiconduttori: non si può sopravvalutare ciò che la generazione AI di codice è realmente in grado di fornire.

Distinzione tra ottimizzazione di kernel e infrastruttura software

Lattner ha spiegato a EE Times che esiste una differenza fondamentale tra far girare velocemente un kernel e costruire un’intera infrastruttura software su cui affidarsi a lungo termine. Gli agenti di codifica, secondo lui, sono strumenti da usare con criterio, poiché tendono a produrre grandi volumi di codice “usa e getta”.

Per questo motivo, sconsiglia di affidare agli agenti la generazione di ogni singola parte di un prodotto. “L’agentic code generation è adatta a progetti strettamente definiti e limitati, come l’ottimizzazione di un singolo kernel, perché questi lavori possono essere misurati e validati,” ha affermato.

Al contrario, i progetti più ampi richiedono design di prodotto e ingegneria software, attività che non possono essere delegate a un agente.

Esempi di casi d’uso adeguati

    • Ottimizzazione di un kernel per una specifica dimensione di matrice.
    • Porting di codice PyTorch verso il framework MaxAI di Modular.
    • Conversione di codice CUDA in Mojo, il linguaggio di programmazione proprietario di Modular.

Questi esempi mostrano come gli agenti possano eseguire rapidamente operazioni di porting e specializzazione, ma non sostituire l’intera catena di sviluppo.

Limiti pratici e dubbi sulle performance

Lattner ha sollevato interrogativi su alcune affermazioni di grandi aziende che promuovono software a basso livello generato da AI. Domande aperte includono:

    • Il costo reale di generare grandi volumi di codice.
    • La validità di tali metodi per problemi aperti e di ampia scala.
    • La coerenza tra la posizione pubblica di certe aziende (“non crediamo più al software”) e la loro reale dipendenza da LLVM e investimenti in compilatori.

Scrivere codice a basso livello performante per nuovo hardware è sempre stato arduo. Alcune aziende stanno ora provando a delegare questo compito agli agenti, ma Lattner sottolinea che “le affermazioni straordinarie richiedono prove altrettanto straordinarie”.

Dimostrazioni vs. stack completo

L’attività di AI può essere utile per realizzare una dimostrazione rapida, ma non è sufficiente a produrre uno stack software utilizzabile, deterministico e adattabile. I veri ostacoli rimangono la comprensione dei requisiti di prodotto, la definizione della storia di marketing e il raggiungimento del product‑market fit.

Impatto sull’open source

Lattner ha evidenziato che i progetti open source, in particolare quelli come LLVM, sono sotto pressione a causa dell’ondata di contributi generati da AI. Prima dell’avvento dell’AI generativa, i collaboratori erano motivati dal piacere di trovare e risolvere problemi nel software che usavano personalmente.

Ora, molti inviano grandi quantità di patch senza un reale coinvolgimento, sovraccaricando i manutentori. Questo fenomeno porta a:

    • Aumento del carico di lavoro dei revisori.
    • Mancanza di crescita di nuovi manutentori, poiché i contributori si allontanano o usano gli agenti solo per collezionare “GitHub badge”.
    • Decisioni di alcuni progetti di accettare contributi solo da collaboratori consolidati, una prospettiva che Lattner definisce “terrificante”.

La perdita della dimensione sociale – relazioni, conoscenza tribale e mentorship – minaccia la sostenibilità stessa dei progetti open source.

Il caso di Mojo

Il linguaggio Mojo di Modular è stato recentemente open‑sourced, ma al momento non accetta ancora contributi esterni. Lattner ha spiegato che l’apertura sarà graduale, poiché il valore non sta solo nel numero di linee di codice ma anche nell’interazione sociale, compresa l’eventuale assunzione dei contributori più attivi.

Strategie future e alleanza Max

Per le startup che non hanno le risorse per costruire uno stack software di ultima generazione, Lattner prevede l’avvio di un’alleanza intorno a “Max”, una piattaforma open‑source destinata ai produttori di hardware.

L’alleanza, prevista per la fine dell’anno, consentirà ai chip maker di accedere a software che prima non potevano utilizzare, riducendo la dipendenza da soluzioni proprietarie. Lattner ha spiegato che Modular ha dovuto rifiutare molte richieste di startup perché incapace di scalare il supporto.

Obiettivi dell’alleanza

    • Fornire una suite software completa per data center eterogenei, con orchestrazione, scaling e gestione.
    • Creare un ecosistema aperto in cui Qualcomm, grazie all’acquisizione di Modular, possa competere con Nvidia senza dover “sovrascrivere” il software.
    • Coinvolgere produttori di chip edge, inclusi mercati come la Cina.

Lattner ha sottolineato che, sebbene gli agenti possano risolvere un kernel su un chip specifico, i moderni data center richiedono una gestione complessa che solo un software ben progettato può garantire.

Conclusioni

In sintesi, Chris Lattner vede l’AI code generation come uno strumento complementare e non sostitutivo dell’ingegneria tradizionale. Gli agenti eccellono in compiti ben definiti e limitati, ma la costruzione di prodotti scalabili, affidabili e sostenibili richiede ancora competenze umane, revisione critica e un forte impegno nella community open source.

Con l’avvio dell’alleanza Max e il miglioramento degli strumenti di revisione automatica, Lattner spera che le condizioni si stabilizzino, ma avverte che la prova di un software funzionante non è solo superare un test, ma supportare un’architettura pronta per il futuro.