تقدم “Zero Growth Stack” من Uber حلاً للبنية التحتية قابلاً للتطوير يفصل نمو السعة عن طلب الأعمال، مما يسمح للشركة بتقليل بصمة الأجهزة المادية مع الحفاظ على توسيع نطاق الخدمة بشكل كبير. ومن خلال إعطاء الأولوية لتحسين وقت التشغيل الآلي والإدارة الصارمة لدورة حياة الذكاء الاصطناعي، فإن هذا التحول الاستراتيجي يخفف من عبء توسيع الموارد التقليدية. ومن الأمور الأساسية في هذا النهج الانتقال المنهجي نحو التحكم الديناميكي في النظام، مما يضمن بقاء أداء البنية التحتية فعالاً حتى مع زيادة تعقيد البرامج الداخلية.
أحد الركائز الأساسية لهذه المبادرة هو التحسين المنهجي لأداء وقت تشغيل Go. نظرًا لإدراكها أن ضبط مجموعة البيانات المهملة الثابتة (GC) غالبًا ما يفشل في معالجة الخدمات ذات آثار ذاكرة شديدة التنوع – تتراوح من 100 ميجابايت إلى 1 جيجابايت – صممت Uber حلاً ديناميكيًا: GOGCTunner. تقوم هذه المكتبة بأتمتة ضبط قيمة GOGC، والتي تحدد تكرار دورات GC بالنسبة لنمو الكومة. من خلال التكامل مباشرة مع حدود ذاكرة مجموعة التحكم ومراقبة استخدام الكائن المباشر، تتيح الأداة تعديلات وقت التشغيل الديناميكية. على الرغم من أن هذه الأتمتة نجحت في استعادة 70,000 نواة لوحدة المعالجة المركزية عبر 30 خدمة للمهام الحرجة، إلا أنها تستبدل الإعدادات الثابتة بحلقة تحكم يجب أن توازن حجم الكومة (يتم الحفاظ عليها عند 1.25x من الكائنات الحية) مقابل عتبات صارمة لاستخدام الذاكرة بنسبة 70% لتجنب أحداث OOM.
وبعيدًا عن البنية التحتية، قامت أوبر بدمج الذكاء الاصطناعي التوليدي في دورة حياة تطوير البرمجيات الخاصة بها لتسريع سرعة المطورين. تتضمن طبقات البنية طبقة النظام الأساسي (باستخدام الذكاء الاصطناعي لـMichelangelo كبوابة نموذجية)، وطبقة السياق (باستخدام بوابة MCP لإدخال كود المصدر الداخلي)، وطبقة متخصصة (نشر وكلاء الخلفية مثل Minion وShepherd)، وطبقة المراجعة (باستخدام أدوات مثل uReview وCode Inbox). في حين أن 92% من المهندسين يستخدمون هذه العوامل شهريًا – مع 31% من التعليمات البرمجية الجديدة التي يتم تأليفها بواسطة الذكاء الاصطناعي ويقوم Autocover بتوليد أكثر من 5000 وحدة اختبار شهريًا – فقد أدى الاعتماد السريع إلى حدوث احتكاك اقتصادي كبير. زادت التكاليف المتعلقة بالذكاء الاصطناعي بمقدار ستة أضعاف منذ عام 2024، حيث أدت نماذج الفوترة القائمة على الرموز المميزة إلى استنفاد الميزانية ووصلت تكاليف المطورين الفرديين إلى 2000 دولار شهريًا بحلول أوائل عام 2026.
ولمواجهة هذه التحديات، انتقلت أوبر من الاعتماد غير المقيد إلى إدارة التكلفة الصارمة، مع تطبيق حدود الاستخدام التي تقتصر على 1500 دولار لكل مطور. وتقوم الشركة الآن بمراجعة فعالية التعليمات البرمجية التي تم إنشاؤها بواسطة الذكاء الاصطناعي، وتسعى إلى قياس التأثير المباشر للإنتاجية الآلية مقابل النفقات العامة للبنية التحتية. ولتطوير هذه المقاييس، تنتقل الفرق من تتبع التكلفة الإجمالية إلى المؤشرات الدقيقة. بدلاً من الاعتماد فقط على الإيرادات لكل وحدة عمل وإنفاق حوسبة الذكاء الاصطناعي، تقترح الشركة تقييم “نسبة جودة الكود الصافية”، ومقارنة تكرار الإصلاحات العاجلة بعد الإصدار في الكود الذي كتبه الذكاء الاصطناعي مقابل الكود الذي كتبه الإنسان. يسمح إنشاء مقياس “كفاءة الحوسبة لكل ميزة” للقادة الهندسيين بتحديد ما إذا كان العبء الزائد للتعليمات البرمجية التي ينشئها الذكاء الاصطناعي – خاصة عند الأخذ في الاعتبار الاختبارات المتكررة الناتجة عن أدوات مثل Autocover – يتوافق مع أهداف استدامة البنية التحتية طويلة المدى، مما يضمن بقاء تحسين البنية التحتية متزامنًا مع تسليم الميزات الفعلية.
