Antigravity 科學程式移植案例，59 分鐘把 Fortran 核心改寫成 Rust 的關鍵

Antigravity 科學程式移植案例最值得關注的，是它把原始結果保留下來，再讓 AI 一邊改寫、一邊編譯和比對。對維護老程式的人來說，這正是移植最耗時間的部分。

研究室常用的舊程式，承載著多年調整過的方程式與經驗。即使語言老舊、建置麻煩，只要輸出仍被信任，團隊就很難承擔一次全面重寫的風險。

Google 在 2026 年 11 月 3 日公開一個內部案例，使用 Gemini 4 Argon 與 Antigravity，在 59 分鐘內把海洋模型的核心求解器移植到 Rust。台灣時間 11 月 4 日的官方貼文再次介紹詳細流程。官方文章

官方報告的結果包括模擬速度提高到 1.88 倍、尖峰記憶體用量減少 54%，以及 100 組隨機種子的數值比對。這些數字來自該次工作負載，適合拿來觀察代理如何驗收自己的改動。

這套流程對有測試基準的研究團隊有參考價值。因為輸出差異能被量測，所以人可以把審查焦點放在物理意義、案例覆蓋與是否值得正式移植。

Antigravity 科學程式移植為何先保存舊版結果？

保存舊版結果，是為改寫建立一把可以反覆使用的尺。只要新版開始輸出不同數字，團隊就能回到同一組輸入，追查差異從哪個改動出現。

Google 選擇的來源是 FVCOM 沿海海洋模型，來源庫包含 174,774 行 Fortran 90 與 C 程式，分散在 264 個檔案。這個規模描述的是來源庫，官方成果則聚焦於核心求解器。案例範圍

求解器可以理解為把水流、深度等條件轉成模擬結果的運算核心。因為研究者依賴它判讀物理現象，所以移植除了語法改寫，也要保留重要的計算行為。

舊語言為什麼特別難移植？

舊版 Fortran 常把資料放在跨檔案共用的區域。某個檔案改動一個值，可能影響另一個檔案的計算，所以只翻譯眼前的一段函式，很容易遺漏全域關係。

陣列索引與隱含型別也會增加難度。前者決定程式從哪個位置讀寫資料，後者讓變數型態由命名或規則推定，兩者都可能在改寫時造成細小但持續累積的差異。

因此，這次流程先編譯原始程式，記錄執行時間、記憶體與輸出，再分析跨檔案依賴。測量先建立好，後面的每次修改才有可以比較的對象。

這也解釋了代理環境的重要性。模型需要能操作終端機、編譯器與測試工具，才能讓改寫後的結果回到下一輪判斷，持續完成同一個工作。

59 分鐘的流程如何分配？

這 59 分鐘包含建立基準、規畫及核心移植。Google 把過程分成三個階段，每一階段都產生可被後續流程使用的輸出。

表中的最後階段產生 13 個 Rust 模組，官方表示每個模組少於 240 行。這讓核心改寫的規模更清楚，也避免把來源庫的 17 萬多行直接當成完成轉換的行數。階段紀錄

藍圖如何幫助後面的改寫？

藍圖先把隱藏在共用變數裡的依賴整理成模組關係。因為資料從哪裡來、誰會修改它變得明確，代理才能在拆開檔案時保留求解器的運作順序。

Google 也為任務設定記憶體安全、熱點迴圈避免動態配置，以及檔案大小等限制。這些規則會影響設計方式，讓產出的 Rust 程式有一致的約束。

Rust 的記憶體安全規則，會限制程式如何持有和存取資料。這有助於提早攔下部分錯誤，但物理方程的選擇和數值方法仍需研究者判斷。

所以適合參考的是任務結構。團隊可以把自己最在意的限制寫進藍圖，再把哪些結果必須一致、哪些差異可以接受，轉成明確的驗收條件。

六個缺陷和 42 項測試透露了什麼？

移植過程也讓原先藏在舊程式裡的邊界問題浮現。當新語言要求更明確的資料範圍時，一些過去可以繼續執行的讀寫行為就會被攔下。

Google 列出的問題包括固定欄寬緩衝區溢位、整數乘法溢位、陣列越界、未初始化讀取，以及鹽度變成微小負值時仍計算平方根。這些都是官方對該次程式分析的描述。缺陷細節

其中一個例子出現在岸線邊界。原始程式利用索引 0 代表缺少的鄰接單元，又把第一個單元的深度複製進去，避免除以零，於是邊界運算與單元編號產生了不直觀的關係。

這類寫法能否改成更清楚的資料型態，需要同時理解程式與物理條件。代理找出可疑關係後，研究者仍應確認新寫法對應的邊界處理是否合理。

測試失敗如何回到修改迴圈？

官方記錄的首輪單元測試有一項失敗，原因是只有一層水體時，垂直通量求解仍嘗試讀取下面一層。Rust 的範圍檢查把錯誤轉成明確的執行失敗。

代理讀取錯誤資訊後補上單層網格處理，再重新執行測試。最後合計 42 項單元、性質與文件測試通過，分支覆蓋率為 96.8%。測試過程

分支覆蓋率表示測試執行到多少條條件路徑。它能讓團隊找出尚未走過的程式分支，但是否涵蓋重要的海況與長時間模擬，仍要另外列出測試案例。

100 組輸出一致要怎麼讀？

Google 表示，100 組隨機種子的比對在 12 位小數精度符合，並報告差異為 3.91 × 10 的負 13 次方。這提供了具體的誤差量級，適合用來判斷這次設定下的數值接近程度。

原先任務要求寫了零差異，但實際成果應以公開的誤差數字描述。研究團隊若要沿用流程，還需要依模型的敏感性決定可接受範圍，尤其是多步運算後可能被放大的差異。

實務上的下一步，是加入原先隨機種子沒有涵蓋的邊界條件。這樣才能把「本次比對接近」逐步擴展成對自己研究用途有意義的驗收結果。

1.88 倍速度提升從哪裡來？

效能改善有可追蹤的中間階段，方便團隊判斷每次改動是否值得保留。Google 同時公布執行時間與記憶體用量，讓速度提高的過程可以分開看。

表中的比較限於官方選定的模擬。從 883 毫秒降到 469 毫秒，意味這組工作跑完所需時間約減少 47%，因此讀者可以把速度倍數換成實際等待時間來理解。官方效能表

重複配置記憶體為何會拖慢計算？

舊程式在核心迴圈反覆建立及釋放暫存陣列，讓時間花在資料準備。把工作區預先配置並重複使用後，就能減少這些額外動作。

資料排列也會影響處理器取得連續資料的效率。這次使用同類資料放在一起的方式，讓迴圈更容易讀到需要的欄位，對大量重複計算尤其有幫助。

最後的最佳化則依賴實際執行資料。編譯器先觀察哪些路徑經常使用，再調整程式布局與運算安排，所以代表性工作負載會影響最佳化效果。

這些改善來自配置、資料結構與編譯流程的共同變動。因此，評估自己的專案時，可以保留分階段量測，確認效益來自哪個改動，也方便處理回歸。

如何在自己的研究專案小範圍試用？

Google 已把流程整理成公開技能，包含基準發現、缺陷檢視、Rust 工作區、測試比對及效能報告。技能提供可重用的工作指令，團隊可以依自己的驗收要求調整。Google Skills

第一次試用適合選可獨立執行的計算核心。因為輸入輸出邊界明確，就比較容易保存舊版結果、控制變動範圍，也能在結果不符合要求時回到原始版本。

開始前，可以先保存來源版本、編譯旗標、測試輸入和設備條件。這些資料能幫助另一位研究者重做比較，避免把環境差異誤認成語言或模型的效果。

執行時，讓代理逐步保存藍圖、測試輸出與效能紀錄。若需要調整誤差標準或方程處理方式，則交回領域負責人判斷，再讓代理依新的條件繼續。

技能頁提供的指令是 /migrate-to-rust <github-repo-url>，但正式使用仍需先檢查技能內容與執行環境。對團隊來說，可審查的規則與可重做的結果，會比單次耗時更容易帶進研究流程。

延伸閱讀 CLAUDE.md 怎麼寫？2026 記憶、Rules、Skills 與 5 種任務模板教學

延伸閱讀 Claude Projects 完整教學（2026），知識庫、指令與新版雲端工作怎麼分？

Antigravity 科學程式移植常見問題

17 萬多行都已經轉成 Rust 了嗎？

174,774 行是來源程式庫的規模。Google 描述的成果是核心求解器移植成 13 個 Rust 模組，所以評估案例時要保留這個範圍。官方案例

自己的專案也能在 59 分鐘完成嗎？

59 分鐘是這次內部案例的紀錄。自己的耗時會受到建置環境、來源依賴、測試完整度與移植範圍影響，因此先讓一個小核心完成完整比較，較容易取得可用的估計。

通過 Rust 編譯後還要驗證什麼？

編譯與記憶體安全檢查能處理一部分程式問題。研究用途還需要核對數值誤差、邊界條件與真實案例，讓結果能對應所研究的物理現象。

官方影片在哪裡？

可以觀看 Google 原文嵌入的示範影片，再對照三階段流程與效能表理解操作。影片與文章是同一案例的官方材料。官方示範影片

把領域驗收留在流程裡，才能把移植成果用進研究

這個案例適合有可重現基準、又想改善核心程式維護性的團隊參考。把舊版輸出、改寫與測試接成迴圈，可以縮短尋找差異的路程，讓研究者有更多時間檢查物理意義。

接下來可以從 公開技能 的驗收規則開始，挑一個具有代表性的小型核心，建立自己可以重做的基準。等測試、誤差與效能結果都能解釋，再擴大移植範圍。