解放程序員，讓AI自行編寫程序

讓計算機程序自動生成新的程序看起來是一個非常「人工智慧」的概念，事實上，它也是眾多 AI 研究者們努力的方向。2017 年以來，學界就出現了微軟的 RobustFill、Bloomberg 和英特爾的AI Programmer、谷歌大腦的優先順序隊列訓練（PQT）等程序生成方法。近日，來自 UC Berkeley 的 Neel Kant 對於近期神經網路程序生成的發展進行了概述。

論文鏈接：https://arxiv.org/abs/1802.02353

作為一個總體領域，程序合成可以被定義為發展一個滿足一系列要求與限制的演算法。因為限制條件是被用來確定正確性的標準，所以限制條件是用來定義這個演算法的。這些條件可能包括了如速度，空間複雜性還有輸入輸出正確與否等等運行時間內性能。對於計算機科學系的學生來說，這個概念很熟悉，考試中會經常需要直接寫下三元快速排列的代碼或者填充不全一段演算法的代碼。

程序合成有很大的市場。成功的程序在未來可以操控現在人的工作：計算機編程。想像一個可以不用人來調試，重構，轉化及整合的世界。甚至可能會出現電腦程序本身不能直接解決問題，但可以提出編程問題並加以解決的世界。在數學和物理學科里，理論證明是需要人來根據已經存在的定理來產生新視角的例子。一個完整的程序合成系統可以跑一個程序來證明或推翻同樣的預測，然後這個任務可以被看成非常創新。當計算機視覺瞄準自動化一個生物複雜精細的感知系統，系統合成就是一個瞄準解決問題，邏輯和自動化它自己的領域。

這些非常強大的程序合成系統的應用使這一領域變得非常讓人著迷，但是它可能會花費幾十年的研究才能達到我們之前所展望的程度。相似的，深度學習已經得到了非常大的關注，而且已經被當成一種重要工具在每一種認知任務中被嘗試使用。這篇文章會總結一下這兩個領域最近的突破。我們可以看到，這裡成就及挑戰並存，我們應該謙虛的去追求我們的目標。

圖 1. 本論文的敘述結構。

摘要：近年來，深度學習在很多領域中取得了巨大成功，這使得研究者開始考慮智能系統是否能夠解決人類近期才開始考慮的問題：程序合成。這項挑戰與目標識別和語音翻譯不同，因為其抽象本質和對嚴謹性的高要求對人類來說都很困難。儘管神經程序合成技術距離解決該問題還很遙遠，或者與大多數現有方法相比也不具備太大競爭力，但是它發展很快，深入了解之後就會發現其具備巨大前景。本論文首先探討程序合成的問題陳述和挑戰。然後，我們回顧程序歸納模型的發展歷程，以及它們的成敗和再發展。最後，我們對比了程序合成的不同研究，並介紹了該領域未來可能有潛力的推薦研究方向。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！