歡迎關(guān)注“創(chuàng)事記”的微信訂閱號：sinachuangshiji

　　編譯/新智元

　　新智元導(dǎo)讀：許多人對AI的想象都停留在應(yīng)用層，而忽視了技術(shù)層AI也將產(chǎn)生顛覆——讓機器自己編程。谷歌大腦、DeepMind、Facebook甚至Viv 都在這一方向上努力，發(fā)表了一系列研究論文。Venture Beat 作者 Lucas Carlson認(rèn)為，機器自我編程其實離我們并不遙遠(yuǎn)，將很快實現(xiàn)。一旦機器做到這一步，在軟件發(fā)揮重大作用的所有領(lǐng)域，將會經(jīng)歷一場顛覆性的變革。

　　想象AI 的未來是很有趣的：家庭服務(wù)機器人、亞馬遜的智能家庭中樞（Echo）等設(shè)備將走進(jìn)每家每戶，還有無人機快遞和更加精準(zhǔn)的醫(yī)學(xué)診斷。這些吸人眼球的消費應(yīng)用充斥著公眾的想象，以至于大家都忽視了AI對另一個領(lǐng)域的顛覆——軟件本身的發(fā)展。

　　想象一下，如果計算機自己能理解自己，它們可以做些什么？用不了多久，計算機就能做到這件事。并且，我不是在描述遙遠(yuǎn)的未來，我說的是觸手可及的現(xiàn)在，使用時下現(xiàn)有的技術(shù)就能達(dá)到。

　　迄今為止，機器學(xué)習(xí)的專家傾向于聚焦那些為特定任務(wù)開發(fā)的AI 應(yīng)用，比如人臉識別、自動駕駛、語音識別甚至是搜索。但是，如果這些類似的算法能夠在不需要人為幫助、解釋或者干預(yù)的情況下，理解它們自身的代碼結(jié)構(gòu)呢？正如他們理解人類的語言和圖像一樣。

　　如果代碼開始對自己進(jìn)行分析、自我修正并提升，且速度比認(rèn)為的更快，那么技術(shù)的突破可能會來得更快。由此帶來的可能性是無止境的：醫(yī)學(xué)的進(jìn)步、更加自然的機器人、更智能的手機、更少bug的軟件，更少的銀行欺詐等等。

　　人工智能具有解決軟件開發(fā)中的一個古老問題的潛力。代碼編寫或操縱其他代碼的能力的概念已經(jīng)存在了很長時間，一般稱為元編程（它實際上起源于20世紀(jì)50年代末的Lisp）。它解決的難題，目前都還在人們的想象之中。

　　但是，現(xiàn)在人工智能讓改變發(fā)生了。

　　使用人工智能，計算機能夠理解一個軟件開發(fā)項目從無到有的發(fā)展歷史過程中的所有代碼，并立即改進(jìn)或者刪除單獨一行代碼中的bug，不管是用什么編程語言。即便是一個缺乏經(jīng)驗的或者中等水平的程序員都能講清楚讓計算機自我編程的原理。由此，一個癌癥項目的研究可能幾天或者幾個月就能完成，而不需要花費好幾年的時間，這將帶來顯著的進(jìn)步。

　　今天，這項最終將會帶來顛覆性改變的技術(shù)尚處在萌芽時期，但是，它已經(jīng)開始生長。比如，谷歌的TensorFlow機器學(xué)習(xí)軟件，讓每位程序員都能將神經(jīng)網(wǎng)絡(luò)直接融入到所開發(fā)的APP中，讓APP擁有識別圖片中的人和物體的能力。要把這些想法變成現(xiàn)實，你將不再需要一個博士學(xué)位。讓業(yè)余人士也可以修正程序，這可能會成為AI發(fā)展歷史上最大的突破。

　　谷歌的目標(biāo)：大部分代碼都不需要人為編寫

　　國外著名科技記者 Steven Levy 今年 6 月在他刊于 BackChannel 的文章《谷歌如何將自己重塑為一家“AI 為先”的公司》（How Google Is Remaking Itself As A “Machine Learning First” Company）中提到，谷歌大腦負(fù)責(zé)人 Jeff Dean 表示，隨著他和團(tuán)隊對機器學(xué)習(xí)了解得更多，他們利用機器學(xué)習(xí)的方法也更加大膽?！耙郧埃覀兛赡茉谙到y(tǒng)的幾個子組件中使用機器學(xué)習(xí)，”Jeff Dean 說：“現(xiàn)在我們實際上使用機器學(xué)習(xí)來替換整套系統(tǒng)，而不是試圖為每個部分制作一個更好的機器學(xué)習(xí)模型。”Levy 在文中寫道，如果現(xiàn)在讓 Jeff Dean 改寫谷歌的基礎(chǔ)設(shè)施，大部分代碼都不會由人編碼，而將由機器學(xué)習(xí)自動生成。

　　谷歌的代碼bug預(yù)測系統(tǒng)，使用一個得分算法，隨著commits變得越來越舊，它們的價值越來越小。

　　認(rèn)為計算機自我編程離我們還很遠(yuǎn)？如果我告訴你，一些大公司，比如谷歌，已經(jīng)開始在內(nèi)部的項目管理系統(tǒng)中嘗試使用這一概念，你可能會覺得震驚。但是，谷歌確實已經(jīng)開發(fā)了一個 bug 預(yù)測程序，使用機器學(xué)習(xí)和統(tǒng)計分析，來判斷某一行代碼是否存在瑕疵。谷歌工程師、W3C的聯(lián)合主席 Ilya Grigorik 也開發(fā)了一個開源版本的 bug 預(yù)測工具，目前已被下載 2萬次。

　　開源地址：https：//github.com/igrigorik/bugspots

　　Ilya Grigorik ，圖片來自twitter

　　另一個例子來自Siri 的繼承者——Viv。Wired 最近的一篇報道中寫道，Viv 不僅使用一系列的自然語言處理來實現(xiàn)語言識別， 還基于英語詞匯建立了復(fù)雜的自適應(yīng)性計算機程序。代碼自己寫代碼（Code writing code）。由于被寫入的代碼是經(jīng)過Viv的開發(fā)人員自己訓(xùn)練和專門化的，所以這里的“寫代碼”并不是我們通常所說的寫代碼的能力，但這確實是一個大的進(jìn)步。

　　在這個方向上，另一個大的進(jìn)步來自非專業(yè)領(lǐng)域。Emil Schutte 曾有過一句非常具有挑釁性的言論：厭倦了寫代碼？我也是！讓Stack Overflow來做這件事吧。他分享了一個例子來證明這一概念，從Stack Overflow 的大型編程數(shù)據(jù)庫中提取完整的工作代碼，來提供完整的功能代碼塊，但是，這樣得到的模塊還是基于已經(jīng)寫好的代碼。

　　DeepMind 的嘗試

　　實際上更早之前，DeepMind 團(tuán)隊開發(fā)了一個“神經(jīng)編程解釋器”（NPI），能自己學(xué)習(xí)并且編輯簡單的程序，排序的泛化能力也比序列到序列的 LSTM 更高。描述這項研究的論文《神經(jīng)程序解釋器》（Neural Programmer-Interpreters），被評選為 ICLR16 最佳論文。

　　NPI 是一種遞歸性的合成神經(jīng)網(wǎng)絡(luò)，能學(xué)習(xí)對程序進(jìn)行表征和執(zhí)行。NPI 的核心模塊是一個基于 LSTM 的序列模型，這個模型的輸入包括一個可學(xué)習(xí)的程序嵌入、由調(diào)用程序傳遞的程序參數(shù)和對環(huán)境的特征表征。這個核心模塊的輸出包括，一個能指示接下來將調(diào)用哪個程序的鍵、一個經(jīng)典算法程序的參數(shù)，以及一個能指示該程序是否該停止的標(biāo)記。除了遞歸性內(nèi)核外，NPI 構(gòu)架還包括一個內(nèi)嵌的可學(xué)習(xí)程序的鍵值內(nèi)存。這種程序-內(nèi)存的結(jié)構(gòu)對于程序的持續(xù)學(xué)習(xí)和重用是極其重要的。

　　圖 6：NPI 與 序列到序列 LSTM 對不同長度的序列進(jìn)行排序的準(zhǔn)確率對比，最長序列含有20個數(shù)組。

　　NPI 有三個擁有學(xué)習(xí)能力的部件：一是任務(wù)未知的遞歸內(nèi)核，二是持續(xù)鍵值程序內(nèi)存，三是基于特定領(lǐng)域的編碼器，這個編碼器能在多個感知上有差異的環(huán)境中讓單一的 NPI 提供截然不同的功能。通過合成低層程序表達(dá)高層程序，NPI 減少了樣本復(fù)雜性，同時比序列到序列的 LSTM 更容易泛化。通過在既有程序的基礎(chǔ)上進(jìn)行建構(gòu)，程序內(nèi)存能高效學(xué)習(xí)額外的任務(wù)。NPI 也可以利用環(huán)境緩存計算的中間結(jié)果，從而減輕遞歸隱藏單元的長期存儲負(fù)擔(dān)。

　　不過，當(dāng)時 DeepMind 團(tuán)隊并未使用無監(jiān)督學(xué)習(xí)的方法的訓(xùn)練 NPI，其模型也只能學(xué)習(xí)合成若干種簡單的程序，包括加法、排序和對 3D 模型進(jìn)行正則化轉(zhuǎn)換。不過，單一 NPI 能學(xué)會執(zhí)行這些程序以及所有 21 個關(guān)聯(lián)子程序。

　　田淵棟對計算機自我編程的研究綜述

　　Facebook 人工智能實驗室研究員田淵棟在他提交 ICLR17 的文章中，就有一篇研究了這方面的問題。

　　論文摘要：構(gòu)建能夠通過自動推斷（infer），將一組輸入映射到輸出的計算機程序仍是一個開放且極具挑戰(zhàn)性的問題。由于在可能的程序上存儲著巨大的搜索空間，并且需要處理高階邏輯（如 for循環(huán)或遞歸），所以程序進(jìn)行歸納（induction）任務(wù)是很困難的。在本文中，我們使用 Hierarchical Generative Convolutional Neural Networks（HGCNN），自動根據(jù)輸入/輸出對生成程序。HGCNN 以層次式預(yù)測候選代碼串，由此可以使用標(biāo)準(zhǔn)的搜索技術(shù)來構(gòu)造程序。應(yīng)當(dāng)注意，該模型僅使用隨機生成的程序進(jìn)行訓(xùn)練，因此可被視為一種無監(jiān)督學(xué)習(xí)的方法。我們證明，文中所提出的方法可以生成程序，從簡單的 Swap 到更復(fù)雜的循環(huán)和分支（比如找到一串?dāng)?shù)組中的最大值）。我們還展示了使用該方法，在實現(xiàn)諸如 Bubble Sort 等嵌套循環(huán)程序時取得的不錯結(jié)果。將 LSTM 等作為比較的基礎(chǔ)，新方法的預(yù)測精度有了顯著的提高。

　　田淵棟在《深度學(xué)習(xí)沒有解決的理論問題》里表示，這篇論文將算法的輸入輸出的結(jié)果抽取特征后，送入卷積神經(jīng)網(wǎng)絡(luò)文獻(xiàn)中，再層次式地生成圖像的經(jīng)典框架，生成一張二維圖，每一行就是一行代碼，或者更確切地說，是代碼的概率分布。有了好的分布，就可以幫助啟發(fā)式搜索找到正確的程序。而神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，則由大量的隨機代碼、隨機輸入及隨機代碼執(zhí)行后得到的輸出來提供——基本不需要人工干預(yù)，算是一種非監(jiān)督的辦法。

　　同時，田淵棟還在后面補充：“等到今年的 ICLR 的文章一公布，隨便翻一翻就找到了七篇計算機自動生成（或者自動優(yōu)化）代碼的文章。打開一看，引論里全在描述同樣的動機。”

　　那這個動機就是什么？

　　“讓計算機自己寫代碼”。

　　一旦機器可以理解自己，一場顛覆性變革將會發(fā)生

　　隨著越來越多的這類技術(shù)變得成熟，機器將會在各種各樣的任務(wù)上超越人類。那么，機器為什么不能理解自己呢？我想這只是時間的問題。并且，一旦機器做到這一步，你會發(fā)現(xiàn)，在軟件發(fā)揮重大作用的所有領(lǐng)域，將會經(jīng)歷一場顛覆性的變革。

　　人工智能的核心挑戰(zhàn)之一便是教會機器學(xué)習(xí)新的程序、從既有程序中快速地編寫新程序，并自動在一定條件下執(zhí)行這些程序以解決廣泛種類的任務(wù)。在各種人工智能問題中，程序以不同的面貌出現(xiàn)，包括運動行為、圖像轉(zhuǎn)換、強化學(xué)習(xí)策略、經(jīng)典算法和符號關(guān)系等等。

　　現(xiàn)在，機器已經(jīng)能夠自動執(zhí)行越來越多的程序，而且現(xiàn)在開源代碼這么多，如果把歷史上的代碼都學(xué)習(xí)一下，很多編程場景應(yīng)該是可以自動化的，至少可以大大減少人工。人類程序員尤其是初級程序員的工作被取代的可能性，也越來越大。

來源：github，venturebeat 等編輯： 胡祥杰 王楠