想象AI的未來是很有趣的：家庭服務機器人、亞馬遜的智能家庭中樞（Echo）等設備將走進每家每戶，還有無人機快遞和更加的醫學診斷。這些吸人眼球的消費應用充斥著公眾的想象，以至于大家都忽視了AI對另一個領域的顛覆——軟件本身的發展。

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，這不是在描述遙遠的未來，而是觸手可及的現在，使用時下現有的技術就能達到。

迄今為止，機器學習的專家傾向于聚焦那些為特定任務開發的AI應用，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、解釋或者干預的情況下，理解它們自身的代碼結構呢？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行分析、自我修正并提升，且速度比認為的更快，那么技術的突破可能會來得更快。由此帶來的可能性是無止境的：醫學的進步、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存在了很長時間，一般稱為元編程（它實際上起源于20世紀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，現在人工智能讓改變發生了。

使用人工智能，計算機能夠理解一個軟件開發項目從無到有的發展歷史過程中的所有代碼，并立即改進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，這將帶來顯著的進步。

今天，這項終將會帶來顛覆性改變的技術尚處在萌芽時期，但是，它已經開始生長。比如，谷歌的TensorFlow機器學習軟件，讓每位程序員都能將神經網絡直接融入到所開發的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實，你將不再需要一個博士學位。讓業余人士也可以修正程序，這可能會成為AI發展歷史上大的突破。

谷歌的目標：大部分代碼都不需要人為編寫

國外科技記者StevenLevy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 GoogleIs Remaking Itself AsA“ Machine Learning First”Company）中提到，谷歌大腦負責人Jeff Dean表示，隨著他和團隊對機器學習了解得更多，他們利用機器學習的方法也更加大膽。“以前，我們可能在系統的幾個子組件中使用機器學習，”JeffDean說：“現在我們實際上使用機器學習來替換整套系統，而不是試圖為每個部分制作一個更好的機器學習模型。”Levy在文中寫道，如果現在讓JeffDean改寫谷歌的基礎設施，大部分代碼都不會由人編碼，而將由機器學習自動生成。

谷歌的代碼bug預測系統，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。

認為計算機自我編程離我們還很遠？如果我告訴你，一些大公司，比如谷歌，已經開始在內部的項目管理系統中嘗試使用這一概念，你可能會覺得震驚。但是，谷歌確實已經開發了一個bug預測程序，使用機器學習和統計分析，來判斷某一行代碼是否存在瑕疵。谷歌工程師、W3C的聯合主席IlyaGrigorik也開發了一個開源版本的bug預測工具，目前已被下載2萬次。

另一個例子來自Siri的繼承者——Viv。Wired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語言識別，還基于英語詞匯建立了復雜的自適應性計算機程序。代碼自己寫代碼（Codewritingcode）。由于被寫入的代碼是經過Viv的開發人員自己訓練和專門化的，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步。

在這個方向上，另一個大的進步來自非專業領域。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StackOverflow的大型編程數據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寫好的代碼。

Deep Mind的嘗試

實際上更早之前，DeepMind團隊開發了一個“神經編程解釋器”（NPI），能自己學習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《神經程序解釋器》（Neural Programmer-Interpreters），被評選為ICLR16佳論文。

NPI是一種遞歸性的合成神經網絡，能學習對程序進行表征和執行。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習的程序嵌入、由調用程序傳遞的程序參數和對環境的特征表征。這個核心模塊的輸出包括，一個能指示接下來將調用哪個程序的鍵、一個經典算法程序的參數，以及一個能指示該程序是否該停止的標記。除了遞歸性內核外，NPI構架還包括一個內嵌的可學習程序的鍵值內存。這種程序-內存的結構對于程序的持續學習和重用是極其重要的。

NPI有三個擁有學習能力的部件：一是任務未知的遞歸內核，二是持續鍵值程序內存，三是基于特定領域的編碼器，這個編碼器能在多個感知上有差異的環境中讓單一的NPI提供截然不同的功能。通過合成低層程序表達高層程序，NPI減少了樣本復雜性，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上進行建構，程序內存能學習額外的任務。NPI也可以利用環境緩存計算的中間結果，從而減輕遞歸隱藏單元的長期存儲負擔。

不過，當時DeepMind團隊并未使用無監督學習的方法的訓練NPI，其模型也只能學習合成若干種簡單的程序，包括加法、排序和對3D模型進行正則化轉換。不過，單一NPI能學會執行這些程序以及所有21個關聯子程序。

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挑戰性的問題。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循環或遞歸），所以程序進行歸納（induction）任務是很困難的。在本文中，我們使用Hierarchical Generative Convolutional Neural Networks（HGCNN），自動根據輸入/輸出對生成程序。HGCNN以層次式預測候選代碼串，由此可以使用標準的搜索技術來構造程序。應當注意，該模型僅使用隨機生成的程序進行訓練，因此可被視為一種無監督學習的方法。我們證明，文中所提出的方法可以生成程序，從簡單的Swap到更復雜的循環和分支（比如找到一串數組中的大值）。我們還展示了使用該方法，在實現諸如BubbleSort等嵌套循環程序時取得的不錯結果。將LSTM等作為比較的基礎，新方法的預測精度有了顯著的提高。

田淵棟在《深度學習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果抽取特征后，送入卷積神經網絡文獻中，再層次式地生成圖像的經典框架，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，就可以幫助啟發式搜索找到正確的程序。而神經網絡的訓練數據，則由大量的隨機代碼、隨機輸入及隨機代碼執行后得到的輸出來提供——基本不需要人工干預，算是一種非監督的辦法。

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生

隨著越來越多的這類技術變得成熟，機器將會在各種各樣的任務上超越人類。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，你會發現，在軟件發揮重大作用的所有領域，將會經歷一場顛覆性的變革。

人工智能的核心挑戰之一便是教會機器學習新的程序、從既有程序中快速地編寫新程序，并自動在一定條件下執行這些程序以解決廣泛種類的任務。在各種人工智能問題中，程序以不同的面貌出現，包括運動行為、圖像轉換、強化學習策略、經典算法和符號關系等等。

現在，機器已經能夠自動執行越來越多的程序，而且現在開源代碼這么多，如果把歷史上的代碼都學習一下，很多編程場景應該是可以自動化的，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。
? ? ? ? 責任編輯：tzh