談一談自動編程

這裏所說的自動編程，是運用人工智能技術來自動生成程序，儘可能免除人類勞動。

在自動產生程序以前，先要知道需求是什麼吧？要能把需求準確地描述給機器，這就須要一種需求描述語言。假如咱們製造了這種需求描述語言，它進一步發展，愈加規範，成爲了一種DSL（領域特定語言）。嗯，這就變成了DSL編程。

假如要生成一個應用程序，要選擇一些開發框架、中間件和技術方案吧？人類開發時要考慮開發成本和效益的權衡，可是機器既然已懂得多種技術方案，對它來講開發成本爲0，那麼選擇最好的那一個技術方案就好了。這就至關於存在一套最好(也可能最複雜)的框架，用DSL在框架之上編程。

鬧了半天就是DSL和框架啊？智能到哪去了？

要想真正發揮人工智能的做用，我有兩個思路：

1. 自動提問
   就算有了需求描述語言，人類就能準確描述需求嗎？若是描述得很差，機器可否經過一些分析，針對不足之處，向人類提問，用答案來完善需求描述呢？
2. 自主學習
   人工智能的精髓是自主學習。若是機器能學習世界上現有的代碼，不須要人類特地爲它提供需求描述語言和技術方案，就方便多了。最好是人類直接說需求，機器本身思考，有問題就提問。

有一個有趣的事——最初的自動編程是什麼呢？當編譯器技術剛發明時，它就是自動編程：自動把高級語言代碼轉化成彙編碼或機器碼。

我我的認爲，凡是能給人類省事的技術，哪怕是if-else，也能夠算是某種人工智能。

如今要求高了，編譯器是硬編碼的智能，而咱們還要可擴展、甚至自動擴展的智能。如今的自動編程主要有兩個流派：基於規則推理的、基於機器學習的(包括統計學習、深度學習等)。學術界對自動編程有一個更特別的說法——程序合成(Program Synthesis)。

因爲機器學習的火爆，比較流行的彷佛是基於機器學習(+深度學習)的自動編程，其中一種是經過學習輸入輸出數據的樣本，自動「猜」出一個能處理這些數據的程序。

對此，摘錄馬毅教授的一條微博：數學告訴咱們，不管overfit了多大的樣本數據，經驗事實如何震撼，也取代不了邏輯嚴格的推理證實——這是惟一能將結論從有限樣本擴展到無限的方法。

例如一個遞歸程序，只有數學概括法能準確生成它，任何有限樣本都沒法準確生成它(只能近似猜想)。對於有一點小bug就能出大事的程序，不能鬆懈啊。

所以我不是很同意基於機器學習的自動編程，即便要用，也只是輔助手段吧。啊哈哈~