還記得軟件席卷世界的時候嗎?一個最近比較流行的觀點是，人工智能正在席卷各類軟件。

過去，谷歌的首席執(zhí)行官桑達爾·皮查伊(Sundar Pichai)談到了“自動編寫自己”的軟件。有些人認為軟件開發(fā)的工作只是比創(chuàng)造不斷重復代碼片段復雜一點，那么現(xiàn)在，人工智能的快速發(fā)展可能會讓軟件工程師們集體失業(yè)。

傳統(tǒng)上，開發(fā)人員編寫軟件有著一系列固定的規(guī)則，例如：如果a發(fā)生，那么就進行b操作。

人類碼農(nóng)指導著機器，這是軟件1.0時代。但在軟件2.0時代里，人們認識到，基于深度學習研究的進步，我們可以構(gòu)建一個神經(jīng)網(wǎng)絡(luò)，來學習需要哪些指令或規(guī)則才能獲得預期的結(jié)果。特斯拉人工智能總監(jiān)安德烈·卡帕西(Andrej Karpathy)等人是2.0時代的支持者，他們提出的論點是，未來里，我們將不再需要親手編寫代碼。我們只需要找到數(shù)據(jù)并將其輸入機器學習系統(tǒng)，一切就完成了。在這個場景中，軟件工程師的角色將轉(zhuǎn)變?yōu)椤皵?shù)據(jù)監(jiān)管員”，或是“數(shù)據(jù)賦能者”。

然而，軟件工程不會很快消失。即使軟件工程師2.0、數(shù)據(jù)科學家2.0這樣的新職業(yè)正得到不斷的發(fā)展，人工智能技術(shù)也會反過來增強軟件1.0時代工作者的能力。事實上，我們還不能確定軟件工程在不久的將來，是否會變得和今日完全不同。深度學習神經(jīng)網(wǎng)絡(luò)系統(tǒng)中將會為我們提供幫助，但它不會完全取代我們。

機器學習將如何塑造軟件開發(fā)?

這將是一個全新的世界，但我們并不是活在電視劇里。事實上，一般的智能辦公室助理已經(jīng)能安排一天的日程，并啟動電話會議。甚至有些AI支持的系統(tǒng)，可以為企業(yè)生成商標，并根據(jù)反饋自動改進商標。

今天，手機會自動檢查拼寫并提示下一個單詞。在編寫代碼時，類似的工具也會高亮潛在的錯誤。例如，從事結(jié)對編程（Pair programming）的人自然會預想到軟件2.0對他們工作方式的影響。考慮到機器學習和會話接口方面的進步，可以想象，未來的一臺機器就能撐起結(jié)對編程任務(wù)的半邊天。

多年來，我們一直使用自動化工具來節(jié)省編寫模板代碼的時間?，F(xiàn)在，AI驅(qū)動的助手工具也越來越頻繁地出現(xiàn)在更加復雜的軟件開發(fā)中。它們以增強式集成開發(fā)環(huán)境的形式出現(xiàn)，為人們推薦更好的代碼組合。

人工智能的角色

讓我們想象一個更高級的人工智能助手在未來發(fā)揮的巨大作用。在進行編碼工作時，你的AI同時會通過分析確定你正在編寫的是哪種代碼，并且根據(jù)你的風格來自動完成其余的代碼撰寫。

本質(zhì)上，人工智能助手更像是獲得你的授意，為你完成剩下的工作。

另一個人工智能助手將大有作為的領(lǐng)域是測試驅(qū)動開發(fā)。與人類工作速度形成鮮明對比的是，一個機器同事可以快速進行數(shù)百萬次的迭代，來找到解決測試的正確代碼段。擁有一個AI同事意味著，測試驗證這項任務(wù)將交由AI完成。我們不用同時應(yīng)對編寫測試和測試驗證這兩項工作，從而節(jié)約了在編碼上花費的時間，讓我們有更多的時間用于理解和解決業(yè)務(wù)問題。

將來，軟件2.0甚至可能會幫助指導測試驅(qū)動開發(fā)，為測試提出建議，并給出它自己的原因。

讓我們想象一下，營銷人員來到開發(fā)團隊，說他們想要這樣或那樣的功能。如果他們能以機器能夠理解的方式表達他們想要的東西，機器就能自動選擇必要的測試，并提出下一步的建議。

強化，而不是代替

這引發(fā)了一個終極問題:機器會完全取代軟件工程師嗎?現(xiàn)實情況是，我們最多只能達到百分之九十幾的能力，而這仍然意味著1%的失敗和不可預測性。一個監(jiān)控系統(tǒng)需要用來確保所寫的代碼能夠正常工作。也許軟件工程師的新角色就是監(jiān)控代碼并幫助機器學習系統(tǒng)達到接近100%的準確率。

既然我們已經(jīng)概述了可以想象的好處，下一個問題就出現(xiàn)了:軟件編程的哪些部分可以轉(zhuǎn)移到深度學習2.0框架中，哪些部分應(yīng)該保留在傳統(tǒng)的1.0框架中?時至今天，我們得到的結(jié)論是，這些深度學習神經(jīng)網(wǎng)絡(luò)在監(jiān)督學習環(huán)境下表現(xiàn)得很好。如果向它們提供訓練數(shù)據(jù)，提供好的和壞的實例，那么它們就能學會正確地輸出。

但這些系統(tǒng)的好壞取決于訓練數(shù)據(jù)的質(zhì)量。正如我的一位同事所指出的，改進模型的性能常常包括改進底層代碼、部署環(huán)境，以及改進訓練數(shù)據(jù)。事實上，一些機器學習系統(tǒng)因為過于優(yōu)秀，以至于它們實際上被訓練數(shù)據(jù)中的人為缺陷所耽誤。

最終的一點想法

我們需要設(shè)計神經(jīng)網(wǎng)絡(luò)來處理其他解決方案。軟件開發(fā)的某些部分能夠很好地進行深度學習，而另一些部分則不能。如果我們再看看結(jié)對編程，通過與他人共享控制權(quán)，會有許多不同的方法來完成問題。軟件開發(fā)是一個不斷與其他同事協(xié)作的過程。每一對新的工作伙伴都會帶來不同的經(jīng)歷和解決問題的不同方法。組合越多，得到的解就越多。

在軟件2.0中，我們得到了一個新的AI伙伴來幫助開發(fā)人員更好地完成他們的工作。我們展望一個更有活力的人機合作環(huán)境，它將帶來更多、更有效的解決方案。這對每個人都有好處。