談一談自動程式設計

這裡所說的自動程式設計，是運用人工智慧技術來自動生成程式，盡量免除人類勞動。

在自動產生程式之前，先要知道需求是什麼吧？要能把需求準確地描述給機器，這就需要一種需求描述語言。假如我們製造了這種需求描述語言，它進一步發展，越發規範，成為了一種dsl（領域特定語言）。嗯，這就變成了dsl程式設計。

假如要生成乙個應用程式，要選擇一些開發框架、中介軟體和技術方案吧？人類開發時要考慮開發成本和效益的權衡，但是機器既然已懂得多種技術方案，對它來說開發成本為0，那麼選擇最好的那乙個技術方案就行了。這就相當於存在一套最好(也可能最複雜)的框架，用dsl在框架之上程式設計。

鬧了半天就是dsl和框架啊？智慧型到哪去了？

要想真正發揮人工智慧的作用，我有兩個思路：

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？如果描述得不好，機器能否通過一些分析，針對不足之處，向人類提問，用答案來完善需求描述呢？

自主學習

人工智慧的精髓是自主學習。如果機器能學習世界上現有的**，不需要人類特意為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，機器自己思考，有問題就提問。

有乙個有趣的事——最初的自動程式設計是什麼呢？當編譯器技術剛發明時，它就是自動程式設計：自動把高階語言**轉化成彙編碼或機器碼。

我個人認為，凡是能給人類省事的技術，哪怕是if-else，也可以算是某種人工智慧。

現在要求高了，編譯器是硬編碼的智慧型，而我們還要可擴充套件、甚至自動擴充套件的智慧型。現在的自動程式設計主要有兩個流派：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)。學術界對自動程式設計有乙個更特別的說法——程式合成(program synthesis)。

由於機器學習的火爆，比較流行的似乎是基於機器學習(+深度學習)的自動程式設計，其中一種是通過學習輸入輸出資料的樣本，自動「猜」出乙個能處理這些資料的程式。

對此，摘錄馬毅教授的一條微博：數學告訴我們，無論overfit了多大的樣本資料，經驗事實如何震撼，也取代不了邏輯嚴格的推理證明——這是唯一能將結論從有限樣本擴充套件到無限的方法。

例如乙個遞迴程式，只有數學歸納法能準確生成它，任何有限樣本都無法準確生成它(只能近似猜測)。對於有一點小bug就能出大事的程式，不能鬆懈啊。

因此我不是很贊成基於機器學習的自動程式設計，即使要用，也只是輔助手段吧。啊哈哈~