人工智能时期，将是软件开发者的末日吗？

源| builttoadapt译| 孔明明

还记得曾经那些世界被软件吞噬的时光吗？近期的趋向来看，往常是人工智能吞噬软件的时期了。即便是谷歌的 CEO Sundar Pichai 都曾经在讨论自编程软件了。假如你认同软件开发只不外是重复创建代码段的观念，那么现往常 AI 的快速延展的确能够让软件工程师消停会儿了。

开发人员编写软件时，通常需求遵照一系列硬编码规则，好比，假如条件 X 满足，则执行 Y。机智的人类就是这样一行一行地指挥冰冷的机器工作滴。当然，这可能都是些软件 1.0 时期的陈芝麻烂谷子事儿了。但是到了软件 2.0 时期，随着深度学习的延展，人们认识到能够树立这样一个神经网络，它能够经过学习必要的指令或规则来完成希冀的结果。

软件 2.0 时期的支持者之一，Tesla 的 AI 总监 Andrej Karpathy 提出的论点是，2.0 时期，我们不需求再实打实的敲代码啦，咱只需求找到数据，并把它们“喂”给机器学习系统就完事啦。这样一来，软件工程师已然幻化成了“数据管理员”或着叫“数据使能者”。总之，不论我们自称是谁，都将不再是写代码的程序员了。

Karpathy 在最近发表的一篇题为软件 2.0 时期的文章中写道：“未来绝大部分程序员都不会再去干诸如维护复杂的软件库，编写虚无缥缈的程序或剖析程序运转时间的活儿了。他们的工作是搜集，清洗，处置，标记，剖析和可视化那些需求提供给神经网络的数据。”

作为对 Karpathy 文章的回应，《深度学习 AI 手册》的作者 Carlos E. Perez 写道：固然，“我同意 Kaparthy 所说的可教机器就是 '软件 2.0'，但值得商榷的是这些新机器系统能否不同于其他通用计算机”。

在个人看来，我不以为软件工程会立刻消逝。即便有如软件 2.0 工程、数据科学 2.0 工程或者其他任何一种新的角色介入，但处于新技术转移过程中的软件 1.0 时期的软件工程从业者们总能取得些新招儿。

实践上，我并不肯定在不久的未来，彼时的软件工程业态能否会完整区别于往常的状况。是的，深度学习神经网络会给予我们辅佐，但它们只是要辅佐我们更好地完成当前的工作，而不是完整取代我们。

当然，这是一个新的世界，但我们并没有不是在《黑镜》的剧情里。理想中，常用的办公室助手曾经帮你布置好了一天的行程，并着手布置你的电话会议。网上以至还呈现了这样的 AI 系统，它能够为你的企业量身定制徽标，并依据你的反响进行改进。

这里还有一个很好的例子：这个新例子展示了深度学习网络是如何将设计好的样图转换成 HTML 代码的。这个网络经过查看现有网页以及屏幕像素与 HTML 标记（如<h1>，<div>）的关联方式来进行锻炼，进而学习了解到阅读器是如何将HTML言语渲染成你看到的图像的。然后你能够反过来“喂”一个新的图像给这个网络，它就会将图像转化成有效的 HTML 言语。一个相似的应用就能够大大缩短建模周期，设计者只需设计一个接口，机器就能够用它创建一个可用的网页。

多年来，我们不时运用自动助手进行代码重构，并应用它们俭省编写模范代码的时间。

我的观念是传统的软件工程行业将会被机器学习重塑，但不会消逝。但是它会被如何重塑呢？

今天，手机能够自动检查你的拼写语法，并给出下一个倡议单词。在做程序开发过程中，也有相似的工具会高亮显现代码中潜在的错误。作为一个为 Pivotal 做结对编程的程序员，我很自然会思索软件 2.0 时期会对自己工作方式的带来哪些影响。思索到机器学习和会话接口技术的进步，有一天机器或许真的能够成为我的另一半。

多年来，我们不时运用自动助手进行代码重构，并应用它们来俭省编写模范代码的时间。我们往常也很乐意在更复杂的软件开发过程中引入 AI 助手。最近，在一些 IDE 中，此类 AI 助手也以增强特性的方式出往常产品序列中，目的就是为了更好的促进程序的编写。

往常想象一下高级 AI 助手在未来挑大梁的场景吧。在编程时，这个小同伴儿可能会依据你的编程作风，运用高级预测剖析功用来肯定正在编写的函数的类型，并依据它自己的编程作风填充完剩下的代码。大致上就是这个小同伴儿为你编写其他代码，然后由你来审批这部分代码能否合格。

另一个 AI 助手能够发挥作用的范畴是测试程序开发。人类能够开发测试程序，而这个小同伴儿则能够经过数百万次重复尝试，最终找到适合的代码段来处置测试问题。这样一来，人类就不需求同时承担两项任务了——编写测试代码和处置测试问题，后者交给机器就行啦。于是你将在程序的完成上投入更少的时间，省出来的时间便能够用来思索和处置业务问题，这太有用啦。

顺便提一下，软件 2.0 时期以至可能有助于指导测试程序的开发，并为后续哪个测试程序该被运转提出倡议，给出理由。想象一个这样的场景：营销人员跑到开发团队跟前儿，咋咋呼呼的说他们想要产品完成这样和那样的功用。可是你想想，假如他们能够以机器能够了解的方式来表白自己想要的东西（这种方式向来都更方便些），那么机器便能够辅佐选择所需的测试程序，并提出后续的倡议。

以上想象的场景也惹起了极大的担忧：机器会完整取代软件工程师吗？事实状况是可能我们最多只能让机器抵达软件工程师们 90% 的才干，即便如此也意味着失败（时间上 1% 的失败），这种失败源于不可预知性。这种不可预知性的存在也意味着你需求一个监控系统来确保编写的代码起到实践作用。或许担任监控会是软件工程师的一个新角色，就像 Andrej 在他的文章中提到的：监控代码并辅佐机器学习系统抵达接近 100％ 的精确率。

往常我们曾经勾勒出了软件 2.0 时期带来的可想象的益处，另一个接踵而至的问题是：软件编程的哪些部分能够转移到深度学习 2.0 框架以及传统的 1.0 框架中应该保存些什么？今天，深度学习神经网络在监视学习环境中表示得相当不错，只需给他们提供些包含正反样例的锻炼数据，它们就能够学习到如何正确的输出。举个例子，谷歌曾经将深度学习应用到整个产品系列中了。

但是这些神经网络系统的好坏仅仅同等于锻炼数据的好坏。正如我的一位同事提到的那样，进步神经网络模型性能常常触及到改进底层代码和部署环境，另外还需求进步锻炼数据的质量。一些机器学习系统能变得越来越好，是由于它们实践上是在抑止锻炼数据中人为构成的缺陷。

实践上，神经网络并不是什么杀手锏。我们要做的是，设计能与其他处置计划协作的神经网络。软件开发的某些部分的确会由于应用深度学习技术工作得很好，某些部分则不会。

关于结对编程，我个人的经验是经过和人协作后，针对同一问题会得到很多不同的处置措施，软件开发就是这样一个与其他同事不时协作的过程。每当组队胜利，协作同伴就会带来不同的经验和措施。组队数量越多，你能得到的处置计划也就越多。

到了软件 2.0 时期，我们有了一个新小同伴儿来辅佐开发人员更好地完成工作，一个愈加有力的协作环境也正在构成，这会带来越来越多，更有效的处置计划，并且人人都会因而获益。

独一不变的就是变，所以个人，机构和企业必须学会顺应。在 Pivotal，我们置信这种改动应该被等候，被接受，并经过开发和创新被不时得融入，由于我们追求优质软件的脚步永不停歇。

-END-

译者 | 孔明明

南开大学毕业，特殊培训行业末端从业人员，热衷数据剖析，酷爱英文翻译，热心公益事业，简称散热板。

后台回复 “意愿者”

了解如何参与我们