說(shuō)你想干什么，AI就能自動(dòng)寫(xiě)代碼。

現(xiàn)在，我們離這個(gè)目標(biāo)又近了一步。

近日，MIT的一個(gè)研究團(tuán)隊(duì)放出了新的研究成果。

他們提出了一種靈活組合模式識(shí)別和推理的方法，在無(wú)監(jiān)督學(xué)習(xí)的情況下， 來(lái)解決AI自動(dòng)編程遇到的問(wèn)題。

先給你看幾個(gè)例子：

任務(wù)要求：

給定一個(gè)數(shù)組，計(jì)算數(shù)字翻轉(zhuǎn)過(guò)來(lái)之后的中位數(shù)。

AI會(huì)給出代碼：

(reduce(reverse(digits(deref (sort a)(/ (len a) 2)))) 0

(lambda2 (+(* arg1 10) arg2)))

任務(wù)要求：

輸入:

1, [-101, 63, 64, 79, 119, 91, -56, 47, -74, -33]

4, [-6, -96, -45, 17, 26, -38, 17, -18, -112, -48]

輸出:

39

8

AI會(huì)給出的代碼：

(MAXIMUM (MAP DIV3 (DROP input0 input1)))

這是怎么做到的？

給人類(lèi)程序員一個(gè)任務(wù)，在開(kāi)始寫(xiě)代碼之前，會(huì)根據(jù)自己的經(jīng)驗(yàn)來(lái)判斷代碼架構(gòu)是什么樣的。如果沒(méi)有經(jīng)驗(yàn)，就要采取推理的方式，來(lái)完善代碼架構(gòu)。

這個(gè)AI系統(tǒng)，就是模仿了人類(lèi)結(jié)合模式識(shí)別和推理寫(xiě)代碼的方式。

模型分為兩個(gè)模塊，分別是概要生成器（sketch generator）和代碼合成器（ program synthesizer）。

輸入任務(wù)要求之后，先經(jīng)過(guò)概要生成器，生成滿(mǎn)足任務(wù)要求概率比較高的代碼概要，即可能滿(mǎn)足任務(wù)要求的初始代碼，細(xì)節(jié)并不豐富。然后，代碼概要進(jìn)入代碼合成器模塊，找到滿(mǎn)足任務(wù)要求的模塊。

概要生成器，是一個(gè)帶有注意力機(jī)制的seq2seq循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），在給定任務(wù)之后，通過(guò)LSTM編碼器對(duì)其進(jìn)行編碼，然后再逐token解碼。

代碼合成器，有兩個(gè)組成部分：廣度優(yōu)先概率枚舉器和神經(jīng)網(wǎng)絡(luò)識(shí)別器。前者根據(jù)可能性從大到小枚舉代碼sketch， 后者根據(jù)任務(wù)要求來(lái)指導(dǎo)這一過(guò)程。

具體效果怎么樣？

為了驗(yàn)證模型的性能，研究團(tuán)隊(duì)選擇了兩個(gè)模型與其進(jìn)行對(duì)比。

分別是只有合成器的模型（Synthesizer only）和只有生成器的模型（Generator only）。

只有合成器的模型，相當(dāng)于研究中代碼合成器模塊，進(jìn)行模式識(shí)別之后，從頭開(kāi)始枚舉所有可能的編碼。與微軟研究院研究團(tuán)隊(duì)2016年提出的“Deepcoder”模型媲美。

只有生成器的模型，相當(dāng)于研究中概要生成器模塊，用來(lái)預(yù)測(cè)完整的代碼。與微軟研究院和MIT團(tuán)隊(duì)在2017年提出的“RobustFill”模型媲美。

進(jìn)行對(duì)比的任務(wù)是數(shù)組列表、字符串轉(zhuǎn)換和自然語(yǔ)言要求。

在數(shù)組列表任務(wù)中，與其他兩項(xiàng)研究相比，研究中的模型可以在簡(jiǎn)單的程序中呈現(xiàn)很好的性能。

在字符串轉(zhuǎn)換任務(wù)中，表現(xiàn)要比只有合成器的模型要好，并且在一定情況下，會(huì)好于只有生成器的模型。

真正展現(xiàn)模型能力的，是在AlgoLisp數(shù)據(jù)集中進(jìn)行的測(cè)試，這一數(shù)據(jù)集中，不僅有數(shù)組列表和字符串相關(guān)的輸入輸出示例，還有相應(yīng)的自然語(yǔ)言描述。

在這個(gè)數(shù)據(jù)集上，研究者檢驗(yàn)了模型在非結(jié)構(gòu)化數(shù)據(jù)情況下的性能。

測(cè)試結(jié)果表明，模型的表現(xiàn)完全超過(guò)了先前學(xué)者的研究。

而且，在包含“Even”和“Odd”要求的情況下，性能更加突出了，表明了模型的通用性更強(qiáng)。

如果你對(duì)這個(gè)研究感興趣，可以閱讀論文，來(lái)獲取更多的研究細(xì)節(jié)。

傳送門(mén)：

Learning to Infer Program Sketches

https://arxiv.org/abs/1902.06349