完全可以！

做軟體系統開發已經快20年啦，程式碼自動生成工具的開發各個大的軟體公司也都在做，只是還沒達到這種程度。未來的AI軟體開發工具不但能根據要求生成程式碼，還可以透過採集現場語音和影片等手段收集整理使用者業務流程，歸納使用者業務需求，自動生成最最佳化的業務流程。再根據業務流程自動劃分機能模組，生成使用者介面，一直到生成程式碼都可以由AI開發工具完成。

不能說不可以，但一切的程式碼都需要一個基石，一個源程式，讓它知道應該怎麼做才能完成你的要求

沒有源程式，那麼向上造大樓就是空談

當然也存在弊端，它既然是已經編寫好的源程式，那麼就無法進行自我最佳化，只是按固定順序執行操作

首先回答問題: 不能！

第一、你要求程式生成程式的描述是不準確的，不完備的，有歧義的，所以，你必須找到一種精準的描述方式！那麼，什麼樣的描述才合適？答案就是: 數學描述！把功能用數學描述出來就是一個艱難的過程。

第二、就算你能描述出來，從描述到程式也是一個艱難的問題，已經有許多人做這個很長時間了，我記得是八十年代就有人在做了，也可能更早，記不清了。這個領域叫形式化方法，但至今沒能突破研究領域到實用領域。最近過世的吳文俊院士的研究內容就有這個。

最後，說一下這種方式的好處: 程式自動生成程式，可以持續改進工具，生成的程式碼質量最後一定很穩定，只會越來越好;第二是節省人力;第三是速度快。

這個我理解為下一代程式語言，其實有個語言已經做到了，那就是sql，你只需要輸入做什麼，例如select * from...你知道計算機怎麼做了嗎？並沒有怎麼做就是計算機的事。你只需要關心輸出是不是你要的結果。也就是更自然語言化，這個是可以實現的，只不過中間多加幾層包裝，最終計算機執行的還是01語言，再加上機器學習和雲計算，還有saas等，實現這個目標是時間的問題，而不是能不能的問題

1.首先答案是能...並且已經用了30多年了...任何一個語言...一個編譯器都是人工智慧...任何語言都是在描述需求...20年前還出現過視覺化程式設計...靠拖拽控制元件程式設計...當然過時了...

2.最開始是雲計算...然後是大資料...再然後是物聯網...現在是人工智慧...這些都是忽悠...以前的東西換個名字而已...不要被這些炒作所迷惑...世界還是原來的世界...沒有任何變化...過兩年還得出個概念...

3.所謂的人工智慧啊...機器人工業革命100.0什麼的...本質上是資本家為了降低工人成本而進行的炒作...假設工人一天是200元...那麼就可以設定機器人同等效率幹一天150...由於工人有吃飯睡覺的剛需...也就是必須要競爭贏機器人...那麼最終會變成幹一天100元在資本家處獲得工作...這樣工人成本降低了一半...資本家樂開了花...什麼？你說機器人？這和機器人有什麼關係？根本不需要機器人存在啊...只需要工人相信機器人能代替他幹活就行...誰說機器人革命必須得有機器人的？當然人有多大膽地有多大產...你可以設定機器人幹一天25元...然後15元聘工人幹活...就看你忽悠能力了...全世界都在幫你忽悠...比如阿爾法狗...

4.用這種方法忽悠程式設計師...降低程式設計師的成本...真的很難...都是一個山上的狐狸...你玩什麼聊齋...

可以這樣設想:若干年後，一個專案經理給你個機器人溝通需求問題，拿個自己整的需求文件給機器人，然後機器人就自動生成了原始碼並測試打包好，給客戶展示，然後說，這個調大點，顏色深點，那個做個動畫....

說白了，機器人就基本相當於程式設計師了，理論上可以實現，但有很長的路要走，需要各種前沿技術，如人工智慧，機器學習，語音處理，自然語言識別，自主程式語言學習，影象識別處理等。

如果發展到這個狀態，人類社會將會發生巨大變革，這時程式碼具有自主意識，能根據外界輸入產生各種持續反應，各位想想將會發生什麼？

我是一名程式設計師，對未來充滿好奇，也認為上述情況在未來可能實現，如果要加個期限，我認為不到一萬年。

不可能！

我們平常所說“人工智慧”，都是指程式設計領域和其他領域的結合。比如AlphaGO，就是程式設計和圍棋的結合，人臉識別就是程式設計和影象處理的結合，智慧機器人就是程式設計和（機械電氣）機器人技術的結合。而現在的問題變成了：在程式設計領域，能否實現人工智慧？

人工智慧往往都伴隨著其他領域技術的進步，比如感測器技術、機器人技術、通訊技術。另外再加上大資料的資料探勘。而程式設計領域自身的智慧，就不一樣了。自己讓自己智慧，這聽上去就感覺不一樣，很彆扭。試圖透過資料探勘找到一些通用的寫法？不可能！這和其它領域的人工智慧有區別。當一個汽車可以無人駕駛時，我們就說他是“智慧”的，就可以暫告一個段落。而程式設計本身要智慧，就是用程式設計本身去解決，這樣一個無限迴圈，則永遠不可能完成。

可以毫不誇張地說，IT是所有領域中最“智慧”的，也是起步最早的。程式設計也是一步一步地在“智慧”。但是我們遠遠沒有看到可以有更簡單的辦法進行程式設計的可能，更不可能有程式設計機器人。

瞭解一下歷史，能更好地預見未來。最開始，程式設計主要以彙編為主，後來人們發明了C語言等中級高階語言，程式設計難度大大降低。最開始，很多人做個人主頁，學一堆HTML、CSS，後來隨著QQ空間，新浪部落格的出現，個人網站的難度大大降低，居然申請一個賬號，幾分鐘就可以有一個屬於自己的“主頁”。最開始所有的程式設計都要自己從頭寫起，哪怕一個最簡單的排序。後來一大堆的類庫、框架、元件、中介軟體出現……以前一個最簡單的數學問題都要用C語言、fortran或BASIC寫一個程式，現在開啟Excel，一個零基礎的人都能分分鐘搞定。

嫌寫程式碼太累，人們發明了程式碼生成器。比如滑鼠拖幾個控制元件，分分鐘給你生產一堆程式碼，比如根據資料庫欄位，自動生產Entity實體類……

嫌做枯燥的網站太累，網上有了現成的CMS模板，以及其他各種各樣的模板，只需簡單定義一些引數，馬上生產一個新聞、論壇、部落格等網站。有了一鍵換膚功能……

但是，但是，程式設計真的智慧了嗎，簡單了嗎？

遠遠沒有！因為一個“智慧”方法的誕生，可以大大降低程式設計的難度，提高程式設計的效率。但是，新的，更復雜的問題又會誕生！一個QQ空間是可以讓你一分鐘做一個屬於自己的網站，但是它能實現更進一步的功能嗎？Excel是可以做出大部分數學、統計等問題，再複雜的還有matlab。但是遇到更加複雜問題還需要程式設計，Excel的VBA指令碼，matlab裡的m語言……永遠沒有盡頭！當我們不需要糾結如何寫排序，求和，正態分佈時，我們卻又遇到了機器學習。機器學習有了現成的庫，分分鐘可以呼叫一個分類演算法、迴歸演算法時，卻又遇到了深度學習（比如AlphaGO）……

從彙編，到C語言，到C++，再到java/c#，程式設計效率一步一步提高，甚至還有更高的，那就是指令碼語言。那麼往後是什麼？就算是“自然語言”，“圖語言”，它也需要程式設計。一個python指令碼，shell指令碼也可以寫到幾萬行……

當我們用匯編寫一個貪吃蛇遊戲時，可能要用一個月的時間，後來有了圖形化的高階語言，兩天就可以搞定。智慧吧？但是沒用到頭，因為又有了魔獸這樣的複雜遊戲。等到哪一天，寫一個魔獸遊戲只需要兩天的時候，人們又會去開發更加複雜的遊戲，可能這個遊戲光安裝包都是幾個TB，人物更加接近真人……永遠沒用停止的那一天！

所以，程式設計其實一直都是一步一步地在智慧化，但是，不管再怎麼智慧，總是有更加複雜的問題誕生，永遠沒有盡頭。永遠不要指望簡單操作就能實現一切程式設計目的！

人工智慧確實可以程式設計。

在人工智慧頂級人才匱乏的情況下，為了讓機器學習模型的設計過程更加簡單，提升研發效率，谷歌於今年 5 月推出了“AutoML”，顧名思義，AutoML 實際上就是一種讓模型設計過程自動化的機器學習軟體，該系統會進行數千次模擬來確定程式碼的哪些方面可以作出改進，並在改變後繼續該過程，直到達成目標。

為了測試 AutoML，谷歌將其自行設計的模型用在了專注影象識別的 CIFAR-10 與語言建模的 Penn Treebank 兩大資料集上。實驗證明，AutoML 設計的模型的效能表現與目前機器學習專家所設計的先進模型不相上下。令人尷尬的是，有些模型甚至還是 AutoML 團隊的成員設計的，也就是說，AutoML 在某種程度上超越了自己的締造者。

5 個月過後，AutoML 又往前邁進了一部。據外媒 TheNextWeb 報道，在某個影象識別任務中，AutoML 設計的模型實現了創紀錄的 82% 的準確率。即使在一些複雜的人工智慧任務中，其自建立的程式碼也比人類程式設計師更好，比如，在為影象標記多個物件的位置這一任務中，它的準確率達到了 42%；作為對比，人類打造的軟體只有 39% 。

AutoML 的進展超出了很多人的預期，那麼為何機器在設計深度學習模型這一任務上表現的如此出色？先讓我們來了解下 AutoML 的工作原理。

AutoML 是如何設計模型的？

作為 AI 領域的領頭羊，谷歌其實暗地裡做了不少嘗試，包括進化演算法（evolutionary algorithms）和強化學習演算法（reinforcement learning algorithms）等，並且都展現了不錯的前景，而 AutoML 則是谷歌大腦團隊利用強化學習取得的成果。

在 AutoML 架構中，有一個名為“the controller（控制器）”的 RNN（迴圈神經網路），它可以設計出一種被稱為“child”的模型架構（子模型），而這個“子模型”在訓練後可以透過特定任務來進行質量評估。隨後，反饋的結果返回到控制器中，以此來幫助提升下一次迴圈中的訓練設定。如下圖所示：

生成新的架構、測試、把反饋傳送給控制器以吸取經驗——這一過程將重複幾千次，最終，控制器會傾向於設計那些在資料集上取得更好的準確性的架構。

AI 工程師古筱凡表示，AutoML 的運作過程實際上可以分成以下兩部分：

元學習的熱啟動：在機器學習框架中尋找效果好的演算法；計算不同資料集之間的相似度，相似的資料可以採取類似的超引數。

超引數最佳化，演算法包括：Hyperopt（TPE 演算法）；SMAC（基於隨機森林）；Spearmint。輸入不同的超引數為，以損失函式為準確率，調優器會在隨機選擇一些值的基礎上，利用貪心演算法去尋優。

下圖的兩個模型是基於 Penn Treebank 資料集設計的預測模型，其中左邊是人類專家設計的，右邊則是 AutoML 設計的。

谷歌團隊表示，機器自行選擇架構的過程其實和人類設計模型架構的過程是有共通之處的，比如兩者都採用了合併輸入，並借鑑了前向的隱藏層。不過，AutoML 也有一些值得一提的亮點，比如機器選擇的架構包含了乘法組合（ multiplicative combination），比如上圖中 AutoML 設計的模型的最左邊的“elem_mult”。對 RNN 而言，出現這種組合的情況並不常見，可能是因為研究人員並沒有發現這種組合有什麼明顯優勢。但是有意思的地方在於，近來正好有人提議過這種方法，並認為乘法組合能夠有效緩解梯度消失/爆炸的問題。這意味著，機器選擇的架構對探索新的神經網路架構有很大的幫助。

此外，這種方法或許還能教會人類：為何某些特定型別神經網路的效果更好？比如上圖右邊的架構有非常多的 channels，因此梯度可以向後傳遞，這也解釋了為何 LSTM RNNs 的表現比標準 RNNs 的效能更好。

AutoML 開源地址是 https://github.com/automl，感興趣的朋友可以自己動手嘗試一下。

AutoML 會取代 AI 工程師嗎？

AutoML 能在短時內取得顯著進步，證明了用機器設計模型這個方向是有前途的，但是 AutoML 的終極目的是為了取代 AI 工程師嗎？

現如今，AI 專家必須透過本能和試錯來不斷除錯神經網路的內部架構。加州大學伯克利分校研究員 Roberto Calandra 表示 ：“工程師的很大一部分工作本質上非常無聊，需要嘗試各種配置來看哪些（神經網路）效果更好。”Calandra 認為，因為要解決的問題越來越難，神經網路也越來越深，未來設計一個深度學習模型的將會是一個艱鉅的挑戰。

而從理論上來講，AutoML 未來設計一個深度神經網路所耗費的時間，與人類專家相比幾乎可以忽略不計，而且這個由機器設計的模型的效果也會更好，顯然 AutoML 將大有可為。

但是，這並不意味著 AutoML 會將人類從 AI 系統的開發過程中剔除出去。

實際上，AutoML 的主要目的會降低機器學習的門檻，促進 AI 的民主化。要知道，即便實力雄厚如谷歌，也不敢說自己已經擁有足夠的 AI 人才，因此降低門檻，提高效率，對 AI 行業的發展至關重要。

谷歌執行長 Sundar Pichai 在上週的釋出會上表示：“如今，這些（AI 系統）都是機器學習專家親手搭建的，而全世界只有幾千名科學家能夠做到這一點。我們希望讓成千上萬的開發者也能夠做到這一點。”

因此，雖然 AutoML 可能沒有繼承谷歌頂尖工程師的理論基礎和數學才華，但是它卻可以幫助 AI 工程師節省時間，或者啟發他們，為他們提供靈感。

古筱凡也認為，AutoML 是真正的機器學習，它把經驗性的工作自動化，現在的機器學習只是半成品。AutoML 能極大地降低未來機器學習的門檻，將是普通人使用機器學習的利器。

據悉，AutoML 團隊將會對機器所設計的架構進行深入的分析和測試，幫助 AI 工程師重新審視自身對這些架構的理解。如果谷歌成功，這意味著 AutoML 將有可能引發新的神經網路型別的誕生，也能讓一些非專業研究人員根據自己的需要創造神經網路，造福全人類。

AutoML 可能不會取代 AI 工程師，但是機器都這麼努力了，你還有什麼藉口偷懶？！

首先回答問題: 不能！

因為人工智慧對於沒有基礎的人來說，學習起來是非常吃力的，你必須得有python的基礎才可以學人工智慧，自學的話幾乎是不可能的，我覺得你想要以後從事這方面的話還是直接系統報班學習吧，報班學習的話我推薦的是北京尚學堂，這邊的師資力量還有教學質量是我覺得最好的。

第一、你要求程式生成程式的描述是不準確的，不完備的，有歧義的，所以，你必須找到一種精準的描述方式！那麼，什麼樣的描述才合適？答案就是: 數學描述！把功能用數學描述出來就是一個艱難的過程。

第二、就算你能描述出來，從描述到程式也是一個艱難的問題，已經有許多人做這個很長時間了，我記得是八十年代就有人在做了，也可能更早，記不清了。這個領域叫形式化方法，但至今沒能突破研究領域到實用領域。最近過世的吳文俊院士的研究內容就有這個。

最後，說一下這種方式的好處: 程式自動生成程式，可以持續改進工具，生成的程式碼質量最後一定很穩定，只會越來越好;第二是節省人力;第三是速度快。

1.首先答案是能，並且已經用了30多年了，任何一個語言，一個編譯器都是人工智慧，任何語言都是在描述需求，20年前還出現過視覺化程式設計，靠拖拽控制元件程式設計，當然過時了。

2.最開始是雲計算，然後是大資料，再然後是物聯網，現在是人工智慧，這些都是忽悠，以前的東西換個名字而已，不要被這些炒作所迷惑，世界還是原來的世界，沒有任何變化，過兩年還得出個概念。

3.所謂的人工智慧啊，機器人工業革命100.0什麼的，本質上是資本家為了降低工人成本而進行的炒作，假設工人一天是200元，那麼就可以設定機器人同等效率幹一天150，由於工人有吃飯睡覺的剛需，也就是必須要競爭贏機器人，那麼最終會變成幹一天100元在資本家處獲得工作，這樣工人成本降低了一半，資本家樂開了花，什麼？你說機器人？這和機器人有什麼關係？根本不需要機器人存在啊，只需要工人相信機器人能代替他幹活就行，誰說機器人革命必須得有機器人的？當然人有多大膽地有多大產，你可以設定機器人幹一天25元，然後15元聘工人幹活，就看你忽悠能力了，全世界都在幫你忽悠，比如阿爾法狗。

現在很多省份程式設計都加入了中高考考試加分科目，並且分數還很高。所以很多學校需要這樣的教學人員進行上課，但是目前師資力量缺乏，市場需求量大，供不應求。

現在機會來了！我們現在要開展一個培訓師資力量的課程，百分百包入職，百分百讓你能夠勝任這份工作。

培訓時間：4個月

培訓班為三種：精英班 高階班 創業班

要求：1.高中學歷以上

2.18~40歲

我們的優勢:確保你可以勝任崗位

百分百包入職

如果你是小白，我們有專業的老師教授

如果你喜歡程式設計，我們這裡有你想要學習的程式設計知識

如果你喜歡做老師，我們還會教授講課的方法和技巧

前提是你真的有心，而不是想不勞而獲，什麼都不想付出。天上不會掉餡餅，自己都不對自己付出，你想你有多大的成就。不想付出，不想努力，就想讓自己衣食無憂。如果你這樣想，那你還是繼續渾渾噩噩下去吧。機會不只是給有準備的人的，還是給會把握機會的人的。

電話：16634117760

培訓地點：浙江工商大學

作為程式設計師，負責任的告訴你可以用人工智慧程式設計，只是現在水平還不行，根本無法取代人。前不久彭博和英特爾實驗室的兩位研究人員，號稱實現了首個能夠自動生成完整軟體程式的 AI 系統“AI Programmer”，架構如下：

就以這個為例來說明吧，先不說生成的程式如何，有兩個致命的問題就無法解決：

1.如何讓人工智慧知道要幹什麼？

程式設計師寫程式都是有目的的，這個目的是來源於需求，比如我要寫一個萬年曆，這個萬年曆有哪些特點和功能，這些都是要說搞清楚的，而人工智慧現階段根本無法理解讀懂一個需求報告，需求還會經常的改動，程式設計師都非常的討厭這一點，你如何與人工智慧溝通讓他更改需求？

2.如何讓人工智慧讀懂程式語言，API函式等？

讓人工智慧學會一個程式語言很簡單，但是使用就會有問題了，不管是C、C++、JAVA還是其它語言都是面向人類的，在寫作過程中經常要使用一些寫好的函式，比如Windows下你希望獲得磁碟的資訊，包括軟盤，硬碟，光碟等等可能需要用到函式GetLogicalDriveStrings（dwBufferLength,lpBuffer）；人工智慧能看懂嗎？看不懂，這些東西都是人寫的，人看起來就很直接了，GetLogicalDriveStrings（）就是獲取（Get）邏輯驅動（LogicalDrive）字串資訊（Strings）。對於這個問題AI Programmer 這個論文裡也提到了，需要有面向機器的新的程式語言。

人工智慧在未來是可以用來寫程式的

最近，人工智慧已經具備了更多創造性的追求，比如畫畫和作曲。它正在完成越來越困難的任務，每一次進步都會進一步侵蝕人類員工的角色。現在，即使是這個非常人工智慧的程式設計師也不能免於自動化焦慮。人工智慧不僅能更好地識別人力資源部的蘇珊的照片；它也在編寫基本程式碼。

如果程式碼開始對自己進行分析、自我修正並提升，且速度比認為的更快，那麼技術的突破可能會來得更快。由此帶來的可能性是無止境的：醫學的進步、更加自然的機器人、更智慧的手機、更少bug的軟體，更少的銀行欺詐等等。

雖然人工智慧可以寫程式碼，但它沒有能力確保它所寫的程式碼是正確的。它不理解功能的商業價值，也不會在深夜靈感迸發時刪除毫無意義的介面元素。在程式設計方面，人工智慧需要人們告訴它應該建立什麼。程式設計與人工智慧的未來是一個融合的未來;人與計算機的共生關係。人工智慧遠沒有取代程式設計師(或其他任何人)，它正準備透過整合和受控使用來重新想象開發人員的工作量。

人工智慧幾乎是可以滲入如如任何領域，而且任何與人工智慧搭上關係都都將有革命性變化。

利用人工智慧編寫程式，其實在世界各國早已有牛人有這種想法，而且將寫程式智慧化一直是如今現在程式設計的主要發展方向之一。

人工智慧屬於科技的尖端，但是也是屬於計算機領域的學科，與程式設計更是息息相關，程式設計是人工智慧的基礎。如今想利用人工智慧去把寫程式這件事幹了，那麼會發生什麼樣的碰撞呢？

首先，軟體公司會發生提效，把軟體的開發週期縮短。

另外，初中級程式設計師會越來越沒有競爭力，甚至被人工智慧機器人替代，這是遲早會發生的，只是時間問題。

一旦人工智慧寫程式成為現實，那麼意味著人工智慧時代正式啟動，人類將開始新的一次工業革命。

其實這也會引發一個倫理思考，假如人工智慧會寫程式，又可以給自己寫程式，給自己強化，那麼生化危機的模樣是否會上演呢？