但是目前的水平還是非常非常初級的、確切的說，初級工程師面試都不要的地步，就算AI幹活不花錢。

當然，雖然目前看AI寫程式碼的水平極低極低，但已經說一個非常大進步，是科技界的一大步。

在這種高度智商化的AI下，未來將會出現更多AI高智商的產物，來代替現在很多工作，比如初級程式設計師、高階程式設計師等等。很難想象，幾年、十年後，科技能給人類生活帶來多大的改變。

可能我要失業了。

人和AI機器還是存在很多客觀差別的，AI可以完成基礎簡單程式碼演算法，替人類完成一些重複較勞累的“勞動”，但是，AI機器寫的程式碼仍然需要人類重新梳理參透，只有優秀的高階程式設計師才能進行不斷創新、最佳化升級、多重構造等幹工作。有些網友說的很對，AI機器人出現的bug還是需要我們人類去修復！

AI是對人的意識、思維的資訊過程的模擬，AI只能模仿人得思考能力，學習‍並分析資料，可以接近人類是智慧，而不是人的智慧，所以AI技術並不能代替開發它的人。

這不是玩笑，AI寫程式碼已經開始了。就在去年5月，谷歌的AI造了一個AI，超過了人造的AI。當時，在圈內還引起不小轟動。

事件具體發展為：

2017年5月，谷歌大腦的研究人員正式推出AutoML（自動機器學習），目的是訓練人工智慧建立其他人工智慧系統。簡單來說，就是用這個自主研製的AI再造AI。

時隔半年之後，研究人員決定讓 AutoML迎接迄今為止最大的挑戰，即—— 由AI自主“孕育”的“子”AI對戰人造AI，結果前者完勝。

藉助強化學習，谷歌研究員研發了機器學習模型。作為控制器神經網路，AutoML可創造子AI網路完成特定任務。研究員將這一獨特的子AI網路命名為“NASNet”。

圖：NASNet架構由兩種型別的層組成：正常層（左側）和縮小層（右側）。這兩個層都是由AutoML設計的。

現在，它們需完成以下任務：實時識別錄影中的人物、車輛、交通訊號燈、手提包和揹包等物體。

AutoML將評估NASNet的效能，藉助相關資訊最佳化子AI，該訓練過程需重複數千次。谷歌研究員稱，ImageNet影象分類和COCO物體檢測資料集為“計算機視覺領域公認的兩大深度學習資料集”。基於這兩大資料集上進行測試時，NASNet的表現完勝所有其他視覺系統。

研究人員表示，預測ImageNet驗證集上的影象準確率時，NASNet為82.7％。其平均精確度（mAP）為43.1％，超過先前公佈的最高紀錄1.2％，系統效率也提高了4％，此外，計算水平上，精確度較低的NASNet也要比尺寸相近的最高配移動平臺高出3.1％。

可見，會寫程式碼的AI已經出現，並且某種程度，比人類程式設計師更勝一籌。但也有具有侷限性，是專注在特定領域，而非整體。

NASNet十分青睞計算機視覺演算法。 有研究人員表示：該演算法可用於創造先進的人工智慧機器人，或幫助患者恢復視力。此外，還能幫助設計師最佳化自動駕駛技術。增強識別道路障礙物的能力可提升車輛的反應速度，自動駕駛汽車的安全性也相應提高。

儘管NASNet和AutoML的應用範圍廣闊，可自主製造人工智慧的人工智慧的誕生，還是引起了人們的擔憂。 幸運的是，世界各國正儘快避免該系統對未來社會造成負面影響。

現在所有的ai都不是概念上的智慧 寫程式會的不難 難的不會 ！沒多高大上

比如說吧 ！

就像你叫小孩出去買東西 下樓慢走 出門左轉 如果鎖門的 往右 遇到店鋪看看有沒有人 有人進去 拿起商品 付款 收領錢後計算正確 然後返回……

智慧就是預先想當發生的情況 然後提前設定應對方案！