上面這段 demo 是不是看著很爽？這就是 OpenAI CEO Sam Altman 剛剛介紹的最新研究成果——根據(jù)函數(shù)簽名和注釋，利用語言模型自動生成 Python 代碼。這個語言模型用到了和 OpenAI 的 GPT 模型相同的無監(jiān)督技術(shù)。

為了讓模型學(xué)會「寫代碼」，研究人員在微軟的超級計算機(jī)上，借助數(shù)千個開源 GitHub 庫里的代碼對該模型進(jìn)行了微調(diào)。

先來看一下生成效果。

研究人員首先展示了一個較為簡單、使用 Python 編寫回文檢測的例子?；匚闹傅氖恰刚x反讀都能讀通的句子」，例如：「anna」、「level」等。下面是使用該模型自動生成的代碼：

可以看到，在你輸入了函數(shù)簽名和注釋之后，模型正確地生成了回文檢測的代碼。當(dāng)然，對于回文檢測，我們也可以用如下更「秀」的遞歸方法來實現(xiàn)：

看到這里，也許大家并沒有對該模型的效果感到很驚艷，畢竟像回文檢測這類基礎(chǔ)任務(wù)的代碼網(wǎng)上一抓一大把，模型大可以直接從訓(xùn)練集中復(fù)制過來即可。

先別著急，咱們繼續(xù)往下看。

接下來，研究人員要求模型生成從一個列表中查找長度不少于 7 個字符的代碼，而且該任務(wù)并沒有在訓(xùn)練集中。我們來看看在這樣的情況下，模型表現(xiàn)如何：

還是出色地完成了任務(wù)！

從這個例子我們可以確定，模型不是簡單地復(fù)制網(wǎng)上的現(xiàn)成代碼，而是依據(jù)函數(shù)名及相關(guān)注釋產(chǎn)生了對應(yīng)的解決方案，它甚至還使用了之前生成的代碼。

試過了單一函數(shù)的例子，研究者還展示了其在類中的運(yùn)行效果。

這次的任務(wù)是計算商品的總價格，并對名稱是回文的商品打折。我們來看一看該模型生成的代碼：

模型自動地為我們生成了計算商品總價方法的注釋及對應(yīng)代碼。然而這并不是我們想要的結(jié)果，我們只想要對名字是回文的商品打折，而不是對所有商品都打八折。研究人員之后修改了該方法的注釋，詳細(xì)描述了想要實現(xiàn)的功能。修改注釋后，該模型生成的代碼如下：

可以看到模型幾乎生成了我們想要的結(jié)果。這里僅有一個小問題，我們想要對回文名稱的商品打八折，而不是打二折，簡單修改一下即可。

最后研究者展示了讓模型生成購物收據(jù)的結(jié)果：

OpenAI 的介紹視頻

OpenAI 放出的 demo 的確驚艷，甚至是革命性的。如果照這個思路走下去，以后簡單的「搬磚工」似乎都不需要了。但問題也出在這兒：效果未免太驚艷了，讓人不禁懷疑是否存在造假或精心挑選……

不過也有人說，「這可是 OpenAI！他們的口袋里有的是好玩意兒?！?/p>

那么，如果這是真的，對程序員來說意味著什么？

程序員的未來何去何從？

在 AI 領(lǐng)域，每種新鮮技術(shù)的出現(xiàn)似乎都會掀起一番「XX 從業(yè)者是否會被 AI 取代」的討論，這次也不例外。

首先，這種工具的出現(xiàn)所帶來的效率提升是毋庸置疑的。我們假設(shè)這個 demo 是沒有摻水的，那么公司可能會出于成本的考慮裁掉一些初級碼農(nóng)，用一個碼農(nóng)來充當(dāng)「審碼員」，完成原來十個碼農(nóng)的工作。

也有人認(rèn)為，就目前這個模型來討論程序員是否會被取代未免有點(diǎn)超前。首先，這還只是一個語言模型，即使在非常簡單的函數(shù)中也可能出錯，更別說遇到比較難以理解的自然語言注釋語句了。這時候，還是需要人來介入。

其次，這一流程中用到的「注釋」還不是需要人來寫嗎？

但也有人認(rèn)為，這些都可以通過時間和技術(shù)來解決：總有一天，模型犯的錯誤會越來越少，甚至少于檢查代碼的那個人類。

或者你再訓(xùn)練一個模型來寫單元測試，然后不斷對其進(jìn)行改進(jìn)，直到它可以給出大部分時候合理的解決方案。

當(dāng)然，這些都是一些非常超前的假設(shè)，現(xiàn)在的技術(shù)還很難做到，真正應(yīng)用起來也會有各種各樣的問題。但回想起 19 世紀(jì)初期大批紡織工人的命運(yùn)，這種討論還是很有意義的。