2017年2月，微软研究院与剑桥大学宣布他们合作开发了一种新的算法，名为DeepCoder——现在看来可能跟算法的名称有关，因为Coder也是程序员的昵称，有读者以为机器程序员来了，传出了“DeepCoder能够从网络论坛和开源社区中复制代码并加以组合来生成新的程序”的说法。

真是这样吗，程序员真的就要被取代了吗？

显然不是。

如同作者在论文所说，这是一种能根据问题输入输出自动编写解题程序的算法：目前业界使用的编程语言对于机器算法来说还是太难掌握了，DeepCoder使用的编程语言是一种原创的、极其精简的语言，其中只有整数数据类型，内置了基本的四则运算以及一些基本函数，例如排序，或者对数组中的元素依次执行某种操作等等。此外，DeepCoder完成的程序生成是一种叫做Inductive Program Synthesis（IPS，归纳式程序合成）的特例；在这种程序生成方法中，机器通过观察输入输出的样例组合来生成一个“与当前样例数据行为一致”的程序。

这就是说，机器连问题的描述都不看，离取代程序员还远着呢，像这样：

不过，尽管原理是如此简单，DeepCoder还是展现了惊人的解题能力：它使用一种非常简单的DSL语言，这种语言允许机器将小的语句和程序块逐个拼接成更大的部分（类似于微软的LINQ语言），这样一来，机器在程序生成的每一步中，只需要考虑下一行执行一个什么操作而不用考虑括号如何匹配、如何安排分支代码这样的问题，也不用自带游标卡尺，大大简化了机器的思考过程。

此外，在DeepCoder出现以前的做法（是的，解题机早已存在），更多采用“枚举”的方法依次验证所有程序，就是由“所有程序”组成一个“程序空间”，解题机在这个空间里执行搜索任务，这样做的一个问题在于，枚举法会执行大量的重复操作，生成无数毫无道理的程序。

“……前三行和第四行的前四个字都是表达生命对宏伟宇宙的惊叹，最后一个字是诗眼，它是诗人在领略了宇宙之浩渺后，对生命在无限时空中的渺小发出的一声无奈的叹息。”——刘慈欣《诗云》

与此形成对比，DeepCoder并不逐一枚举，而是使用神经网络来辅助搜索过程。在此算法的框架中，神经网络担当了两个任务：一是观察输入输出之间的关系，例如输入是否全是负数，输出是否从小到大有序等等，将其转换成机器理解的一组特征。这一做法受到了前人工作的启发，之前的做法是用手工编写方式列举这些规则，而DeepCoder则使用神经网络将这一过程自动化。二是在通过观察了解数据的特征之后，以特征为输入，通过一个神经网络来预测程序中可能有哪些语句。这个预测过程产生的分布会改变搜索程序选择不同语句的优先级，从而避免生成重复而无意义的程序，使得解题效率大大提高。

目前来看，包括DeepCoder在内的现有程序生成算法还不能独立处理较为复杂的问题。但从另一方面看，既然机器已经能够完成简单的编程任务，那么我们就可以利用它来辅助程序员的工作，或者帮助普通计算机用户来自动化一些工作流程。

DeepCoder解题过程示意图：每行代表一个程序，每列代表一种语句。红色越深代表其神经网络给出的预测值越高；绿色代表最终搜索得出的正确结果。

实现程序自动编写程序是通用人工智能领域学者们一个共同的梦想，也是我们机器学习组的一个研究方向。与其他AI研究领域类似，在这一领域的探索工作中，存在两种不同的思路，分别是符号派（Symbolic Method）和连接派（Connectionism）。