微紅軟件開發(fā)：行業(yè)即將到來的革命

幾十年來，軟件開發(fā)已經(jīng)手動(dòng)完成。

從FORTRAN中的打卡到在Go中編寫分布式系統(tǒng)，該學(xué)科基本上保持相同：深入思考問題，提出一種聰明的方法（即算法）并給機(jī)器一組執(zhí)行指令。

這種方法可稱為“顯式編程”，從大型機(jī)到智能手機(jī)，從互聯(lián)網(wǎng)熱潮到移動(dòng)革命，都是不可或缺的。它幫助創(chuàng)造了新的市場(chǎng)，并使像蘋果，微軟，谷歌和Facebook家喻戶曉的公司成名。

然而，缺少一些東西。早期計(jì)算機(jī)時(shí)代作家設(shè)想的智能系統(tǒng)，從菲利普迪克的機(jī)器人出租車到喬治盧卡斯的C-3PO，仍然是科幻小說。即使是最聰明的計(jì)算機(jī)科學(xué)家，看似簡(jiǎn)單的任務(wù)也頑固地?zé)o視自動(dòng)化。專家們指責(zé)硅谷面對(duì)這些挑戰(zhàn)，轉(zhuǎn)而擺脫基本進(jìn)步，專注于增量或時(shí)尚驅(qū)動(dòng)的業(yè)務(wù)。

那當(dāng)然是即將改變的。 Waymo的自動(dòng)駕駛汽車最近通過了800萬英里。微軟的翻譯引擎雖然不能流利地使用600萬種通信形式，但在中英文任務(wù)中可以達(dá)到人類的準(zhǔn)確程度。初創(chuàng)公司在智能助理，工業(yè)自動(dòng)化，欺詐檢測(cè)等領(lǐng)域開辟了新的領(lǐng)域。

個(gè)別地，這些新技術(shù)有望影響我們的日常生活?？偟膩碚f，它們代表了我們對(duì)軟件開發(fā)的思考方式的巨大變化 - 與顯式編程模型的顯著不同。

這些進(jìn)步背后的核心突破是深度學(xué)習(xí)，這是一種受人類大腦結(jié)構(gòu)啟發(fā)的人工智能技術(shù)。最初作為一個(gè)相對(duì)狹窄的數(shù)據(jù)分析工具現(xiàn)在可以作為一個(gè)接近通用計(jì)算平臺(tái)的東西。它在廣泛的任務(wù)范圍內(nèi)優(yōu)于傳統(tǒng)軟件，最終可能提供長(zhǎng)期躲避計(jì)算機(jī)科學(xué)家的智能系統(tǒng) - 這些都是媒體有時(shí)不成比例的壯舉。

然而，在深度學(xué)習(xí)炒作中，許多觀察者都錯(cuò)過了對(duì)其未來持樂觀態(tài)度的最大理由：深度學(xué)習(xí)需要編碼人員編寫非常少的實(shí)際代碼。深度學(xué)習(xí)系統(tǒng)不是依賴于預(yù)設(shè)規(guī)則或if-then語句，而是根據(jù)過去的示例自動(dòng)編寫規(guī)則。軟件開發(fā)人員只需要?jiǎng)?chuàng)建一個(gè)“粗糙的骨架”來解釋特斯拉的Andrej Karpathy，然后讓計(jì)算機(jī)完成其余工作。

在這個(gè)新世界中，開發(fā)人員不再需要為每個(gè)問題設(shè)計(jì)一個(gè)獨(dú)特的算法。相反，大多數(shù)工作重點(diǎn)是生成反映所需行為和管理培訓(xùn)過程的數(shù)據(jù)集。來自谷歌TensorFlow團(tuán)隊(duì)的Pete Warden早在2014年就指出這一點(diǎn)：“我曾經(jīng)是一名程序員，”他寫道。 “現(xiàn)在我教電腦寫自己的節(jié)目?！?/span>

再次：驅(qū)動(dòng)當(dāng)今軟件中最重要的進(jìn)步的編程模型不需要大量的實(shí)際編程。

這對(duì)軟件開發(fā)的未來意味著什么？

1.編程和數(shù)據(jù)科學(xué)將日益趨同。

大多數(shù)軟件在可預(yù)見的未來都不會(huì)采用“端到端”學(xué)習(xí)系統(tǒng)。它將依靠數(shù)據(jù)模型提供核心認(rèn)知能力和明確的邏輯，以便與用戶交互并解釋結(jié)果。問題“我應(yīng)該使用人工智能還是傳統(tǒng)方法解決這個(gè)問題？”這個(gè)問題將會(huì)越來越多。設(shè)計(jì)智能系統(tǒng)需要掌握兩者。

2.AI從業(yè)者將成為搖滾明星。

做AI很難。排名和文件的AI開發(fā)人員 - 不僅僅是杰出的學(xué)者和研究人員 - 將成為未來軟件公司最寶貴的資源之一。這為傳統(tǒng)的編碼人員帶來了一絲諷刺，他們從20世紀(jì)50年代開始在其他行業(yè)自動(dòng)化工作，現(xiàn)在他們面臨著自己工作的部分自動(dòng)化。對(duì)他們服務(wù)的需求肯定不會(huì)下降，但那些想要保持領(lǐng)先地位的人必須以健康的懷疑態(tài)度來測(cè)試人工智能。

3.需要構(gòu)建AI工具鏈。

Lyft的機(jī)器學(xué)習(xí)主管Gil Arditi表示最好。 “機(jī)器學(xué)習(xí)處于原始的湯階段。它類似于80年代早期或70年代末期的數(shù)據(jù)庫(kù)。你必須成為世界上專家才能讓這些東西發(fā)揮作用?！把芯窟€表明，很多人工智能模型很難解釋，很容易被欺騙，容易受到偏見。解決這些問題的工具對(duì)于釋放AI開發(fā)人員的潛力是必要的。

4.我們都需要對(duì)不可預(yù)測(cè)的行為感到滿意。

計(jì)算機(jī)“指令”的比喻對(duì)于開發(fā)人員和用戶來說都是熟悉的。它強(qiáng)化了這樣一種信念，即計(jì)算機(jī)完全按照我們的說法行事，類似的輸入總能產(chǎn)生類似的輸出。相比之下，AI模型就像生命的呼吸系統(tǒng)。新的工具將使它們更像顯式程序，特別是在安全關(guān)鍵設(shè)置中，但我們冒著丟失這些系統(tǒng)的價(jià)值 - 如AlphaGo的“外星人”動(dòng)作 - 如果我們?cè)O(shè)置的護(hù)欄太緊。在我們開發(fā)和使用AI應(yīng)用程序時(shí)，我們需要理解并接受概率結(jié)果。

并希望AI接管的可能性接近于零。