DeepMind带来了大魔王阿尔法扣，程序员还有前途吗？

最近著名的编程竞赛网站Codeforces发布了一篇名为《AlphaCode(DeepMind) Solves Programming Problems on CodeForce》的文章，将阿尔法扣（AlphaCode）带入人们的视野，更让DeepMind再次霸榜各大媒体的头条，这也是DeepMind在2015年成功推出阿尔法狗，击败人类最强围棋选手之后，再次推出改变世界的重榜产品。

笔者看到Codeforces的创始人Mikhail Mirzayanov也亲自下场为阿乐法扣打call，除了一些Codeforces的表现远超预期等客套话，Mirzayanov的一个重要观点就是阿尔法扣似乎表现出了比较强的创造性，这点很不寻常。

这次DeepMind给阿尔法扣选择的编程网站-Codeforces是很有必要向大家介绍一下的，与目前日趋商业化的力扣（LeetCode)不同，Codeforces最大的特点就是代码和题解的公开。所有人都可以随意查看其它大牛的代码，非常符合开源的调性，而且Codeforces题目一般都不是那种传统科班的考察项目，往往会在题目中设置比较多的思维陷阱，而对于数据结构以及经典算法的相对没有那么侧重。

codeforces另外一个特点就是拥有独特的天梯排名上分系统，每周都会举办一到两次算法比赛,在阿尔法扣默默参加了10场编程比赛之后，获得了超过了一半人类程序员的好成绩，最终排名前54.3%，Elo评分1238。

阿尔法扣敢于挑战Codeforces这种比较偏向考察创造性思维而非数据结构的题目，还能取得不俗成绩，个人认为这也是Codeforces创始人Mirzayanov盛赞阿尔法扣具备创新性的一个关键佐证。

突破辅助编程-阿尔法扣还有多远的路要走？

在去年的8月底，微软旗下的两个大牌机构OpenAI与GitHub 联合，推出了基于AI技术的自动辅助编程工具Copilot，并基于VS Code的MarketPlace发布了预览版，结果预览版一经问世就取得了惊世效果。

Copilot 基于GPT-3模型，是针对编程任务适配版本，它以部分完成的代码及注释作为输入，输出完整的代码建议。Copilot的官方网站（https://t.co/eWPueAXTFt ）将其定位为“程序员结对编程实践中的AI对手”，笔者看到不少开始使用Copilot 的网友都提到，大多数情况下只要一个简单的函数签名，Copilot就可以完成整个函数的代码编写好，甚至有时只需要一句简单的注释，Copilot就能把整个功能模块全部搞定。

虽然Copilot和阿尔法扣使用的技术类似，从本质上讲Copilot是定位于辅助编程的，不过辅助编程技术在前年GPT-3刚刚推出时就已经比较成熟，比如由界面需求描述，直接转化成代码的debuild.co，但这些辅助编程工具本质上都是对人类已有的实现进行模仿甚至是照搬。

这些辅助编程工具与阿尔法扣AI程序员的定位是完全不同的，阿尔法扣这位AI程序员的还需要不断完善，但它的出现却提供了一个关于AI编程未来发展的思路，当AI学到了足够多的代码之后，是否会展示出相应的创造力，而AI的这种创造力是否意味着程序员群体将在未来会被AI取代，这些都引发了笔者深深的思考。

读书破万卷，下笔如有神，代码学多了，是否能质变？

从DeepMind官方的博客上看，阿尔法扣的训练集还是基于Github和CodeForce建立的，这与阿尔法狗初始态下也是基于人类棋谱构建训练数据是比较一致的。

我们知道初代的阿尔法狗还没有那么高的统治力，在抛弃人类棋谱，两只阿尔法狗对局，并不断进化之后，人类棋手在面对AI时才会显得那么无能为力。

不过好消息是围棋的规则是长时间不变的，但是在编程方面技术的进步却是日新月异，也就是阿尔法扣所面对的数据集是要动态调整的，这可能使两个阿尔法扣相互结对编程，并取得质变的可能性并没有想象当中那么大，因此阿尔法扣想达到高级程序员的水平在短期看来不太可能，不过随着阿尔法扣能够普遍达到中级程序员的水平之后，IT行业35岁即失业的现象恐怕会更加严重，因为AI程序员不能独立工作，而带领AI编程团队需要更加精深的技术实力而非管理能力，这可能会给很多走上技术管理岗的程序员带来一定压力。

跨越之前，问题不少

虽然AI编程的发展已经形成趋势，但从阿尔法扣的工作原理等方面分析，在阿尔法扣升级成为贝塔扣，伽马扣之前，还有很多坑要老老实实的填平：

错误解答，反而拖后腿：根据DeepMind官方博客显示阿尔法扣首先要进行的工作是通过NLP系统，试图理解需求的意思，但是与人类的理解不同，阿尔法扣的理解的语义虽然大部分时候有效，但也存在一定完全理解不了的可能性，如果你所给出题目的问题描述完全不符合Codeforce之前题目文风的话，那么也很有可能得到一些完全没有意义的代码，也就是说在阿尔法扣能正常给出答案时，它的效率可能比人类程序员高得多，但一旦阿尔法扣不能工作，那么对不起它错的也会比一般人类程序员离谱，因此阿尔扣至少要搭建一名初级程序员帮助发现这些显尔易见的错误，并递交给高级程序员给出正确答案。

使用Github训练阿尔法扣到底侵不侵权？正如前文所说是基于GitHub和Codeforce两大编程网络上的公开代码进行的模型训练，而且无论是微软的Codplite还是Deepmind的阿尔法扣，都没有按照不同的开源许可证对于代码进行区分对待。

那么如果未来阿尔法扣用于商业用途，那么用那些已经明确不允许用于商业用途的代码来训练阿尔法扣的AI模型是否涉嫌侵权？针对这个问题网上争论的声音很大，笔者认为如果AI最终给出的建议代码与原先训练集中的代码一模一样的话，那么这种情况肯定会涉嫌侵权，但建议代码与原训练代码的相似度如何判断才是关键所在，当然截止目前这还依旧是个开放性问题，业界尚未形成共识。

引用老旧类库代码，增加安全风险：正如前文所言，阿尔法扣的训练集是Github和Codeforce上已经存在的代码，从实操来讲，Deepmind很难对如此大量的代码进行有效标注，因此阿尔法扣生成的代码，即使有效且能够正常运行，也不能代表这些代码没有安全漏洞，这样的特性就使得开发人员去全面检查AI 生成的代码变得非常重要。

但无论如何未来都将到来，面对会编程的AI程序员，我们人类程序员们只有顺势而为，快速找到属于自己的生态位才能力于不败之地。