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)已經手動完成。

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

這種方法可稱為“顯式編程”，從大型機到智能手機，從互聯(lián)網熱潮到移動革命，都是不可或缺的。它幫助創(chuàng)造了新的市場，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。早期計算機時代作家設想的智能系統(tǒng)，從菲利普迪克的機器人出租車到喬治盧卡斯的C-3PO，仍然是科幻小說。即使是最聰明的計算機科學家，看似簡單的任務也頑固地無視自動化。專家們指責硅谷面對這些挑戰(zhàn)，轉而擺脫基本進步，專注于增量或時尚驅動的業(yè)務。

那當然是即將改變的。 Waymo的自動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，但在中英文任務中可以達到人類的準確程度。初創(chuàng)公司在智能助理，工業(yè)自動化，欺詐檢測等領域開辟了新的領域。

個別地，這些新技術有望影響我們的日常生活。總的來說，它們代表了我們對軟件開發(fā)的思考方式的巨大變化 - 與顯式編程模型的顯著不同。

這些進步背后的核心突破是深度學習，這是一種受人類大腦結構啟發(fā)的人工智能技術。最初作為一個相對狹窄的數(shù)據(jù)分析工具現(xiàn)在可以作為一個接近通用計算平臺的東西。它在廣泛的任務范圍內優(yōu)于傳統(tǒng)軟件，最終可能提供長期躲避計算機科學家的智能系統(tǒng) - 這些都是媒體有時不成比例的壯舉。

然而，在深度學習炒作中，許多觀察者都錯過了對其未來持樂觀態(tài)度的最大理由：深度學習需要編碼人員編寫非常少的實際代碼。深度學習系統(tǒng)不是依賴于預設規(guī)則或if-then語句，而是根據(jù)過去的示例自動編寫規(guī)則。軟件開發(fā)人員只需要創(chuàng)建一個“粗糙的骨架”來解釋特斯拉的Andrej Karpathy，然后讓計算機完成其余工作。

在這個新世界中，開發(fā)人員不再需要為每個問題設計一個獨特的算法。相反，大多數(shù)工作重點是生成反映所需行為和管理培訓過程的數(shù)據(jù)集。來自谷歌TensorFlow團隊的Pete Warden早在2014年就指出這一點：“我曾經是一名程序員，”他寫道。 “現(xiàn)在我教電腦寫自己的節(jié)目?！?/span>

再次：驅動當今軟件中最重要的進步的編程模型不需要大量的實際編程。

這對軟件開發(fā)的未來意味著什么？

1.編程和數(shù)據(jù)科學將日益趨同。

大多數(shù)軟件在可預見的未來都不會采用“端到端”學習系統(tǒng)。它將依靠數(shù)據(jù)模型提供核心認知能力和明確的邏輯，以便與用戶交互并解釋結果。問題“我應該使用人工智能還是傳統(tǒng)方法解決這個問題？”這個問題將會越來越多。設計智能系統(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50年代開始在其他行業(yè)自動化工作，現(xiàn)在他們面臨著自己工作的部分自動化。對他們服務的需求肯定不會下降，但那些想要保持領先地位的人必須以健康的懷疑態(tài)度來測試人工智能。

3.需要構建AI工具鏈。

Lyft的機器學習主管Gil Arditi表示最好。 “機器學習處于原始的湯階段。它類似于80年代早期或70年代末期的數(shù)據(jù)庫。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于釋放AI開發(fā)人員的潛力是必要的。

4.我們都需要對不可預測的行為感到滿意。

計算機“指令”的比喻對于開發(fā)人員和用戶來說都是熟悉的。它強化了這樣一種信念，即計算機完全按照我們的說法行事，類似的輸入總能產生類似的輸出。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，特別是在安全關鍵設置中，但我們冒著丟失這些系統(tǒng)的價值 - 如AlphaGo的“外星人”動作 - 如果我們設置的護欄太緊。在我們開發(fā)和使用AI應用程序時，我們需要理解并接受概率結果。

并希望AI接管的可能性接近于零。