軟件開發即將到來的革命

幾十年來，軟件開發已經手動完成。

從FORTRAN中的打卡到在Go中編寫分布式係統，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）並給機器一組執行指令。

這種方法可稱為“顯式編程”，從大型機到智能手機，從互聯網熱潮到移動革命，都是不可或缺的。它幫助創造了新的市場，並使像蘋果，微軟，穀歌和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係統，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。專家們指責矽穀麵對這些挑戰，轉而擺脫基本進步，專注於增量或時尚驅動的業務。

那當然是即將改變的。 Waymo的自動駕駛汽車最近通過了800萬英裏。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。初創公司在智能助理，工業自動化，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。

這些進步背後的核心突破是深度學習，這是一種受人類大腦結構啟發的人工智能技術。最初作為一個相對狹窄的數據分析工具現在可以作為一個接近通用計算平台的東西。它在廣泛的任務範圍內優於傳統軟件，最終可能提供長期躲避計算機科學家的智能係統 - 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。深度學習係統不是依賴於預設規則或if-then語句，而是根據過去的示例自動編寫規則。軟件開發人員隻需要創建一個“粗糙的骨架”來解釋特斯拉的Andrej Karpathy，然後讓計算機完成其餘工作。

在這個新世界中，開發人員不再需要為每個問題設計一個獨特的算法。相反，大多數工作重點是生成反映所需行為和管理培訓過程的數據集。來自穀歌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。 “現在我教電腦寫自己的節目。”

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。

這對軟件開發的未來意味著什麼？

1.編程和數據科學將日益趨同。

大多數軟件在可預見的未來都不會采用“端到端”學習係統。它將依靠數據模型提供核心認知能力和明確的邏輯，以便與用戶交互並解釋結果。問題“我應該使用人工智能還是傳統方法解決這個問題？”這個問題將會越來越多。設計智能係統需要掌握兩者。

2.AI從業者將成為搖滾明星。

做AI很難。排名和文件的AI開發人員 - 不僅僅是傑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自動化工作，現在他們麵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。 “機器學習處於原始的湯階段。它類似於80年代早期或70年代末期的數據庫。你必須成為世界上專家才能讓這些東西發揮作用。“研究還表明，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於釋放AI開發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”的比喻對於開發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係統。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係統的價值 - 如AlphaGo的“外星人”動作 - 如果我們設置的護欄太緊。在我們開發和使用AI應用程序時，我們需要理解並接受概率結果。

並希望AI接管的可能性接近於零。