數據顯示，全球78億人中，只有2700萬人會編寫代碼，佔比不到1%。不過，機器編程想讓另外99%的人也能編寫代碼。這聽起來很科幻，但英特爾在機器編程領域的進展讓我們相信讓100%的人都能寫代碼並非觸不可及。
英特爾的ControlFlag系統是全球首個自我監控系統，不需要標記數據就能學習，通過學習超過十億行代碼，可以自主檢測代碼中的錯誤，發現了許多過去被開發人員忽略的違規和異常。
機器編程到底要做什麼？為什麼全員都能編程後程式設計師不會失業？
什麼是機器編程？
機器編程並非近來提出的全新概念，在20世紀50年代時它被稱為「程序合成」，程序合成是一種使用數學證明的非常形式化的方法，它採用某種形式的輸入，然後生成一個軟體。
實際上，機器編程是構建系統，然後由系統自動構建軟體系統，硬體系統也隨之構建起來。顯然，自動生成軟體是機器編程的核心重點，其核心原則是，人類向機器表達他（她）的意圖，機器會自動創建完成該意圖所需的所有軟體。
研究機器編程是為了替代程式設計師嗎？答案當然是否定的。英特爾高級院士、副總裁、英特爾研究院院長Rich Uhlig在2020英特爾研究院開放日上表示：「關於編程，我們看到了兩種對立的趨勢。一方面，計算資源變得越來越異構，需要了解硬體以及如何最大限度使用硬體的專家級程式設計師。另一方面，軟體開發人員越來越青睞於使用更抽象的語言，以提高工作效率，但這會導致硬體難以發揮出它本身的性能。」
「研究當前的軟體是如何開發的，考慮異構硬體的未來，可以得出一個強有力的結論，那就是當前開發軟體的方式不會可維持地繼續向前發展。」英特爾首席科學家、英特爾研究院機器編程研究主任及創始人Justin Gottschlich認為，「我們對程式設計師的要求過高。」
用一個非常形象的比喻來解釋軟體開發需要的準備工作，想像你是一位技藝高超的畫家，但在畫畫之前，需要製作畫筆、畫布、畫框、畫架、顏料。「有多少畫家能做到這些？我認為這樣的畫家很少，甚至沒有，編程的門檻過高導致許多天才被埋沒。「Justin認為。
他舉了個例子，一名房地產行業的權威，對市場的理解敏銳又細緻，但現有的工具不能幫助她制定房地產決策，於是只能分開使用每一種工具，慢慢收集數據。但只要在她決策之前市場發生變化，之前的工作就需要重新開始，時間也被浪費。
不僅僅是需要精細度、精確性的地產行業，農業、生物、建築、醫療、金融領域的專家也希望能夠向機器表達他們的意圖，機器能夠構建相應的軟體實現他們的意圖。
這也是機器編程的概念以及人們為什麼需要機器編程。
如何實現機器編程？
英特爾研究院和麻省理工學院的教授團隊合作撰寫的題為《機器編程的三大支柱》的論文指出，意圖（Intention）、創造（Invention）和適應（Adaption）是機器編程的三大支柱。
簡而言之，「意圖」是人類向機器表達自己想法的能力，表達出來後機器就可以「創造」，之後繼續根據用戶指定的意圖，構造更高級的程序表達。在構造了更高級的表達後，「適應系統」會對這個更高階的程序進行轉換，化解異構硬體挑戰。
要實現這個長期的願景，需要先邁出關鍵一步。Justin說：「要讓機器編程同時從兩個方向為開發人員提供幫助。首先是提高編碼員和非編碼員的工作效率。其次是確保機器編程系統生成的是高質量、快速、安全的代碼。」
基於兩個核心價值，機器編程關鍵的第一步是改進軟體調試（Debug）。軟體Debug本質上是識別、分析和糾正軟體缺陷的過程，讓軟體變得更強大和可靠。根據2017 年劍橋大學開展的一項調查，美國程式設計師Debug的時間平均花費佔到整個開發周期的一半。
這明確了兩個問題，程式設計師的開發的軟體質量不合格，同時Debug嚴重影響了程式設計師的工作效率。據悉，英特爾研究院開發的機器編程系統可以將程式設計師的工作效率提高2倍。
利用《診斷軟體性能回歸的零正學習方法》提出的一種在高性能計算代碼中，自動進行回歸測試（由新代碼籤入引起的錯誤）的方法AutoPerf，在運行代碼時只利用名義訓練數據和硬體性能計數器，英特爾的系統證明AutoPerf可以檢測到並行編程中一些最複雜的性能bug。更重要的是，這個系統可以自動將測試應用於不同的硬體架構上，解決了硬體異構帶來的軟體編程複雜性大幅提升的挑戰。這個系統的研究成果已經在去年的機器學習頂級研究會議NeurIPS上發布。
英特爾的另一個機器編程系統就是文章開篇提到的ControlFlag系統，可以在無人監督的情況下查找不限於性能的漏洞。
「ControlFlag可以在沒有任何人類生成的數據標籤下學習，非常讓我興奮的是，這個系統最近突破了從超過10億行代碼中學習的極限。」Justin說：「它能夠發現一些高度複雜的細微漏洞，其中有些漏洞十多年來一直被開發人員所忽略。每次我們添加更多數據，它似乎都能學到以前沒有觀察到的新事物。」
雷鋒網(公眾號：雷鋒網)了解到，ControlFlag更多研究成果將會在今年的NeurIPS上展示。
Jestin介紹，機器編程主要有兩種方法，一種是形式化方法，一種是隨機方法，目前業界更重視隨機的方法。英特爾的不同在於融合了兩種算法，並且在許多案例中實現了超過千倍的成績。比如在改進軟體開發時序質量（Temporal qualities），也就是開發軟體的時間減少到千分之一，這就有可能讓現在需要花三年開發的軟體，藉助機器編程只需要花費一天就可以完成同樣的軟體。
「在某些例子中，可以說是近乎無限的改進。因為構建某些東西需要一定的時間，然後我們把這個數字降為零。」Justin進一步指出。
機器編程會替代程式設計師嗎？
程序能夠自動化的高效構建，意味著程式設計師要失業了嗎？Justin的觀點是，如果機器編程成功，其真正過人之處是創造數千萬到數億個就業機會，為全新類型的程式設計師有非常大的創造平臺，專業程式設計師也不會被替代。
原因很簡單，首先，現存在的大多數機器編程系統都需要大量數據，這些數據通常是代碼的形式存在，而代碼是由專業程式設計師編寫，自動化將會對高技能程式設計師的需求將會增加，因為專業程式設計師寫的代碼越多，構建的機器編程系統就越先進。
更重要的是，如果意圖系統成功，將降低編程的準入門檻。這樣一來，只要他們有批判性思考的能力，就可以表達其想法，軟體就能幫助他實現，就像前面提到的房產權威的例子。
接下來的問題就是機器編程何時會被大量應用。Justin認為得益於算法、算力和數據的提升，機器編程正處於拐點。
據悉，許多機器編程的研究成果都出自英特爾2017年成立的機器編程中心卡帕研究中心（Kappa Research Center）。並且，英特爾發布了開源技術和出版物，推動機器編程的進一步發展以及與合夥夥伴的合作。英特爾還創立了叫做「機器編程研討會」，也稱MAPS，參會人數已經從四年前的20人增加到了去年差不多400人。
Justin透露，2021年英特爾還將建立一個新的機器編程中心，英特爾也會建立更廣泛的合作。
不過，無論是在硬體還是軟體領域，想要實現1000倍的提升僅靠單一技術是不夠的。Rich說：「英特爾的目標是讓每個人都能獲得百億億次級計算，英特爾研究院正在實現這一目標。為了實現目標，必須改變思考方式，將各領域專家聚集在一起，合作探索科學和技術知識的交叉領域。我們選擇了集成光電、神經擬態計算、量子計算、保密計算、機器編程這五個領域。我們認為這五個領域能夠真正大規模釋放數據價值，並且變革人們與數據互動的方式。」
比如機器編程和神經擬態的交叉研究，Justin認為，「機器編程可以幫助神經擬態計算，以非傳統的編程角度進入該架構。今天使用的機器編程的很多技術，是基於各種機器學習類型的系統。我特別感興趣的是，我們是否可以運用神經擬態計算，探索機器編程的創造性和適應性系統，目前我們還沒有探索到。」
最後，引用Justin的一句話：「對於顛覆性的技術，需要『理性的自由』，要花時間深入挖掘把事情做好，如果做事急躁，在設計和方法上妥協，可能會獲得短期收益，但系統長期的生命力會下降。」
註：文中配圖來自英特爾 雷鋒網雷鋒網
相關文章：
英特爾1億個神經元的全球最強神經擬態系統，何時改變世界？
神經擬態計算的「一小步」， AI發展的「一大步」
英特爾1億個神經元的全球最強神經擬態系統，何時改變世界？
雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。