说你想干什么，AI就能自动写代码。

现在，我们离这个目标又近了一步。

近日，MIT的一个研究团队放出了新的研究成果。

他们提出了一种灵活组合模式识别和推理的方法，在无监督学习的情况下， 来解决AI自动编程遇到的问题。

先给你看几个例子：

任务要求：

给定一个数组，计算数字翻转过来之后的中位数。

AI会给出代码：

(reduce(reverse(digits(deref (sort a)(/ (len a) 2)))) 0

(lambda2 (+(* arg1 10) arg2)))

任务要求：

输入:

1, [-101, 63, 64, 79, 119, 91, -56, 47, -74, -33]

4, [-6, -96, -45, 17, 26, -38, 17, -18, -112, -48]

输出:

39

8

AI会给出的代码：

(MAXIMUM (MAP DIV3 (DROP input0 input1)))

这是怎么做到的？

给人类程序员一个任务，在开始写代码之前，会根据自己的经验来判断代码架构是什么样的。如果没有经验，就要采取推理的方式，来完善代码架构。

这个AI系统，就是模仿了人类结合模式识别和推理写代码的方式。

模型分为两个模块，分别是概要生成器（sketch generator）和代码合成器（ program synthesizer）。

输入任务要求之后，先经过概要生成器，生成满足任务要求概率比较高的代码概要，即可能满足任务要求的初始代码，细节并不丰富。然后，代码概要进入代码合成器模块，找到满足任务要求的模块。

概要生成器，是一个带有注意力机制的seq2seq循环神经网络（RNN），在给定任务之后，通过LSTM编码器对其进行编码，然后再逐token解码。

代码合成器，有两个组成部分：广度优先概率枚举器和神经网络识别器。前者根据可能性从大到小枚举代码sketch， 后者根据任务要求来指导这一过程。

具体效果怎么样？

为了验证模型的性能，研究团队选择了两个模型与其进行对比。

分别是只有合成器的模型（Synthesizer only）和只有生成器的模型（Generator only）。

只有合成器的模型，相当于研究中代码合成器模块，进行模式识别之后，从头开始枚举所有可能的编码。与微软研究院研究团队2016年提出的“Deepcoder”模型媲美。

只有生成器的模型，相当于研究中概要生成器模块，用来预测完整的代码。与微软研究院和MIT团队在2017年提出的“RobustFill”模型媲美。

进行对比的任务是数组列表、字符串转换和自然语言要求。

在数组列表任务中，与其他两项研究相比，研究中的模型可以在简单的程序中呈现很好的性能。

在字符串转换任务中，表现要比只有合成器的模型要好，并且在一定情况下，会好于只有生成器的模型。

真正展现模型能力的，是在AlgoLisp数据集中进行的测试，这一数据集中，不仅有数组列表和字符串相关的输入输出示例，还有相应的自然语言描述。

在这个数据集上，研究者检验了模型在非结构化数据情况下的性能。

测试结果表明，模型的表现完全超过了先前学者的研究。

而且，在包含“Even”和“Odd”要求的情况下，性能更加突出了，表明了模型的通用性更强。

如果你对这个研究感兴趣，可以阅读论文，来获取更多的研究细节。

传送门：