可以参考经典文章: "The Unreasonable Effectiveness of Recurrent Neural Networks" http://karpathy.github.io/2015/05/21/rnn-effectiveness/ 後面有使用RNN做code generation的例子. (拿linux kernel当input, 产生出很像是人写的 kernel code.) 刚才随意google了 "deep learning automatic code generation", 也有一篇是 Automatic Patch Generation by Learning Correct Code (MIT AI lab, 2016的论文). 未来一定会有越来越多的auto code generation是透过类deep learning的技术做出来的. 只是要做到让机器自己写code，会在那个次领域先成熟(以及还要多久时间)，个人是觉得有点蛮遥远就是了~ 关於哪个次领域会先成熟，之前跟人讨论时，有朋友提到是IC的driver code~ (尤其是一些小的IP block). 但後来跟朋友提，IC driver通常写了一两代，就会比较稳定了。 而新的IP 则没有样本可以预先learning，因此个人觉得driver code不像是会先应用auto coding的领域? 不知道大家觉得哪个领域的programming比较容易做到learning -> auto coding呢? ※ 引述《ripple0129 (perry tsai)》之铭言： : 深度学习透过让机器大量的参与可以拥有归纳规则的能力， : 设计模式中也只是透过大量遇到code常见的问题所归纳产生的解决方法。 : 换而言之，让软体大量观察程式码或许未来真的可以靠机器自己写软体？ : 人常说机器跟人差别的是创造的能力， : 但事实上创造，多数情形下也是先透过学习不同的领域， : 然後找出领域之中的可结合点， : 创造出新的事物， : 如果按照这个逻辑， : 似乎机器学习写程式码是可行的。 : 记得以前练习过一个演算法叫Quine， : 就是用程式语言print出自己的原始码。 : 我相信这对机器学习来说写出这东西应该不是难事， : 也就是说，让软体写出原始码可行性应该是极高的。 : 但我们无法掌控的地方却是， : 如果机器可以自行产生程式码， : 那麽他会产生怎样的程式码？ : 他会创造出怎样的功能？ : 这似乎变成难以预测的结果。 : 如果有一天机器能产生原始码， : 我想这後果似乎是比我们程式设计师失业还要来的恐怖吧。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 123.195.210.26 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1463995796.A.6AA.html