【為什麼我們要挑選這篇文章】寫程式，其實有很多機械性的工作。為了降低工程師負擔，不少人在開發自動寫程式的 AI。近日，OpenAI 發佈一種新機器學習工具 Codex，它能將英文直接翻譯成程式碼，消除繁瑣工作，給工程師更多時間深入思考問題。（責任編輯：郭家宏）
本文經 新智元（公眾號 ID：AI_era）授權轉載，轉載請連繫出處
作者：新智元
OpenAI 再次讓人驚艷！
只要你對這個 AI 發號施令，它就會將英語翻譯成程式碼。
比如：add this image of a rocketship
隨後，你的雙手離開鍵盤，AI 會自動寫程式，這張火箭照片就被添加進來了：
給它點難度：當火箭被點擊時，它的速度會 x4
這就是 OpenAI 發佈的一種新機器學習工具——Codex，可以將英語翻譯成程式碼。
哦對了，Codex 也正是為 GitHub Copilot 提供動力的模型。
近期，OpenAI 發佈了 Codex 的改進版本，API 以私有測試版的形式發佈出來，可以將自然語言轉換為程式碼的 AI 系統。
從 GPT-3 到 DALL·E，不久前大熱的 Copilot（背後也依賴 Open AI 的技術），OpenAI 這是要徹底「砸了」工程師的飯碗嗎？
然而，OpenAI 的 CTO 和聯合創辦人 Greg Brockman 則表示：「它消除了工程師繁瑣的工作。」
看看它還有哪些驚人功能？
Codex 能自動寫程式，給工程師更多時間思考問題
Codex 不僅能夠收到指令後自行寫程式，還能夠開發個小遊戲。
除了打字輸入指令，Codex 還能接受語音指令。
複製的文字有很多空格，手動刪除太費時間怎麼辦？
問題不大，Open AI 和微軟合作出了一個 Word 插件。
一聲令下，AI 就能完成任務。
執行力不錯，那準確率呢？
研究人員用 APPS 數據集來測量不同語言模型的編碼挑戰能力。
APPS 含有 5000 次訓練和 5000 次程式碼問題的測試。
測試結果顯示，120 億參數版的 Codex 能夠對 28.81% 的問題給出正確答案。
準確率遠遠超過「前浪」GPT-Neo 和 GPT-J。
經過不斷修正，最終 Codex-12B 的準確率提升到了 72.31%！
Greg Brockman 表示，編程有兩個部分：
一、認真思考一個問題並試圖理解它
二、將這些小片段映射到現有的程式碼中，不管它是一個庫、一個函數還是一個 API。
Codex 的目的，是讓工程師在第一部分上花費更多時間，而不是第二部分。
畢竟，大量的程式都是在重複或直接抄襲別人之前所做的事情。
當然，它可以是創造性的，但沒有人會在做基本的事情時發揮他們的想像力，比如部署一個網絡伺服器來測試一點程式碼。
比如部署 Web 伺服器來測試一些程式碼。布羅克曼用一條簡單的線做到了這一點：建立一個說明這一點的網頁。
利用 Codex，一秒鐘後，就有十幾行 JavaScript 以完全標準的方式做了這件事。
Codex 的侷限性：訓練效率不高
上面說了 Codex 不少優點，可以幫助用戶使用新的程式碼庫，減少上下文切換。
還可以讓非工程師編寫規範的程式碼。
但 Open AI 也承認，Codex 還有許多不足之處。
首先，Codex 的訓練樣本效率不高。
它的訓練集上有數十億行程式碼，包括來自 GitHub 的 Python 程式碼。
數十億行程式碼。
多有經驗的開發人員也不會遇到這麼多程式碼啊！
但就算有這麼多行程式碼的訓練，電腦科學的學生可能比 Codex-12B 更能解決問題。
比如 Codex 演示人員下了一個指令：Say Hello World with empathy
出來的結果把演示人員都給整笑了。
除此之外，Open AI 很實誠地在論文的預印本中指出 Codex 的其它缺點：
1. 過度依賴生成的輸出
2. 生成一些乍一看正確但其實是錯誤的代碼（因為互聯網上的訓練集或多或少帶有種族歧視，經過訓練後的 Codex 也會帶有偏見。）
3. Codex 的出現會對工程師的就業市場產生衝擊。
4. 大規模參數量還會產生大量碳足跡。
目前 Open AI Codex 還處於私測階段，後續會繼續擴大規模。
希望 Codex 的到來能夠讓寫程式變得更加高效。
延伸閱讀
• 10 年前讓 IBM 引以為傲的 AI 電腦系統「華生」現在去哪了？
• 用 AI 幫中小型企業打造公司險！ 這家新創把投保提升到 Next Level
• 有科技助攻，舉重女神郭婞淳靠著 AI 教練創下奧運巔峰！
（本文經 新智元 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為〈数十亿行代码训练！OpenAI升级Codex，直接将书面语言转为计算机代码〉。首圖來源：Free-Photos／Pixabay）
