原标题：DeepMind发布AI编程系统AlphaCode，可达到竞赛级编程水平

DeepMind发布了AlphaCode，这是一个可以达到竞赛级编程或超越人类性能的人工智能编程系统。接下来，AI是否也会在编程方面超越人类？

事实上，自动化编程并不是一个新话题。今天，已经有一些强大的大型语言模型在为简单的编程任务（如网页设计）生成代码方面显示出潜力。然而，要对AI进行编程以解决更复杂和晦涩的问题，还有很长的路要走。

而DeepMind最近的系统，称为AlphaCode，可以通过基于转换器的语言模型生成代码，并为需要深度推理的编程问题创建新颖的解决方案。AlphaCode在10个参赛人数超过5000人的竞赛级编程竞赛中占54.3%。也就是说，已经达到了人类的平均水平。

最近发表了一篇名为《可实现完成竞赛级别的代码生成任务的 AlphaCode》（CompetitiveLevelCodeGenerationwithAlphaCode）的相关文章。

科学

并成为当前的封面论文[1]。

图|AlphaCode相关文章（来源：Science）

人工智能编程有很多挑战，尤其是因为即使是同一个问题，可用的解决方案看起来也可能大相径庭，如何让人工智能判断正确或错误的程序是一项艰巨的挑战。

已经有一些人工智能系统可以执行简单的编程任务，例如Codex，它可以执行简短的叙述性摘要等任务。然而，当面对复杂的编程问题时，这些AI系统就捉襟见肘了。

具体来说，如何使用C++或Python等通用编程语言进行AI编程生成整个程序，解决长篇自然语言描述等任务，在这方面进展不大。

为了解决这个问题，DeepMind为AlphaCode设置了以下三个关键组成部分，使其在代码生成任务上达到与人类竞争的水平：第一，选择一个大而密集的竞争性编程数据集进行训练和评估；第二，具有高效采样能力的大型架构；第三，大量模型样本，以缩小研究空间并根据程序行为过滤一小组提交。

为AlphaCode训练选择的数据集是一个有竞争力的编程数据集。这个数据集也是这些复杂编程问题的代表集。人工智能不仅要理解复杂的自然语言描述，对前所未见的问题进行推理，还要掌握广泛的算法和数据结构并能够准确应用。跨越数百行的解决方案。此外，由于每年全球有数十万程序员的广泛参与，竞争性编程问题可以更好地确保在捷径中找到问题的最佳解决方案，从而提供更好的判别基准。

图|AlphaCode系统概览（来源：arXiv）

如上图所示，这是AlphaCode系统的概览。简单地说，系统的工作主要分为以下四个过程：

首先，系统使用标准语言模型目标从GitHub代码库中训练基于转换器的语言模型。这样，模型就可以在人类编码空间中合理定位问题，从而大大缩小问题搜索的范围。

然后，系统使用GOLD作为训练目标，基于竞争性编程数据集改进模型。这可以进一步缩小搜索空间，并允许进行预训练以补偿少量的竞争编程数据。

然后系统为每个问题生成大量样本。

最后，系统对这些样本进行过滤，得到一小组不超过10个的候选样本提交，然后通过样本测试、聚类等方式对选取的样本进行潜在测试评估，并根据程序反馈选择样本。.

可以看到，AlphaCode有一个独特的设置，在大规模采样后进行过滤，大大提高了问题求解的速度，可以促进更快更高效的采样。

为了评估AlphaCode的性能，研究人员在知名编程竞赛Codeforces和CodeContests的平台上对其进行了评估。

图|AlphaCode系统按10个代码强度排名（越低越好）（来源：arXiv）

经过评估，AlphaCode的系统在10场Codeforces比赛中平均可以取得54.3%的性能提升，这是人类程序员的平均水平。

总之，这个AI辅助编码平台的开发将大大提高程序员的生产力。同期

科学

评论中写道：“这代表着机器学习模型向前迈出了重要一步，可以通过综合计算机程序来解决一些复杂的问题。”另据悉，该作品的作者对媒体表示，虽然AlphaCode是从0%到30%的重要一步，但还有很多工作要做，下一步就是继续完善AlphaCode。参考

1.李玉佳等。

科学

378、6624、1092-1097（2022年）。DOI：10.1126/science.abq1158返回搜狐，查看更多

责任编辑：