據報道，從公式翻譯程式語言(FORTRAN)中的穿孔卡片到使用Go語言編寫分布式系統(tǒng)，這個學科基本上保持相同的思路：深入思考問題，提出一種聰明的方法(即算法)，向機器提供一組執(zhí)行指令。

這種方法可稱為“顯式編程”，從大型機到智能手機，從互聯(lián)網熱潮到移動革命，它都不可或缺。它促進了一個全新市場的誕生，使蘋果、微軟、谷歌、Facebook等公司家喻戶曉。

然而，還是少了些東西。早期計算機時代作家設想的智能系統(tǒng)，如，菲利普·迪克《銀翼殺手》中的機器人出租車和喬治·盧卡斯《星球大戰(zhàn)系列》的C-3PO機器人，仍然是科幻小說的內容?？此坪唵蔚娜蝿找差B固地拒絕哪怕最有才華的計算機科學家設計的自動化方法。專家們指責硅谷在面對這些挑戰(zhàn)時，回避這些基本問題上的進展，卻專注于增量業(yè)務或熱門業(yè)務。

當然，這即將發(fā)生改變。Waymo的自動駕駛汽車最近完成了800萬英里的路測里程。微軟的翻譯引擎在中譯英任務中幾乎接近實現人類譯員的準確程度。初創(chuàng)公司在智能助理、工業(yè)自動化、欺詐檢測等領域正不斷取得新突破。

這些新技術有望從不同方面各自影響我們的日常生活?？偟膩碚f，它們代表了我們對軟件開發(fā)的看法的巨大變化，與顯式編程模式明顯不同。

這些進步背后的核心突破是深度學習，這是一種受人類大腦結構啟發(fā)的人工智能技術。它最初只是用途相對較窄的數據分析工具，現在已幾乎發(fā)揮著一種通用計算平臺的作用。在廣泛的任務范圍內，它的性能優(yōu)于傳統(tǒng)軟件，最終可能催生長久以來計算機科學家難以實現的智能系統(tǒng)。媒體有時會夸大其詞地報道人工智能技術的這些前景。

然而，在對深度學習的大肆宣傳中，許多觀察者都遺漏了對其未來持樂觀態(tài)度的最大理由：深度學習需要編碼人員編寫非常少的實際代碼。深度學習系統(tǒng)并非依賴預設規(guī)則，而是根據過去的范例自動編寫規(guī)則。軟件開發(fā)人員只需要創(chuàng)建一個“粗糙的骨架”，然后讓計算機完成其余工作。例如，特斯拉聘請了深度學習和計算機視覺專家安德烈·卡帕斯(Andrej Karpathy)，正是希望他在自動駕駛業(yè)務中融入深度學習技術。

在這個新世界中，開發(fā)人員不再需要為每個問題設計特有的算法。相反，大多數工作的重點是生成反映所需行為和管理訓練進程的數據集。來自谷歌TensorFlow團隊的皮特·沃頓(Pete Warden)早在2014年就指出這一點：他寫道，“我曾是一名程序員，現在我教電腦自己編寫程序。”

當今，驅動最重要的軟件進步的編程模型不需要大量的實際編程。

這對軟件開發(fā)的未來意味著什么?

編程和數據科學將日益趨同。在可預見的未來，大多數軟件將不采用“端到端”學習系統(tǒng)，而是依靠數據模型提供核心的認知能力和明確的邏輯，以便與用戶交互及闡釋結果。一個問題將越來越多地被提出：“我應該使用人工智能還是傳統(tǒng)方法解決這個問題?”實際上，智能系統(tǒng)的設計者將需要精通這兩方面。

人工智能從業(yè)者將成為搶手的人才。人工智能技術的研發(fā)難度大。普通的人工智能開發(fā)人員將成為未來軟件公司最寶貴的資源之一。對傳統(tǒng)的編碼人員而言，這確實有一絲諷刺意味。20世紀50年代開始，他們使其他行業(yè)的工作自動化了，而現在他們自己的工作卻被部分自動化了。對他們工作的需求肯定不會降低，但那些想要保持前沿地位的人必須以適度的懷疑態(tài)度來試水人工智能。

我們需要構建人工智能工具鏈。Lyft的機器學習主管吉爾·阿爾迪蒂(Gil Arditi)對這個問題闡述得很清楚。他說，“機器學習處于初始階段。它類似于上世紀80年代早期或70年代末期的數據庫。你必須成為全球專家才能讓它們正常運作。”研究還表明，許多人工智能模型很難解釋，很容易被欺騙，容易受到偏見。掌握解決這些問題的工具對于發(fā)掘人工智能開發(fā)人員的潛力是必要的。

我們都需要接受不可預測的行為。開發(fā)人員和用戶都已習慣計算機“指令”這個比喻。“指令”強化了這樣一種信念，即計算機完全按照我們的指令行事，輸入總能產生近似等量的輸出。相比之下，人工智能模型就像有生命的呼吸系統(tǒng)。新型工具將使它們更像顯式編程，特別在關鍵的安全設置中，但如果我們把限制設置得太嚴密，我們就會面臨一種風險——喪失這些人工智能系統(tǒng)的特殊價值，如AlphaGo的意外棋步。我們開發(fā)和使用人工智能應用時，需要理解并接受各種概率結果。

希望世界被人工智能接管的可能性幾近為零。