我眼中的机器智能（2020v1）

通过训练，机器或能胜任一般性的编程任务，部分程序员会因此进化成为工具操作员。

机器智能的技术理想是，在智力上接近普通人。因为人的直觉和创造力难以模仿，所以需要经过反复的训练和调试才能够接近这个理想。

机器如何训练？

>>> 机器直接阅读学习源代码。

智能的关键在于学习和演算。因此，机器必需要进行某种形式的学习，并拥有一个演算的战场。下面几点在必要时都需要演算的支持。

1. 模拟执行。 要求在执行中能判断变量可能的取值范围。
2. 工具类的功能描述。如 List, Stack, Set, Map, Collection...方法传入什么样的数据？属性值的前后差异？返回什么样的数据？机器可尝试在模拟执行中总结这些功能。必要时人工撰写功能描述。
3. 树的概念和使用。比如遍历、打印、查找叶结点、判断结点间的关系……让机器阅读这些代码，以至领会。同时我们也提供给机器能够生成类似功能的组件，并引导其对组件进行组装和自我验证，所生成的算法其初始价值为零，随着复用次数的增加，价值不断提升。
4. 机器需要懂一点算术和方程知识。能发现在变化过程中不同属性间的，有规律的算术关系。
5. 机器需要懂一点不等式和集合知识。……树、算术、不等式、集合这些都是智能所需的的基本概念。关于算术和不等式，可参照项目：http://mathy.xyz/ ；虽然求解复杂的方程和不等式并非智能的关键，但是对事物之间的数学或逻辑关系做出洞察是智能的必须。
6. 代码块的功能描述。描述可以是递归的。传入什么数据？执行什么动作？已有变量发生了何种变化？生成了什么数据？必要时由人来撰写一些功能特征。……功能特征的描述近于主谓宾式的逻辑，必要时人工撰写各种类来表达相应的逻辑，并且要支持穷举。
7. 演算的方法有：等价替换、关系替换、反事实分析、回避非预期的条件，等等。在代码块中，算法可尝试各种可能的动作，分析相应的功能特征。最终的特征数量要尽可能地少，尽可能属于因果性质的关键特征。当因果难以获取时，通过训练来积累经验是理所当然。
8. 很多情况下，必须通过人工来引导机器的学习过程。主要表现为：在某种情况下应当重点关注哪些特征。

>>> 阅读理解了大量的源代码后，机器可以开始尝试撰写不太复杂的算法。

1. 借助工具从海量的函数库中查找算法：find function from library by "in/out demo"。 举例：http://mathy.xyz/tool/findFun.htm
2. 借助强大的findBug来发现代码中的潜在异常。举例 ：http://mathy.xyz/tool/findBug.html
3. 根据输入参数和功能验证函数，交由机器生成普通算法。但功能验证函数有时候是难以表达的。
4. 正确的算法常常来自于对问题代码的，反复的拼接组合和修正。在这个过程中，机器必然需要去了解：什么样的代码是有问题的？这也因此促进了 findBug工具的实现。
5. 逻辑优化。穷举10个布尔变量组成的【与或非逻辑式】对机器来说似乎不难，故能够优化之。更抽象的逻辑优化也是同理。或者借助于训练，以非数学的方式让机器学习逻辑优化的技巧。
6. 只有人才能够优化算法。比如，机器学会了选择排序，但人却能够把它优化成快速排序。这是因为：优化常常要用到难以描述的抽象方法或直觉性很强的创造性思路，除非能够有效穷举各种方案或存在相应的套路。
7. 只有人才能够创造新算法。这一点不必担心，因为多数公司对新算法没有什么需求。
8. 小算法的复用率太低。99%的小算法在本质上业已存在。但因为复用率低，导致我们经常是“不断重复地再造”着算法。因此我们需要更好的算法查找技术，以及对相似算法的改造技术。如何判断相似性？如何进行改造？暂无思路。
9. 复杂的大算法在使用上有难度。这是个难题。不议。

—— 2020-05, 上海