未来程序员会被机器取代吗?

本文涉及的产品
NLP 自学习平台,3个模型定制额度 1个月
NLP自然语言处理_高级版,每接口累计50万次
NLP自然语言处理_基础版,每接口每天50万次
简介:

导读:很可能,在不久的将来大多数的岗位都会由机器来担任。很多职位,如司机、医生,将会很快消失或发生巨大变化,进入全新的发展时代。看起来程序仍会继续担任程序员助手或后备的角色。毕竟,像无人驾驶、医疗诊断、切肉机等都需要先进行编程,对吗? 答案是否定的。


什么是编程?

编程就是把想法如数理模型,游戏,商业等转化为代码的活动,从而使计算机可以执行它同时其他人可以读懂它。伟大的程序员都擅长于解决某个领域上的问题,技术精湛和领域认知深入的程序员才有机会会创造出一流的产品。


人人都能够编程

水平平平的程序员将会被被淘汰。

该状况在过去10年里正悄然发生。更高级的编程语言,更便捷的在线资讯获取,都使得编程的门槛不断降低甚至接近零门槛。更低的门槛和更多的生产力应该会使程序员就业市场变得更具竞争性,然而实际上却不是,因为需求也在增长。

编程改革创新的脚步近年来似乎一直停滞不前。我们最重要的工具,编程语言在近代历史里实际上并没有发生很大改变。最新的最流行的语言(如Go或Rust)带来的更多是范式上的进步而不是功能上的变革。今天最热门的语言还是Java,C/C++。编程业界当前更关注的是配套工具的开发和提高生产力的方法。

这又意味着什么呢?


S曲线

技术发展看起来就是这样的:SSSSSSSSSSSSSSS

更详细解释可用下图说明:


例如,IBM第一个文字处理程序(FORMAT)是以繁琐的打孔卡作为输入的。同一时间,最先进的打字机可以实现文字外形变更,自动字符复写以及打印出数学方程式。然而今天打字机已成历史,文字处理程序最终站在发展的前列。我想说的是我们正处于一个类似的技术停滞期,一个新的时代将会到来。


无编程的编程语言

要把平庸的程序员从系统里分离,我们需要一个开发平台来自动识别出问题且无需进行编程。


这可不是一个全新的事物。在1963年,计算机科学家Ivan Sutherland使用了计算机几何画板演示了如何使用系统来解决给定限制的问题。1972年出现的Prolog是一种声明式的编程语言,用于解决给定的逻辑条件集合问题。它虽然最终没有获得广泛认可,但是没有完全消亡。例如著名的IBM华生超算机器就是以它为基础的。


一个最有希望可用于进行无编程的候选人是—自然语言,例如:英语。从二进制代码到汇编,从C到Python,编程语言都是与自然语言相似的。作为一个综合的最佳实践,程序员也在尝试把代码编写成接近于普通英语以便他人或将来自己进行查阅。但这会有什么限制吗?


NLP

如今自然语言处理(NLP)系统已可以根据上下文读懂词的语义以及关联关系。最近,苹果,谷歌,微软等公司已开发出基于语音识别的产品进行自然语言处理。在这些巨头的带动下,相关领域将会得到长足发展。



基因编程(Genetic programming)

另一个朝气蓬勃的领域是基因算法。其使用类似于自然选择的处理方式,使用基因算法进行最优解决处理。对于火箭引擎或游戏等皆可运用。


但是基因算法是不能生成程序代码的,对吗?再想想。


开发者Kory Becker编写了一个程序来生成Brainfuck代码以试图解决该问题。如他所演示的,将来随着计算机计算能力的进一步增强,最佳方案的寻找将会更加精确。


例如如下代码,它是由程序自行编写的,输出结果是hello。


[js] view plaincopy

  1. +-+-+>-<[++++>+++++<+<>++]>[-[---.--[[-.++++[+++..].+]],]<-+<+,.+>[[.,],+<.+-<,--+.]],+]

  2. [[[.+.,,+].-


把NLP和GP相结合,无疑是强强联合的最佳典范,也为将来进一步开拓自然语言系统开发打下坚实基础。


写在最后

我认为机器不可能取代所有的编程工作,至少不会很快发生。因为很多代码仍需人工进行优化,很多算法还需人来完善。此外,每个应用领域涉及面很广也很复杂。我的想法是专为生产力而培养的新程序员数目将会减少,而对于能实现真正软件创新人才的需求会增加。



原文发布时间为:2015-09-25

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关文章
|
10月前
|
JavaScript 前端开发 API
Vue.js与Angular的优劣分析
Vue.js和Angular都是非常流行的JavaScript框架,它们在构建现代Web应用程序方面各有优劣
235 64
|
9月前
|
数据采集 人工智能 智能设计
《人工智能:解锁新材料最佳掺杂元素及比例的密码》
在新材料研发中,确定最佳掺杂元素及比例充满挑战。传统方法依赖经验与试错,耗时且成本高。人工智能(AI)的介入带来了转机:通过分析海量数据、模拟材料行为和优化实验设计,AI能精准预测掺杂效果,减少盲目实验。尽管面临数据质量和模型解释性的挑战,AI仍显著提升新材料研发的效率与准确性,推动多个领域的性能突破,引领智能设计驱动的新材料时代。
221 5
|
10月前
|
JSON API 数据格式
Amazon商品详情API,json数据格式示例参考
亚马逊商品详情API接口返回的JSON数据格式通常包含丰富的商品信息,以下是一个简化的JSON数据格式示例参考
|
9月前
|
弹性计算 负载均衡 安全
企业业务上云经典架构方案整体介绍
本次课程由阿里云产品经理晋侨分享,主题为企业业务上云经典架构。内容涵盖用户业务架构现状及挑战、阿里云业务托管经典架构设计、方案涉及的产品选型配置,以及业务初期如何低门槛使用。课程详细介绍了企业业务上云的全流程,帮助用户实现高可用、稳定、可扩展的云架构。
286 0
|
9月前
|
机器学习/深度学习 人工智能 计算机视觉
深度学习在医疗影像分析中的应用与挑战
本文探讨了深度学习技术在医疗影像分析领域的应用现状和面临的主要挑战。随着人工智能技术的飞速发展,深度学习已经成为推动医疗影像诊断自动化和智能化的重要力量。文章首先概述了深度学习的基本原理及其在图像识别任务中的优势,随后详细讨论了其在CT、MRI等医疗影像处理中的成功案例,并分析了当前技术面临的数据隐私、模型解释性以及临床验证等方面的挑战。最后,提出了未来研究的方向和可能的解决方案,旨在促进深度学习技术在医疗领域的更广泛应用。
243 0
|
11月前
|
算法 数据可视化 新制造
Threejs路径规划_基于A*算法案例完整版
这篇文章详细介绍了如何在Three.js中完整实现基于A*算法的路径规划案例,包括网格构建、路径寻找算法的实现以及路径可视化展示等方面的内容。
366 0
Threejs路径规划_基于A*算法案例完整版
|
算法 安全 区块链
区块链如何实现交易匿名性
**区块链匿名性摘要:** - 匿名性源于公钥/私钥系统,公钥作地址,私钥验证交易,不透露身份信息。 - Coin Mixing 和 CoinJoining 混合交易,使资金流向难以追踪。 - 匿名币如 Monero、Zcash 使用零知识证明和环签名技术增强匿名。 - 隐身地址和一次性地址增加隐私,公私钥交换确保安全交易而不暴露身份。 - 多层次加密与协议结合,保障区块链交易隐私。
|
存储 JavaScript 前端开发
JavaScript内存管理与优化:避免内存泄漏的垃圾收集机制
JavaScript作为一种动态语言,在执行过程中使用内存来存储数据和变量。然而,疏忽或错误可能导致内存泄漏,进而造成**物理内存溢出**。为了解决这个问题,JavaScript具备了垃圾收集机制,通过**管理**和**释放**不再使用的内存来避免内存泄漏。本文将深入探讨JavaScript内存管理与优化的重要性,垃圾收集机制的工作原理,以及优化内存分配的实践方法。
411 0
JavaScript内存管理与优化:避免内存泄漏的垃圾收集机制