如果让程序员开发一个ai

㈠ 普通程序员如何向人工智能方向转型

当下，人工智能已经成为越来越火的一个方向。普通程序员，如何转向人工智能方向，是知乎上的一个问题。

这个学习路线是这样设计的：首先了解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的基础，这里选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。基础打下后，对机器学习已经有了充足的了解，可以用机器学习来解决一个实际的问题。

这时还是可以把机器学习方法当作一个黑盒子来处理的。实战经验积累以后，可以考虑继续进行学习。这时候有两个选择，深度学习或者继续机器学习。深度学习是目前最火热的机器学习方向，其中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。

如果条件足够，可以同时学习两者，一些规律对两者是共通的。学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码;学术界的可以看特定领域的论文，为解决问题而想发论文。

无论哪者，都需要知识过硬，以及较强的编码能力，因此很能考察和锻炼水平。经过这个阶段以后，可以说是踏入AI领域的门了。“师傅领进门，修行在个人”。之后的路就要自己走了。

下面是关于每个阶段的具体介绍：

0.领域了解

在学习任何一门知识之前，首先第一步就是了解这个知识是什么?它能做什么事?它的价值在什么地方?如果不理解这些的话，那么学习本身就是一个没有方向的舟，不知道驶向何处，也极易有沉船的风险。了解这些问题后，你才能培养出兴趣，兴趣是最好的引路人，学习的动力与持久力才能让你应付接下来的若干个阶段。关于机器学习是什么，能做什么，它与深度学习以及人工智能的关系，可以看我写的博客从机器学习谈起。

1.知识准备

如果你离校过久，或者觉得基础不牢，最好事先做一下准备复习工作。“工欲善其事，必先利其器”。以下的准备工作不多，但足以应付后面阶段的学习。

数学：复习以下基本知识。线性代数：矩阵乘法;高数：求导;概率论：条件与后验概率。其他的一些知识可以在后面的学习的过程中按需再补;

英文：常备一个在线英文词典，例如爱词霸，能够不吃力的看一些英文的资料网页;

FQ：可以随时随地上Google，这是一个很重要的工具。不是说网络查的不能看，而是很多情况下Google搜出来的资料比网络搜的几十页的资料还管用，尤其是在查英文关键字时。节省时间可是很重要的学习效率提升;

2.机器学习

机器学习的第一门课程首推Andrew Ng的机器学习。这门课程有以下特点：难度适中，同时有足够的实战例子，非常适合第一次学习的人。cs229这门课程我这里不推荐，为什么，原因有以下：

时间：cs229的时间太早，一些知识已经跟不上当今的发展，目前最为火热的神经网络一笔带过。而Cousera上神经网络可是用了两个课时去讲的!而且非常详细;教学：Ng在cs229时候的教学稍显青涩，可能是面对网络教学的原因。有很多问题其实他都没有讲清楚，而且下面的人的提问其实也很烦躁，你往往不关心那些人的问题。这点在Coursera上就明显得到了改善，你会发现Ng的教学水平大幅度改善了，他会对你循循善诱，推心置腹，由浅入深的教学，在碰到你不明白的单词术语时也会叫你不要担心，更重要的，推导与图表不要太完善，非常细致清晰，这点真是强力推荐;字幕：cs229的字幕质量比Coursera上的差了一截。Coursera上中文字幕翻译经过了多人把关，质量很有保证;作业：cs229没有作业，虽然你可以做一些，但不会有人看。这点远不如Coursera上每周有deadline的那种作业，而且每期作业提交上去都有打分。更重要的是，每期作业都有实际的例子，让你手把手练习，而且能看到自己的成果，成就感满满!

3.实践做项目

学习完了基础课程，你对机器学习就有了初步了解。现在使用它们是没有问题的，你可以把机器学习算法当作黑盒子，放进去数据，就会有结果。在实战中你更需要去关心如何获取数据，以及怎么调参等。如果有时间，自己动手做一个简单的实践项目是最好的。

这里需要选择一个应用方向，是图像(计算机视觉)，音频(语音识别)，还是文本(自然语言处理)。这里推荐选择图像领域，这里面的开源项目较多，入门也较简单，可以使用OpenCV做开发，里面已经实现好了神经网络，SVM等机器学习算法。项目做好后，可以开源到到 Github 上面，然后不断完善它。实战项目做完后，你可以继续进一步深入学习，这时候有两个选择，深度学习和继续机器学习;

4.深度学习

深度学习：深度学习是目前最火热的研究方向。有以下特点：知识更新快，较为零碎，没有系统讲解的书。因此学习的资源也相对零散，下面是一些资源介绍。其中不推荐的部分并不代表不好，而是在这个初学阶段不合适：

推荐，UFLDL：非常好的DL基础教程，也是Andrew Ng写的。有很详尽的推导，有翻译，且翻译质量很高;推荐，Deep learning (paper)：2015年Nature上的论文，由三位深度学习界的大牛所写，读完全篇论文，给人高屋建瓴，一览众山小的感觉，强烈推荐。如果只能读一篇论文了解深度学习，我推荐此篇。这篇论文有同名的中文翻译;推荐，Neural networks and deep learning：这本书的作者非常擅长以浅显的语言表达深刻的道理，虽然没有翻译，但是阅读并不困难;推荐，Recurrent Neural Networks：结合一个实际案例告诉你RNN是什么，整篇教程学完以后，会让你对RNN如何产生作用的有很清晰的认识，而这个效果，甚至是读几篇相关论文所没有的;不推荐，Neural Networks for Machine Learning University of Toronto Coursera：深度学习创始人教的课，最大的问题是太难，而且老先生的吐字有时不是很标准;不推荐，Deep Learning (book)：同样也是由深度学习大牛所写的书，但感觉就像是第二作者，也就是他的学生所写的。很多内容都讲了，但是感觉也没讲出什么内容来，只是告诉你来自那篇论文，这样的话可能直接阅读论文更合适。不推荐，cs231n：李菲菲的课程，很有名，专门讲CNN。但是这门课程有一个最大的问题，就是没有字幕，虽然有youtube的自动翻译字幕，但有还不如没有。

5.继续机器学习

深度学习未必就是未来的一定主流，至少一些大牛是这么认为的。传统的机器学习有如下特点，知识系统化，有相对经典的书。其中统计学习(代表SVM)与集成学习(代表adaboost)是在实践中使用非常多的技术。下面是相关资源：

推荐，机器学习(周志华)：如果是在以前，机器学习方面的经典教材首推PRML，但现在周老师的书出来以后，就不再是这样了。首先推荐读周老师的书。这本书有一个特点，那就是再难的道理也能用浅显精炼的语言表达出来。正如周老师的名言：“体现你水平的地方是把难的东西讲容易了，而不是把容易的东西讲难，想把一个东西讲难实在太简单”;

不推荐，Pattern Recognition And Machine Learning：当前阶段不推荐。PRML是以贝叶斯的观点看待很多机器学习方法，这也是它的一大特色。但对于初学者来说，这种观点其实并无必要。而且此书没有中文翻译，当前阶段硬啃很容易放弃;

6.开源项目

当知识储备较为充足时，学习可以再次转入实践阶段。这时候的实践仍然可以分两步走，学习经典的开源项目或者发表高质量的论文。开源项目的学习应该以尽量以优化为目的，单纯为读代码而学习效果往往不太好。好的开源项目都可以在Github 里搜索。这里以深度学习为例。深度学习的开源优秀库有很多，例如torch，theano等等，这里列举其中的两个：

推荐，DeepLearnToolbox：较早的一个深度学习库，用matlab语言撰写，较为适合从刚学习的课程转入学习。遗憾的是作者不再维护它了;

推荐，tensorflow：Google的开源库，时至今日，已经有40000多个star，非常惊人，支持移动设备;

7.会议论文

较好的课程都会推荐你一些论文。一些着名的技术与方法往往诞生于一些重要的会议。因此，看往年的会议论文是深入学习的方法。在这时，一些论文中的内容会驱使你学习数学中你不擅长的部分。有时候你会觉得数学知识储备不够，因此往往需要学习一些辅助课程。

当你看完足够的论文以后，在这个阶段，如果是在校学生，可以选择某个课题，以发论文为目的来学习研究。一般来说，论文是工作的产物。有时候一篇基于实验的论文往往需要你写代码或者基于开源项目。因此开源项目的学习与会议论文的工作两者之间是有相关的。

两者可以同时进行学习。关于在哪里看论文，可以看一下CCF推荐排名，了解一下这个领域里有哪些优秀的会议。

下面介绍两个图像与机器学习领域的着名顶级会议：

CVPR：与另两个会议ICCV和ECCV合称计算机视觉领域的三大会，注意会议每年的主页是变动的，因此搜索需要加上年份;Conference on Neural Information Processing Systems：简称NIPS，许多重要的工作发表在这上面，例如关于CNN的一篇重要论文就是发表在上面;

8.自由学习

到这里了，可以说是进入这个门了。下面可以依据兴趣来自由学习。前阶段不推荐的学习资源也可随意学习，下面是点评：

cs229：Ng写的讲义很不错，其中关于SVM的推导部分很清晰，想学习SVM推荐;Neural Networks for Machine Learning：大牛的视角跟人就是不一样，看看Hinton对神经网络是怎么看的，往往会让你有种原来如此的感悟。其实看这门课程也等同于读论文，因为几乎每节课的参考资料里都有论文要你读;CS231n: Convolutional Neural Networks for Visual Recognition：最新的知识，还有详细的作业。国内应该有团队对字幕进行了翻译，可以找找;PRML：作为一门经典的机器学习书籍，是很有阅读必要的，会让你对机器学习拥有一个其他的观察视角;

五.总结

本文的目的是帮助对AI领域了解不深，但又想进入的同学踏入这个门。这里只说踏入，是因为这个领域的专精实在非常困难，需要数年的积累与努力。在进行领域学习前，充分认识自己的特点，制定合适的学习方法是十分重要的。

首先得对这个领域进行充分了解，培养兴趣。在学习时，保持着循序渐进的学习方针，不要猛进的学习过难资源;结合着学习与实践相辅的策略，不要只读只看，实际动手才有成就感。学习某个资源时要有充分的目的，不是为了学开源项目而看代码，而是为了写开源项目而看;不是为了发论文而写论文，而是为了做事情而写论文。

本文来自公众号：“大技术技术汇”，guanzhu了解大数据行业学习大数据技术和学习路线，还有免费学习资料放送。

如果一个学习资源对你过难，并不代表一定是你的问题，可能是学习资源的演讲或撰写人的问题。能把难的问题讲简单的人才是真正有水平的人。所以，一定要学习优质资源，而不是不分青红皂白的学习。最后，牢记以兴趣来学习。学习的时间很长，过程也很艰难，而只有兴趣才是让你持之以恒，攻克难关的最佳助力。

㈡ 作为一名程序员，应该如何看待AI

程序员以及其他类型的IT工作无疑是当前最热门的工作。然而，这种趋势可能不会一直持续下去。人工智能的发展可能会打破这一格局。
美国橡树岭国家实验室的一些专家预测，到2040年，AI技术将会强大到足以替代程序员，AI编写软件将比人类程序员更好、更快。换句话说，软件编写的软件比人类编写的更好。
但不会完全替代。在不久的将来，AI和人类程序员将在编程中扮演互补的角色。AI的工作可能是处理重复性的、耗时的任务，这些任务需要机器优异的精确性。机器可以避免由于人为因素而产生的语法错误或设计错误。例如，AI可以提供帮助的一种方式是自动完成功能，程序员只编写一小部分代码，然后AI识别程序员的意图，并完成剩下的代码，从而为人类节省大量的工作。
希望可以帮到你，谢谢！

㈢ 谷歌，亚马逊等巨头们如何做AI

首先上场的选手是谷歌，谷歌作为互联网老牌企业，在技术上有着自己的理解。谷歌这名选手在AI技术上主要侧重于无人驾驶领域和AlphaGo。
在无人驾驶方面，早在几年前，谷歌的无人驾驶汽车就已经进行了上路测试。在2017年5月发生在浙江乌镇轰动科技圈的AlphaGo人机围棋大战，更是体现了强大的AI技术积累。
第二个出场的选手是亚马逊，亚马逊做为全球最大电商企业，这名选手在AI应用方面有很强的技术积累，
在2014年就推出了Echo智能音响后，销量破千万，而Echo特点是场景应用，它可以应用于电视、冰箱、点灯、空调、热水器等日常智能设备，并且可以帮你上网购物，每天叫你起床，是不是特别的科幻。亚马逊同样关注无人驾驶技术。建立了全套的AI生态体系。实力也是很强大。
第三位出场的选手是华为，作为中国智能手机的代表厂家，这名选手在AI技术上有着强大技术储备，华为的AI技术主要关注以下几个方面。
关注个人，希望通过万物互联，通过智能头盔帮助盲人行动更自如；智能语音的翻译让每个人不再受到语言的困扰；基于AI的拍照技术，让不会玩专业相机的人也能达到专业级的拍摄水平。关注于家庭，让一切服务到家，例如各种护理机器人、教育机器人、老人看护机器人等；利用宽带和AR/VR技术实现全息沟通，做到人在哪里，家就在哪里。关注于组织，让企业能够实现规模个性化定制，让政府实现智慧管理，让城市更安全等。
第四个出场的选手是网络，网络作为中国最早从事信息搜索的企业，这名选手在AI技术上也有很强的实力。网络的AI业务主要涉及四个领域，
网络AI视觉能力包括了人脸识别、图像识别、以图搜图、对图片和视频进行多维度审核、人体分析服务。机器人视觉解决方案，在北京汉光百货兰蔻专柜担任一日导购的“小度机器人”就是该技术的具体应用。对话交互产品-UNIT，可以在你开车时，对着手机讲出你要去的目的地，手机便会打开网络地图进行导航，轻松为你规划路线，并提供实时路况。网络深度学习平台Paddlepaddle,可以让程序员更容易的进行AI上层应用设计。网络这名选手的AI实力在国内也是很强大的存在。
第五位出场的选手是寒武纪，作为一家科技研发公司，在AI领域有很强的技术实力。这名选手主要在以下两个方面有很深造诣。
智能处理器研发，推出了三款处理器，分别是寒武纪1H16处理器、寒武纪1H8处理器、寒武纪1M处理器。在AI软件平台方面，寒武纪最新推出了软件平台Cambricon NeuWare，这个平台分为软件开发、性能调优、功能调试三个工具包。可见寒武纪在AI上还是有真功夫的，其他对手不能掉以轻心。
第六个出场的选手是微软，作为一家大型的互联网公司，这名选手的AI应用策略更加务实，
是在搜索结果上更加注重个性化需求，观点引擎的应用，让用户的搜索更加准确。微软在自身产品上加入AI技术，让office、windows系统更加智能化。微软在人机交互领域也有很深的研究，比如小冰和小娜机器人，让机器人更加多才多艺。
第七个出场的选手是苹果，作为手机企业，这名选手在AI技术上也是十分重视，主要集中在三个方面，
他的拍照应用图像识别，Apple music听歌推荐，IPhone电池续航都体现着AI技术的强大应用。
第八位出场的选手是阿里巴巴，作为中国最大的电商企业，这名选手在AI技术上侧重于电商信息的检测，
用AI技术可以很轻松的对商户的商品图片进行识别，哪些事不符合规定的图片很容易找出来。阿里在搜索上也使用AI技术，让用户商品的搜索更加准确，切近用户需求。
第九个出场的选手是京东，笔者为什么要将京东放在这里？是因为最近京东发布了AI开放平台NeuHub，暂且让他一战。京东AI战略主要集中于三个体系，
AI 开放平台，AI 基础研究，AI 商业创新。
京东计划将AI应用于金融科技、智慧物流、智能消费、智能供应、对外赋能，对应的七大应用方向是电商、物流、金融、零售、时尚、公共事务、智能硬件。看来京东在AI领域还是想有很大作为的。

㈣ 程序员，对AI很感兴趣，不知道该怎么入手

先从网上的基础视频教学开始学起
基础视频比较容易上手
有了基础之后再看文字教程就能看懂了
如果是直接上文字的话，因为里面有很多的专业术语所以对于初学者来说会看不懂。

㈤ ai必要的技术基础是什么

I开发专业人员必须掌握数学中的概率知识，这也是机器学习的基础所在。传统软件开发人员经常使用在线库，这意味着他们不需要亲自进行数学计算。但AI开发人员则需要有能力编写并理解复杂的算法，以便不断从数据当中找出洞察见解与基本模式。——Blair Thomas，eMerchantBroker

2. 首先要建立坚实的知识基础

在开始接触AI之前，大家首先应当建立起坚实的知识基础。其中最重要的，自然是掌握编程基础知识（python是机器学习场景下的最佳编程语言之一）以及数学（包括线性代数、统计学与微积分），同时磨练自己的抽象思维能力。虽然大家不需要专业的学位来掌握AI与ML，但无限的激情绝对是一项必要前提。）Rahul Varshneya，ResumeSeed

3. 熟练掌握Python

AI技术正在快速发展，那些能够洞悉AI奥秘的人们将在人才竞争中领先于对手。Python是这一领域中的首选编程语言，它易于理解及编写，提供大量库选项并具备庞大的用户社区。另外，Python还支持TensorFlow、PyTorch以及Keras等高人气机器学习与深度学习实现框架。——Susan ERebner，Cyleron

4. 在互联网上搜索免费资源与在线课程

如果大家有意了解更多与AI技术相关的信息，请先从最简单的切入点着手：谷歌搜索。这里有大量免费资源、文章以及在线课程，帮助各位快速对接正持续发展的AI开发世界。这些免费资源为新晋程序员们提供了一种简单且风险极低的AI参与方式，您可以先通过体验判断自己是否真的打算投身于其中。——David Chen, Sharebert

5. 掌握强大的抽象思维能力

抽象思维或者说深层推理能力，是指机器理解事物之间隐含关系的能力。这种能力要比单纯的学习逻辑、统计学或者数学议程更加“模糊”。但只有掌握了关系推理，大家才能在明确与直接的规则之外，更好地理解AI开发中的细微差别与复杂性元素。——Shu Saito，Godai

6. 利用AI算法尝试构建简单成果

迈向AI学习的成功关键之一，在于首先建立起对AI系统工作原理的明确理解与强烈直觉。培养这种直觉的一种有效方式，就是先从简单的项目入手。例如，您可以选择一个自己感兴趣的项目并为其挑选合适的简单AI算法，而后从零开始构建这一算法。虽然可能存在着陡峭的学习曲线，但您将在这一过程中学到很多，并逐步获得长期收益。——Sean Hinton，SkyHive

7. 了解人类洞察力如何与计算机编程相对接

为了成长为更强大的AI开发者，大家必须在统计学与数据科学方面建立起坚实的基础。为了编写出有效的AI语言表达，大家必须了解基本数学原理并有能力解释现有数据中的含义。您需要将计算机编程与人类洞察力对接起来，才能在AI开发当中取得成功。Jared Weitz，United Capital Source

8. 学习如何收集正确的数据

AI非常适合一次性处理大量数据。因此在考虑创建AI软件时，大家应当首先解决数据点方面的问题（例如选定客户服务及营销系统作为数据来源），而后以此为基础建立一款能够快速完成繁重数据处理任务的软件。——Syed Balkhi，WPBeginner

9. 加入在线社区

Kaggle是一个专门面向数据科学家与机器学习人士的在线社区。该平台允许用户查找并发布数据集，在基于Web的数据科学环境当中构建模型，并与其他机器学习工程师顺畅沟通等等。大家可以借此机会从其他从业者身上学习经验，甚至可以参加比赛以提高自己的技术水平。——Stephanie Wells，Formidable Forms

10. 熟悉不同的AI类型

人工智能当中包含一系列不同领域，大家应当全面研究，免得在投入大量时间与精力之后才发现不适合自己。对不同AI类型进行探索，一步步稳扎稳打地学习，同时避免因学习内容过多而产生倦怠情绪

㈥ 程序员做AI真的用心了吗

其实生活就是奋斗和收获,人生是短暂的,人生是应该有合适的目标,人总是要有点精神的,无论做什么总是要有所作为的.生活应该丰富多彩.应该是:不断的求索,不断的追求,不断的奋斗,尽管前进的路上有汗水,可能还有眼泪,但一定会在成功中获得快乐和享受.时间会使你成熟.自信对一个人是重要的,适当的正确的选择是需要的,对过程的承受力是必要的.自我心理调整必须是经常性的,对成功的争取是需要不懈努力的.

㈦ 电子商务转行人工智能需要什么技术

这是一个综合学科。而其本身又分为多个方面如神经网络、机器识别、机器视觉、机器人等。不过，一个人想自学所有人工智能方面并不是很容易的一件事。

大多机器人仿真都用的混合编程模式，也就是运用多种编程软件及语言组合使用。之所以这样是为了弥补语言间的不足。Python是人工智能的首选语言，而C++在硬件接口及windos衔接方面比较突出，MATLAB在数学模型计算方面比较突出。

如果是对AI进行定制化的开发，那么首先就要对人工智能有一个系统性的了解，包括人工智能的历史、基本原理、机器学习、深度学习、神经网络等基础知识。目前阶段人工智能的发展主要是因为过去十年在深度学习技术上的突破，而要进行比较深度的二次开发，就必须掌握一些主流的深度学习框架，包括TensorFlow/Caffe/MXNet/Keras/Torch等等，其中谷歌发布的TensorFlow是目前最流行的AI开源框架。除此以外，这些框架大多都支持Python和C++语言，如果没有太多的C++经验的话可以从头开始学习Python，它相对C++而言更容易上手，对于深度学习框架来说也比较友好。

最后，如果想在AI算法上有所建树的话，对应的目标应该是成为一个AI科学家，而人工智能目前在理论研究方面基本上被西方的科学家所垄断。要达到这个目标，首先要从基础学科入手；事实上，基础学科才是各种“黑科技”的基石。AI也不例外，要想成为AI科学家必须具有扎实的数学和统计学基础，然后才能结合计算机科学研究算法。

㈧ 如何用python做一个简单的象棋AI

首先：Python语言在学术上非常受欢迎，不是计算机专业的人，很多都在学习Python。因为这个语言的前景是不可限量的，而且他的语法非常的简单易懂，这就让很多一些提及编程就恐慌的人减去了担心，现在已经是一人应该掌握一门编程语言的时代，很多不是程序员的人们，利用自己写的简单的小程序，让自己生活变得精彩起来，不管是因为兴趣，还是其他，生活好像变得美好起来，有了一些追求。
发展前景一：Linux运维
Linux运维是必须而且一定要掌握Python语言，Python是一门非常NB的编程语言，它可以满足Linux运维工程师的工作需求提升效率，总而提升自己的能力，运维工程师需要自己独立开发一个完整的自动化系统时，这个时候才是真正价值的体现，才能证明自身的能力，让老板重视。
发展前景二：Python Web网站工程师
我们都知道Web一直都是不可忽视的存在，我们离不开网络，离不开Web，利用Python的框架可以做网站，而且都是一些精美的前端界面，还有我们需要掌握一些数据的应用。
发展前景三：Python自动化测试
大家都知道，就是Python语言对测试的帮助是非常大的，自动化测试中Python语言的用途很广，可以说Python太强大，掌握和熟悉自动化的流程，方法和我们总使用的各个模板，到现在为止，我了解的Python使用最多的应该是自动化测试。
发展前景四：数据分析
我们都知道现在来临了大数据的时代，数据可以说明一切问题的原因，现在很多做数据分析的不是原来那么简单，Python语言成为了做数据分析师的第一首选，它同时可以给工作带来很大的效率。
发展前景五：人工智能
我们都知道谷歌制作出了的机器人战胜了一个围棋大师，这个就是目前刚出头的人工智能，当然我们的人工智能时代还没有到来，如果这天来了，生活和世界将会发生翻天覆地的变化，而且现在发展这么快，人工智能的时代不会太远。
以上就是目前比较好的几个Python的发展规划和前景，Python没有非常强势的问题，但是它简单的语言结构应用非常广泛，总的来说学习Python是不错的选择。

㈨ 普通Web 开发程序员想转行做 AI，有必要考研吗

考研应该是最快的入门AI的途径：

1. Web程序开发，仅仅是一种技能，不涉及到数学、信息等学科的基础知识；人工智能涉及了大量的数学、信息学的知识，如果没有一个系统的学习，很难入门；

2. 现在最前沿的AI，肯定是在顶级期刊中发表出来的，如果没有系统的科研训练，很难掌握这些最新动态。

我觉得是有必要考研的

㈩ 让ai取代程序员写app，什么时候可以实现程序员和柯洁下围棋几乎是输定了。

大概是一年前看到的新闻了，已经小部分实现了AI自动编写代码的算法了。因为编程干久了你会发现，很多时候都是在写重复的代码，要不然为什么说编程最强大的武器是CtrlC+ctrlV呢。
之前已经实现了根据这些已经实现的功能的描述，让计算机自动编写这些重复的代码，这说明计算机已经可以完全代替程序员的职位了，并且未来的预想是，让AI能够完成软件设计师架构师等的工作，我觉得这个事情的实现不会太远了，几年之内吧。