人工智能取代程序员吗

AI可以辅助程序员完成一些简单的机械化工作，但是程序员是需要具有创造性和专业技能的人，AI不可能替代程序员的创造性工作和实际经验的积累。所以，人工智能无法完全取代程序员的职位，但可能会改变程序员的工作方式和职责。

AI可能会帮助程序员更快、更准确地进行代码检查和调试，也可能会自动化一些重复性工作。但是，在设计和开发新的软件应用程序时，还需要程序员进行创造性的设计和编码工作。因此，人工智能只是一个强大的工具，而不是完全取代程序员的替代品。

                                 

是。ai绘画生成器是搜索，只需在程序中传入一张照片，AI绘画是最近非常火爆的一键绘图玩法，AI画就是人工智能绘画。在过去，无论是传统的手绘还是CG绘画，画家完成一幅画都需要一定的时间。

导语

最先进的人工智能算法已经开始在探测星系的演化、计算量子力学波函数、 探索 新的化合物等领域施展拳脚。那么，还有没有那种无法自动化而只能由科学家完成的工作？

如今的物理学和天文学实验会产生海量的数据，已经没有人或团队能够跟进所有的这些数据了。其中一些数据每天以TB级的规模增加，而且这个趋势不会减弱。在二十一世纪 20 年代中期射电望远镜 Square Kilometer Arra 将投入使用，它每年产生的数据量和整个互联网的数据量一样多。

面对数据洪流，许多科学家开始求助于人工智能。只需要少量的人工输入，人工智能系统（如神经网络）就能够在数据海洋中漫游，识别异常，挖掘出人类尚未发现的模式。

当然，利用计算机来辅助科学研究的 历史 可以追溯到约 75 年前，然而人类几千年前就在手工调查研究数据来寻找其中的有意义的模式。但是，近期一些科学家认为以机器学习、人工智能为代表的新技术能以一种全新的模式去进行科研工作。其中一种被称为生成模型的方法，能从对观测数据的诸多解释中找到最可信的理论，更为重要的是，该方法在研究中无需预先编入对于系统可能起作用的物理过程。其拥护者认为，生成模型的创新程度足可以被视为理解宇宙的潜在的“第三种方法”。

在传统上，我们是通过 观测 来了解自然的。回想一下，开普勒就是通过研究第谷的行星位置表，辨识潜在的行星运行模式，才得以推断出行星是沿椭圆轨道运行的。同样的，科学可通过 模拟 来获得进步。一位天文学家可能会模拟银河系及其邻近的仙女座星系的运动，并预测它们将在几十亿年后碰撞。观测和模拟都有助于科学家生成假设，然后用进一步的观测来检验假设，而生成模型不同于这两种方法。

瑞士联邦理工学院的天文物理学家 Kevin Schawinski 也是一位生成模型的积极支持者。他认为：“ 生成模型是介于观测和模拟之间的第三种方法， 这是解决问题的另一种方式。”

Kevin Schawinski 是一名天体物理学家，他经营着一家名为 Modulos 的人工智能公司，他认为一种名为生成模型的技术提供了第三种了解宇宙的方式。

一些科学家仅仅把生成模型及其它新技术当作传统科研中的工具，但是大多数研究者都认为 AI 的影响力巨大，并且在科学研究领域会发挥越来越大的作用。费米国家加速实验室的天体物理学家 Brian Nord 使用人工神经网络来研究宇宙。他担心没有什么是不能通过自动化完成的事情，“这个推测倒是有点令人恐慌。”

来自“生成”的 探索

从研究生毕业时起，Schawinski 就因用数据驱动科学研究而闻名。在攻读博士学位期间，他面对的任务是，根据星系的外观数据对数千个星系进行分类。因为没有什么现成的软件能帮助他完成这项工作，他决定用众包的方式完成这项工作——于是，银河动物园（Galaxy Zoo）公民科学项目诞生了。

从 2007 年开始，普通的电脑用户只要记录下他们推测的星系最佳归类，就能帮助到天文学家。通过多数票胜出来判定，通常能带来正确的分类结果。

这是一个成功的项目，但 Schawinski 也注意到， AI 让这个模式过时了——今天，一个具有机器学习和云计算背景的天才科学家只需要花费一个下午就能完成这个工作。

在 2016 年，Schawinski 把目光投向了生成模型，这个强大的新工具。本质上来说，生成模型是在求解，当给定条件 X 和观测结果 Y 时，概率 P(X,Y) 有多大。这个方法已经被证明是非常有效的。

生成模型中最为著名的就是生成对抗网络（GAN）。经过充分的训练后，GAN 模型能够修复损坏和像素缺失的图像，也能让模糊的图像变得清晰。该模型通过竞争（对抗）来学习推断缺失的信息，这个神经网络的一部分被称作生成模型（generator）：生成虚拟的数据；另一部分被称为判别模型（discriminator）：把生成出来的虚假数据和真是数据分割开来。两个部分交替训练，逐步优化（类似于博弈）。

或许，你已经看过最近流传甚广的GAN生成的假面孔。正如那个标题所言“这些人并不存在却又真实得吓人”。

上面看到的脸孔都不是真实的，上面的 A 列，和左侧的 B 列都是由生成对抗网络（GAN）使用真实的面部元素构建的。然后，GAN 将 A 中的面部的基本特征（性别，年龄和脸形）与 B 中的面部的精细特征（头发颜色、眼睛颜色）相结合，构建出了上图表格中的所有人脸图像。

潜在空间

概括地说，生成模型获得数据（大多数是图像），并把他们分解成抽象的基本要素——科学家将其称为数据的“潜在空间”。算法能控制潜在空间中的元素，以此来探究这些元素如何影响原始的数据。这个方法有助于揭示该系统运作的物理过程。

潜在空间是一个抽象的难以想象的概念。不过我们可以做一个类比：当你在试图确定一个人脸的性别时，你的大脑可能在做什么呢？也许会注意到人的发型、鼻子的形状，甚至在运用一些你无法用言语描述的判断模式。同样的，计算机程序也在数据中寻找显著的特征。即便计算机并非不知道什么是性别，什么是小胡子，但如果我们提供给机器学习系统的数据集标注了“男性”和“女性”，并且一部分人还有一个标签叫“小胡子”，计算机能快速地推断出其中的关联性。

生成模型与星系演化

12月发表在《天文学与天体物理学》（Astronomy & Astrophysics）上的一篇论文中，Schawinski 与他在苏黎世联邦理工学院的同事 Dennis Turp 和 Ce Zhang 使用生成模型来研究星系在演化过程中所经历的物理变化。

因为他们使用的软件与 GAN 相似，但其在对潜在空间处理的技术与 GAN 有所差异，所以从技术角度来说这不是 GAN。他们的模型创建了人工数据集，去测试假设的物理过程。比如说，他们想知道恒星形成的“淬熄”（形成速率快速下降）与星系环境密度的增加之间的关系。

对 Schawinski 来说，关键问题是仅从数据中能挖掘出多少和恒星与星系演变相关的信息。“让我们忘却所有的关于天体物理学的知识。仅依靠数据本身，我们能在多大程度上重新发现这些知识？”

首先，星系的被压缩至他们的潜在空间，然后 Schawinski 在这个空间中调整元素，使其能对应上星系的特定环境变化，比如周围物质的密度。这样就有了一个假设生成器。通过重构这个星系，让大量原本处于低密度环境中的星系处于高密度环境中以此来看看带来了什么不同。

这三位研究者注意到随着星系从低密度环境走向高密度环境，它们的颜色会变得更红，恒星也变得更加集中。Schawinski 指出这一点与现有的星系观测相吻合，问题是，为什么会这样？

Schawinski 说，后续的工作还没有实现自动化，“人类必须参与其中，那么，什么样的物理原理可以解释这种效应？”对于这个过程，可能有两种解释，一是在高密度环境中，星系更红是因为其中包含了更多的尘埃；或者是因为恒星的形成减少了（换句话说，恒星更老了）。

现在有了生成模型，这两种思路都能接受检验。改变与与尘埃和恒星形成率相关的潜在空间元素，就能观测这种改变对星系颜色的影响。Schawinski 说：“答案很显然，星系更红是因为恒星形成率在下降，而不是因为尘埃。因此，我们应该采纳这个解释。”

利用生成模型，天体物理学家可以研究星系如何从低密度环境走向高密度环境，以及这些变化背后的物理原理。

生成模型相较于传统方式的优势

这种方法与传统的模拟方法相近，但与之有关键的差别。Schawinski 表示：“模拟本质上是由假设驱动的。也就是说，我们自认为已经洞悉了观测现象背后的物理法则。所以，我们把恒星形成规律、暗物质行为的原理等等这些我们自认为正确的假设放在一起，模拟运行。但是，模拟环境真的与实际情况吻合吗？”。他用生成模型所做的事情与模拟完全相反，“我们不知道任何事情，不做任何假设，我们希望数据本身能告诉我们可能会发生什么。”

生成模型在这项研究中取得的成功并不意味着天文学家和研究者就是多余的。但这似乎提醒研究者们——仅仅掌握了大量数据的人工智能系统就能够完成对天体物理学的学习。Schawinski 说：“这不是完全自动化的科学，但这意味着我们至少有能力去构建部分工具，使科学过程自动化。”

虽然生成模型非常强大，但这是否真的代表了一种新的科学研究方法还有待商榷。

对于纽约大学和 Flatiron 研究所的宇宙学家 David Hogg 来说，这项技术令人印象深刻，但充其量也只是一种从数据中提取模式特征的复杂方法——这是天文学家几个世纪以来都在做得事情。换而言之，这是观测、分析的高级形式。

和 Schawinski 相同，Hogg 的工作也充分应用人工智能；他一直在利用神经网络来对恒星进行基于光谱特征的分类，并使用数据启动的模型来推断恒星的其他物理属性。但是他认为他的工作和 Schawinski 的一样，都是经过检验的科学。Hogg 表示：“我不认为这是第三种方法。只是我们这个社群在对数据处理的方法上更加复杂而已。特别的是，我们越来越善于将数据与数据进行比较。但是依我看来，我的工作仍然是在做观测。”

人工智能：

勤奋而“难以捉摸”的科研助手

无论在概念上是否有创新性，人工智能和神经网络已经显然在当代天文学和物理学研究中发挥了关键作用。在海德堡理论研究所工作的物理学家 Kai Polsterer 领导着一个天体信息学小组，这个小组主要关注以数据为中心的天体物理学研究新方法。从星系数据集中提取红移信息曾经是一项艰巨的任务，而现在他们小组使用机器学习算法就能解决这个问题。

Polsterer 认为这些基于基于人工智能的新系统是“勤奋的助手”，可以连续处理数据数个小时而不抱怨单调无聊，不抱怨工作条件。这些系统可以完成所有枯燥乏味的繁重工作，研究者就能脱身去做“又酷又有趣的科学工作”。

Polsterer 警告说，这些系统并不是完美的，算法只能去做他们被训练过的事情，系统对输入的数据是“无感觉的”。给 AI 系统一张星系它可以估算其红移和年龄，但是你给同一个系统一张自拍照或者一张臭鱼烂虾的照片，它也会照方抓药估算出一个（错误的）年龄。Polsterer 认为，人类科学家的监督工作非常重要。工作还是要回到研究者身上，研究者才是要负责解释这些现象的人。

就这一点而言，费米实验室的 Nord 警告道，神经网络不仅要给出结果，也要给出相关的误差线，如果在科学研究中，你做了一个测量但没有报告相关的误差估计，就没有人会认真对待这个结果。

就像许多的人工智能研究员一样，Nord 也关注神经网络给出的结果的可解释性，通常来说，一个 AI 系统在给出结果时无法明确地表示出这个结果是如何获得的。

然而，并不是每个人都觉得结果不透明是一个必须关注的问题，法国CEA Saclay理论物理研究所的研究员 Lenka Zdeborová 指出，人类的直觉同样难以捉摸，给你看一张猫的，你能立刻认出这是一只猫，但是你并不知道你是怎样做到这一点的，从这个角度上来说，人的大脑就是个黑盒。

并不仅仅是天体物理学家和宇宙物理学家在向人工智能助力、数据驱动的科学研究发展。Perimeter 理论物理研究所和安大略滑铁卢大学的量子物理学家 Roger Melko 已经使用神经网络来解决该领域中的一些最棘手最重要的问题，例如多粒子系统的波函数的数学表示。

因为波函数的数学形式可能会随着它所描述的系统中的粒子数量呈指数级增长，这被 Melko 称为是“指数维度诅咒”，在这样的工作中 AI 就是不可缺少的组成部分了。

这个困难类似于在国际象棋和围棋中找到最好的走法：玩家会试图多看一步，想想对手会出什么招，然后再选择自己的最佳应对策略。但是随着思考步数的增加，复杂性也大为增加。

当然， AI 已经攻克了这两个领域。 1997 年 5 月 11 日， 深蓝计算机在国际象棋领域战胜了人类；2017年4月10日 ，AlphaGo 战胜了柯洁，AI 在围棋领域战胜了人类。Melko 认为，量子物理学也面临同样的问题。

机器的思想

无论是 Schawinski 所声称的他找到的是科学研究的“第三方法”，还是如 Hogg 所说的这“仅仅是传统上的观测和数据分析”。我们可以明确的是， AI 正在改变科学 探索 的方式并且在加速科学发现，值得探讨的是，这场 AI 革命在科学领域能走多远？

有时候，人们会对“人工智能科学家”的成就大肆褒奖。十年前，一个名叫亚当的 AI 机器人化学家研究了面包师傅的酵母的基因组，并找出了负责制造某种特定氨基酸的是哪些基因。（亚当观察缺少某些特定基因的酵母菌落，并与拥有这些基因的菌落的行为进行比较，由此找到差异完成研究。）

当时Wired杂志的标题是：机器人独立完成科学发现。

最近，格拉斯哥大学的化学家 Lee Cronin 在使用机器人去随机混合化学物质，由此来观测会形成什么样的化合物，并通过质谱仪、核磁共振机和红外分光计实时监控反应，这个系统最终能学会预测哪些组合的化学反应最为剧烈。Cronin 表示即使这个系统不能带来新的发现，机器人系统也能让化学家的研究效率提高 90%。

去年，苏黎世联邦理工学院的另一组科学家们在训练神经网络从数据中推导物理定律。他们的系统类似于“机器人开普勒”，利用从地球上观测到的太阳和火星的位置信息，重新发现了日心说；并且通过观测小球碰撞模型发现了动能守恒。因为物理定律通常会有多种表述形式，科学家们想知道这个系统能否提供种更简洁的方法来思考已知的物理定律。

这些都是 AI 启动、助力科学 探索 的例子。尽管在每一个例子中，这些新方法的革命性都会收到争议。但在这个信息浩如烟海且高速增长的时代，最值得商榷的问题可能是：仅从数据中，我们能获得多少信息？

在 《The Book of Why: The New Science of Cause and Effect》一书中，计算机科学家 Judea Pearl 和科学作家 Dana Mackenzie 断言到：数据“愚蠢至极”。他们写到： 关于因果性的问题“永远不能仅凭数据去寻找答案”。

“每当你看到以无模型的方式分析数据的论文或研究时，你可以肯定的是这项研究成果仅仅是总结，或许做了转述，但绝对不是在解释数据。”Schawinski 对 Pearl 的观点抱有同感，“只使用数据”这个想法有点类似于“稻草人”。他也从未生成以这样的方式做因果推断。他想说的是：“和我们通常的工作相比，我们可以用数据多做点事。”

另一个经常听到的观点是： 科学需要创造力。

可是到目前为止，我们还不知道，如何将创造力编入计算机。（Cronin 的机器人化学家只是在简单地尝试科研工作，似乎不能算是特别有创造力）Polsterer 认为：“创建一套理论，有理有据的理论，我认为需要创造力，而创造力离不开人类。”

然而，创造力来自何方呢？Polsterer 怀疑这和 不喜欢无聊 有关，这恐怕是机器所没有的体验。“要拥有创造力，你必须厌恶无聊，然而我认为电脑就永远不会感受到无聊。”然而，“创造力”、“灵感”却常常用来描述深蓝、AlphaGo 这样的 AI 程序。我们在描述机器的思想时的困难映射出我们在描述自己思维过程时的困难。

Schawinski 最近离开了学术界，去了私人企业。他现在经营着一家名为 Modulos 的初创公司，该公司雇佣了许多联邦理工学院的科学家。根据该公司的网站介绍，该公司位于“人工智能和机器学习这股风潮的风眼中”。无论当前人工智能技术和成熟的人工智能之间存在多大的差距，他和其他专家都认为机器已经准备好了去完成更多的科学家的工作。不过，AI 的局限性还有待考证。

Schawinski 畅想道：“在可以预见的未来，有没有可能去制造出一台能过发现物理定律、数学原理的机器，甚至超越当今最聪明的人类的能力极限？科学的未来终将被人力所不能及的机器所掌握么？这是一个好问题，但我不知道答案。”

推荐阅读

Nature机器智能：破解因果推断难题

物理学家要失业？机器学习能自学量子力学！

做科研做到绝望是一种什么样的体验？

科研投入越来越多，重大成果的产出却越来越少？

要不要加入我们？一起影响世界！

集智俱乐部QQ群｜877391004

商务合作及投稿转载｜swarma@swarmaorg

搜索公众号：集智俱乐部

加入“没有围墙的研究所”

让苹果砸得更猛烈些吧！

你好！我是康哥！ 未来不光是人工智能会取代程序员写代码，我认为很多行业都有可能被取代！

作为80后的我小时候没有电脑，父母那一辈基本上班的时候也都没接触过电脑，那个时候工作文稿都是用手写，而到我上了大学，短短18年的时间电脑在中国得到了普及。让我印象最深的是我参加工作的时候公司的老会计，业务能力不在话下，但是金蝶用友玩的不转。后来也不得不顺应时代的发展，学习电脑知识。

所以人工智能现在看似是一个很新兴的产业，但是很可能在未来的十几年当中渗入我们生活中的方方面面。

那些重复性的工作，例如人力资源中的考勤工资；财务中的基础做账工作；程序员中的基础代码工作；甚至医院的医生都会被人工智能取代 。

未来不会被渠道的是一些重复性工作不强的职位，我认为这个实际上就是效率的提升，电脑代替手工劳动，机器代替人的大脑和手脚，让我们的生活更加有效率。

我认为是一件好事情，能让我们有更多的时间去开发新事物。不断地开发我们的大脑去 探索 新事物。

但是从另外一个方面来看，未来的确有很多人会失业。不管是现在我们常见的一些岗位，包括一些看似稳定的铁饭碗，例如公务员或者事业单位人员，一些职能性的但是效率底下的职位也将会被取代。

这就提醒我们每个人都要居安思危，不断提升自己的技能和附加值，这样才不会被 社会 所淘汰，二十年时间看似很长，但是实际很短。

AI能代替我们的是一些能够重复的工作和简单的开发工作，可是谁来维护这些人工智能，如何管理这些人工智能我认为未来是我们人类职位的一个新增项。

作为一名IT行业的从业者，同时也是一名计算机专业的教育工作者，我来回答一下这个问题。

首先，随着人工智能技术的不断发展，未来大量基础的编码工作必然会由智能体来完成，这个过程也会不断推动程序员的岗位升级，提升程序员的岗位附加值，同时减轻程序员的工作压力。实际上，人工智能技术的发展对于未来延长程序员的职业生命周期具有重要的意义。

当前程序员岗位的工作压力还是比较大的，不仅应用级程序员每天需要完成大量的编码工作，研发级程序员也需要面对一些毫无能力提升的编码工作，这在很大程度上降低了程序开发的乐趣，使得程序员感到乏味。随着当前产品迭代的速度不断加快（大数据时代的并行迭代），程序员不仅面临更大的工作量，在工作内容上也得到了一定的拓展（全栈开发趋势），所以当前从事程序员岗位还是具有一定难度的。

要想让程序员从当前的工作压力当中解放出来，采用智能体实现代码编写是非常重要的一个解决方案，这不仅会提升程序开发的效率，同时也会保障程序代码的质量一致性，提升程序的稳定性。实际上，当前在程序开发领域内已经有不少工具可以完成一部分代码的生成工作，虽然目前功能还不够强大，但是已经在一定程度上减轻了程序员的编码负担。

未来当智能体替代程序员完成基本的编码工作之后，程序员可以把更多的精力应用在创新方面（算法设计、模式设计、框架设计等），而且技术验证的速度也会明显提升，这些都会提升程序员的工作效率。

如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！

有人说，人工智能将来可替代程序猿写代码，你怎么看？

好！

科技 这么发达，

完全有可能，

但是，

怎么发达，

有一些程序还是离不开人的 *** 作，

程序猿，

有些程序必须靠人工才能完，

这个毋庸置疑，

不论智能怎么发达，

有些人的 *** 作，

永远取代不了的，

这个倒是真的，

有一些事物，

是人工智能无法完成的，

到任何时候人，

都不会被智能取代消退，

总有一些程序交给人，

来 *** 作！

都是些不深入ai的媒体炒作概念，让人觉得ai无所不能。一百二十八年内不可能，有的话也是小打小闹，满足不了工业届千变万化的需求。ai可以辅助创作，但独立创作，尤其是代码，绝无可能。

如果ai将来能写可执行的逻辑正确的代码，那么未来的程序员或算法工程师，都会大部分失业。如果ai都能按逻辑写代码，都可以去尝试各种逻辑，甚至自己决策。那么ai可以控制各种带有芯片的设备，小到手机，大到 汽车 。这还是ai么，这不是上帝之子么。

可能你从github喂海量的代码给到模型，借助于大数据和gpu算力出来，理论上来说能训练出一个号称能写代码的ai但这个ai写出的代码都是基于统计规律的，不能处理突发事故。运气好的话，生成的代码能执行，但代码越长，生成的代码可运行的概率越低。

即使能运行，代码的逻辑是什么？

程序员和产品经理干架，就是因为需求会一直变。你期望ai能写出满足千变万化的需求的代码？

我们从几十亿年的单细胞生物进化到今天，能不能有点自信？要是ai这么厉害，我觉得我没脸说我是人了。总之，怎么可能！

将来我们写代码时：

总之，ai可以辅助程序员编程，极大提高编程效率。但如果代替程序员自己编程，根本不可能。如果有那一天，我把我现在的手机吃了。

这几年，人工智能被炒的越来越热了，比如阿里的鲁班系统能够自动生成双十一海报，一天可能出图上亿张；还有通过机器学习，程序画的话，被卖到上亿元；其实就目前来讲，这些都是比较基础的，人工智能即使画画，也是通过机器学习别人的画之后，说白了， 组合的。没有灵魂作为支撑的产品，不能说没有价值，但是在意义层面来讲绝对是非常弱的。

人工智能在将来可以替代程序员写代码吗？我只能说：有可能，而且即使人工智能代替程序员写代码，也是比较基础的，其实，随着现在程序工具化的趋势，已经解放了程序员，如果人工智能+工具化，在一些基础的，机械的编程中，确实能够让程序员解放出来，去处理更加复杂的业务逻辑和架构设计。

但是，我感觉人工智能完全取代程序员是不可能的。因为，机器永远也不想到人类复杂的需求，尤其是，变来变去的需求变化。如果机器能够有灵魂的话，估计也会被人类复杂且变来变去的需求，折磨的要死，从而发出一句，感叹：卧槽，这是什么玩意的破需求。

但是，去年有一条新闻值得我们关注，那就是：

Repairnator 是由 KTH 瑞典皇家理工学院的软件技术教授 Martin Monperrus 开发。它会监控开源软件在持续集成期间发现的 bug，并尝试自动修复它们。如果它成功合成了一个有效的补丁，那么 Repairnator 会伪装成人类身份向人类开发者提交此补丁。到目前为止，Repairnator 已经成功生成了 5 个补丁，并被人类开发者永久地合并到代码库中。

这是自动程序修复软件工程研究中新的里程碑。

所以，现在机器都可以修改 bug 了，将来在一定程度上写程序，也是有可能的，但是完全取代我认为不现实。

原因如下：

当然了，如果机器能够完全取代人类编程的话，那非常可怕啊，未来有可能将是被机器控制的时代，而不是人类控制机器的时代。

有人说，人工智能将来可以取代程序员来写代码，这个理由不成立，因为人工智能就是程序员开发出来的。而且现在所谓的人工智能远远没有达到真正意义上的智能，大部分还是人工更多一点。

如果以人类的生命成长阶段来看，人工智能目前只能算是婴儿阶段，在婴儿阶段就抛弃喂养自己的母亲程序员，那为时也太早了。

人工智能大体分两个大的方向，图像识别和机器学习。目前图像识别成长的比机器学习更快一点，但也仅限于快一点儿，我们常见的图像识别场景就是无人驾驶。而机器学习发展相对缓慢，都是在初级阶段，如果想要有阶段性的变化，在算法机制上要有突破性的进步，才能引领机器学习进入下一阶段。

所以至少在未来几十年甚至上百年我认为我们程序员都不会失业的，还是有饭吃的。

所谓人工智能的程序也是由人类开发设定的，它也绝不会取代人的作用，它对美学，结构想象力设计，逻辑多向思维甚至悬思学都无法深入涉足，它就像一个架构师将算法和公式公布出来，其它基础部分由代码来完成一样，就算将来人工智能也可以进行相关研发，但审核与检测仍然需要人类完成，人类的工作只会越来越高级。

所以不用杞人忧天，人工智能是不可能真正成为人类的思维一部分的，当它的工作目标对人类无意义而虚耗电能和时间的时候，人类是一定会及早发现并介入的，一个简单的拔电源就可以停止其行为……

人工智能是近阶段大家经常提到的一个话题，其中神经网络深度学习其中一个特点，那么人工智能最终真的能达到一般人类这样去思维么？能够像程序员那样的编程么？会不会以后有一天真的能替代程序员了吧，这件事情你是怎么看待的？针对这事情我来说一下我的看法。

人工智能会让程序员的工作效率更高，十年之内不可能完全代替程序员

在CSDN上有一篇报道，有一个名字为Screenshot-to-code-in-Keras的项目可以把一些稿件自动变成一堆html代码加css代码，有的前端程序员就可能为此而感觉到恐慌，感觉以后人工智能要替代自己的饭碗了，这样的事情也不足为奇，在人工智能这个概念还没有兴起之前，一些java程序员使用ide开发工具就能生成一堆代码，节省了开发效率。感觉起码在近五到十年内感觉人工智能还不能完全替代人类程序员这样去编程，就以前端代码为例，虽然html代码加效果类css让人工智能生成代码，可能人工智能在这方面战术上完胜，但是一些战略问题它还是远远不及人类的。

其一它生成的东西能确保是人类想要的吗？，如果不符合要求是不是需要人类程序员来调整，人工智能不可能做出一套适应所有场景的东西出来。

其二前端程序员是要与后端程序员进行对接的，在对接时各个参数，怎么调用了，相当复杂，两个人类程序员（前端程序员与后端程序员）还需要沟通好长时间，难道人工智能就能那么完美理解人类的意思就不需要沟通了么？

近5到10年内的情况可能是这样的，一些低级的常规的代码都可能会是自动生成，一些组织调整的工作交给人类程序员来进行处理，最后项目的质量当然还是有人类进行负责的，由人工智能的加持，程序员的工作效率可能会大大提高，以往传统开发需要几周的工作量可能会缩减到几天甚至更短。

未来上层领域的程序员数量会减少

随着时间再往后发展，我想一些上层代码会逐渐由人工智能程序自己完成了，可能写代码的不再是程序员了，比如说可能是一种 *** 作软件的形式存在，有着成熟的 *** 作界面，良好的 *** 作体验，一个非技术人员通过界面输入自己想要的东西，通过一定的规则描述，然后就会生成相应的代码并能直接运行。或者比这个更先进，不是一个软件界面的形式存在，而是一个智能硬件设备，只需要对其说话，像与人类说话那样，说出自己的需求，智能设备就能在短时间内做出自己想要的东西。

如果真能达到这种程度的话，我想未来参与业务开发的程序员的数量将会急剧减少，但是 不可能减少到为0，因为人工智能做出的东西也不可能是完全有保证的，起码需要个别人还需要进行对项目代码进行负责不是嘛，就想现在的无人驾驶车为啥还留有方向盘一样。上层开发的人员少了，人工智能这些底层开发的程序员会更吃香了，甚至数量会多起来。

软件数量和规模将成倍增长

大家都知道程序做事效率是相对高的，人类做项目是用天，周，年为单位来计算的，那么这些软件交给人工智能处理应该是秒级别的吧，如果是大一点的项目顶多是分钟了。如果是这样的话，估计人类世界软件的发展速度将会达到一个新的高度，软件的数量和规模将是几何倍数的增长。

如果真是这样一天的到来，我想人类在学习和思想上都要有策略上的改变，以前经常在嘴边说的话，要勤奋，要多动手，未来的人类要做的事情，就是要多思考，勤于思考。动手的事情就交给人工智能去吧。

那是必然的。不仅程序，看病，甚至很多方面都可以，但是，那种机械的，生冷的东西在几何级数提高效率的同时也会铸成，无论如何，这个趋势不可阻挡，是喜是忧？需要盖棺定论。

电脑只能处理精确到指令，需求一开始往往是很模糊的，以目前人工智能自然语言语义理解的发展程度，可能性很低。

ai网站支持手机端和PC端编辑，如果在手机端编辑，就直接进入ai网站小程序，找到你自己创建的网站，然后找到编辑按钮，点击就进入编辑界面了

可以直接删除或添加你想的模块，也可以对网站里的文字、、视频等进行上传或修改，布局你自己的小程序网站的

如果是在PC端编辑，那就更简单了，登录ai网站PC端后台，找到编辑一项，直接对网站的文字、、产品、视频等进行删除或添加就行，编辑完后，PC和手机数据会同步更新的

程序员不太可能被AI完全取代。

目前，AI可以帮助程序员自动生成代码，分析代码以发现潜在的问题，并通过模拟人类编程来完成一些简单的任务。然而，程序员仍然需要对代码进行评审和维护，并且需要对代码的功能和实现进行判断。

同样，程序员还需要深入了解业务和需求，以便编写有意义的代码。因此，程序员将需要持续学习和发展以适应这种变化，并且可以通过在人工智能和机器学习方面的专业知识来提高自己的竞争力。

程序员的职业前景和变化

尽管程序员不会被人工智能完全取代，但随着人工智能技术的发展，程序员的职业前景和变化仍然值得我们思考。一方面，人工智能技术将改变程序员的工作方式和工作内容。程序员需要不断学习和掌握新的技术和工具，以适应新的工作需求和市场需求。

另一方面，人工智能技术还将为程序员带来新的机会和挑战，例如，基于人工智能的应用程序的开发和部署、数据科学和分析等领域。

同时，程序员也需要注意自身的竞争力和职业发展。随着人工智能技术的发展，程序员需要具备更多的技能和知识，例如，机器学习、数据科学、云计算、容器化等领域的知识。此外，程序员还需要不断提升自己的软技能，例如，团队合作、沟通、项目管理等方面的技能。

不会使底层程序员失业。

虽然人工智能和自然语言处理技术，如ChatGPT，可以自动生成代码，但它们仍然需要由人类程序员进行编写和维护。这是因为，即使AI可以生成代码，它仍然需要人类程序员来确保代码是正确的、可以完成所需任务，并且是可维护的。

此外，AI还可以为程序员提供帮助，以提高效率，而不是取代他们。因此，底层程序员的工作将得到支持，而不是受到威胁。

总的来说，技术的进步通常不会导致失业，而是带来新的机会和挑战。因此，程序员应该积极学习新技术，以保持竞争力，并在技术发展的同时利用其新的机会。

能。使用ai技术的文章生成器生成的文章是可以利用爬虫技术把行业数据集合抓取到的。网络爬虫（又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

以上就是关于人工智能取代程序员吗全部的内容，包括:人工智能取代程序员吗、ai绘画生成器是图片搜索么、AI生成模型：超越数据观测与计算机模拟的第三条科学探索之路等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！