不再重复造轮子，AI 给你推荐更好的代码，还没bug

作者 | 青暮

编辑 | 丛末

程序员的的代码大部分都不是如同写书法那般一挥而就，而需要反复地抠bug，抠到怀疑人生。

剑桥大学法官商学院发表的一项研究显示，程序员将50.1％的工作时间用于编程，而将一半的时间用于debug。估计每年的debug总费用为3120亿美元。

现代软件系统越来越复杂，很多时候一个小小的错误就可能让系统崩溃，带来巨大损失。所以不仅是程序员，企业也在为debug付出巨大代价。但现在，AI带来了福音。

英特尔、麻省理工学院、佐治亚理工学院的研究人员合作开发了自动化代码相似性检测系统MISIM，该系统可以判断两段代码的相似性，即便这两段代码使用的是不同的结构和算法，也可以依据它们是否执行相似的任务、是否有相似的代码特征加以判断。

代码相似性检测可以应用在代码推荐、自动修复bug中。在代码推荐的应用过程有点像输入法的词推荐，由于MISIM可以对不完整的代码片段进行评估，当它检测到不完整的、有bug的代码时，就会从其它地方选出功能一样的、没有bug的代码，来替换原来的代码。

并且，MISIM 还会将代码转换为统一的形式，确定代码功能，从而在不受编写方式的影响下进行代码片段的对比。由于MISIM不受编程语言限制，它还可以用于代码语言转换。

在45,780个程序的实验评估中，MISIM识别C和C ++程序中的代码，这些程序是由学生编写的，旨在解决104个编码问题。如果一对程序都解决了相同的问题，则它们在数据集中被标记为相似。MISIM的表现始终好于三个当前最先进系统，最高达到40.6倍。

自动代码生成一直是一个研究热点，产业界和学术界都在此方向上努力着。OpenAI的GPT-3语言模型甚至可以根据自然语言描述生成网页布局的代码。而代码相似性检测则可以复用已有代码，使质量高的代码得到更有效的利用。

输入“创建一个长得像西瓜的按钮”，GPT-3就生成了上图中绿皮红瓢的原型按钮。或者输入“welcome to my newsletter的大号字体”，GPT-3就生成了上图中的红色大号字体。

当然，代码相似性检测也可以用于代码查重。所以，计算机系的同学们，注意自己写作业！虽然现在已有非AI的代码查重系统，但谁知道AI什么时候会后来居上呢？

MISIM架构概览

MISIM由两个核心组件组成。首先，MISIM具有新型的上下文感知语义结构（CASS），该结构通过捕获描述代码上下文的信息，使用机器学习算法来确定给定源代码的目的（例如，代码是一个函数调用、一个操作等）。其次，MISIM还具有基于神经网络的代码相似性评估算法，该算法可通过各种神经网络架构来实现。

一旦构建了CASS，就将其向量化并用作神经网络的输入，神经网络会生成特征向量。生成特征向量后，就可以进行代码相似度评估（例如，向量点积、余弦相似度等）。

对于MISIM的相似性评估算法，研究人员研究了三种神经网络方法：GNN、RNN和BoF神经网络。其中，使用GNN的 MISM 总体表现最好，能够以超过75%的准确率识别出两个程序的相似程度。

将代码的结构与CASS集成在一起后，算法就会根据代码要执行的工作计算相似性分数。即使两段代码表面上不同，如果执行相同的功能，模型就会将它们评估为相似。

CASS可以配置特定的上下文，从而能够捕获描述代码的更高级别信息。而且CASS可以在不使用编译器的情况下对代码进行评级（编译器将人类可读的源代码转换为计算机可执行的机器代码），甚至可以对不完整的代码片段进行评估。

MISIM-GNN的架构如下图所示。对于这种方法，输入代码的CASS表征被转换为图。然后，将图中的每个节点嵌入一个可训练的向量，作为该节点的初始状态。接下来，使用GNN迭代更新每个节点的状态。最后，应用全局读取函数从节点的最终状态提取整个图的向量表征。

MISIM-GNN 架构

研究人员仍然在扩展MISIM的特征集，目的是创建一个代码推荐引擎，它能够识别算法背后的意图，并提供语义上相似但性能有所提高的候选代码。系统可以指示程序员使用库函数，而不用再重复造轮子。

像MISIM这样的以AI为动力的代码建议和审查工具有望大幅削减开发成本，同时使编码人员能够专注于更具创造性、减少重复性的任务。

英特尔实验室首席科学家兼机器编程研究总监Justin Gottschlich表示：“如果该系统能取得成功，我们的最终目标之一就是实现全民编程。”

或许有一天，代码相似性检测可以扩展到自然语言中，到时候要实现全民编程，就不再是难事。

3