模型越大，AI编程个性化就越难？

分享嘉宾 | 郝逸洋，李钟麒

整理 | 朱珂欣

出品 | CSDN（ID：CSDNnews）

近些年来，随着AI等前沿技术的推陈出新及各场景中的应用，让更多的人触达AI时代的科技前沿。AI编程作为AI的子领域，如今也离普罗大众越来越近，被大家寄予很高的期望。

在CSDN组织的「开谈：AI编程的前世今生」直播中，有幸邀到了华为 CodeArts Snap代码生成工具模型负责人李钟麒、aiXcoder联合创始人郝逸洋两位AI领域的专家，共同探讨在AI编程的技术获得突破性进展时，其背后的原因。

前世：AI编程的历史发展状况

《开谈》: AI 编程近年来的发展情况如何？有哪些关键的节点？

郝逸洋: 我认为在深度学习火了后，关于“AI编程”的理念才慢慢出现。此前，学术界的叫法是——知识工程。由于它局限性比较强，这个概念并没有走入大家的生产环境中。在2017年、2018年深度学习火了后，“AI for Code”的概念逐渐在学术圈被人接受，成为一个独立的领域。

随后，有人把自然语言处理（NLP）的技术应用在代码上，把代码看作一个自然语言去处理。当时我的导师李戈老师（北京大学的李戈老师）把Linux的源代码拿过去做训练，训练后的模型虽然不能编译，但能写出很像Linux源代码的东西。

2019年时，AI技术还处于早期。随后的一两年间，国外一些公司对AI开始有了更多尝试，例如以色列的Codota公司和美国的Kite公司，最初都是做代码搜索，随后它们也进行了公司转型，做代码的辅助编写。再后来，随着大模型逐渐活跃起来，在自然语言处理上面取得了较好的进展，OpenAI就是典型的例子。如今，大家也都纷纷的走向大模型领域。

李钟麒：我认为有两个关键的时间节点：一是2020年；二是Codex的出现。

首先，在2020年AI才逐渐真正被大家关注。尤其是利用AI编程实现可执行的、能完整理解人类意图的代码。

其次，是Codex的出现。Codex作为OpenAI用来支持Github Copilot的大规模预训练模型，Codex可是非常强大的编程语言预训练模型。Codex引起了大家的广泛关注热烈讨论。Codex带来了较好的用户反馈，因而国内外许多公司相继开始行动。

《开谈》: 两位老师都在负责AI智能编程工具，你们两个工具的相似和不同之处在哪？

郝逸洋: 相似之处，在核心功能上。例如用户写代码的时候，我们可以直接在光标后补出来他可能想要的东西。

不同之处，是AI Xcoder有两种模式：线上模式和离线模式。线上模式采用大模型，离线模式采用小模型。我们工具的差异化之处，更多的体现在一些技术细节上。延伸到用户层面，很多差异之处其实是被抹去的。

李钟麒：相似的地方是两个AI编程工具均是围绕用户需求展开。不同之处，主要是体现在服务对象上，体现在模型结构存在差异。如果工具主要是去服务专业编程人士，他们对编码工具的需求就会更加倾向于专业化、准确性强等。

因为在AI智能编程工具的水平上，我觉得都趋于一致。但落到产品里面，可能需要看各自产品的包装能力、产品落地等要素，同时，每个工具服务的用户也不同。

《开谈》: 目前，主流的AI编程工具是如何实现和工作的？相似点和不同点有哪些？

郝逸洋: 我认为对于用户感知而言，AI编程的形式上或许一样，但内容会有差异。从技术路线上来看，我觉得可以分为三类：小模型、统计模型、线上大模型。

例如TabNine，最开始并没有使用深度学习技术，而是用一个统计的方法建立一个统计模型，用统计模型去做预测。它的技术路线显然侧重于离线。

Kite是离线的一个深度学习模型，它的离线模式能够把模型下载到用户本地，无法联网也可使用智能补全。

Copilot是在服务器上去部署一个超大规模（可能百亿参数）的模型，再以网络的方式给用户提供一个服务。不同于其他代码补全工具只提供最多一行的补全结果，Copilot能通过代码上下文以及语言描述，生成整个代码片段。

李钟麒：对于超大规模的模型而言，为了保障准确率，多是采用线上部署或云服务的方式对外推出，因为实际上的算力需求是很难满足。

但是，小模型、统计模型也能结合到产品中。在目前补全工具比较成熟的情况下，没必要再通过模型去完成。但在实现长文本的补全的情况下，为了达到较高的准确率，或许仍会采用规模较大的模型。现阶段大模型面临的问题很多体现在响应时间、部署方式能否支持大量用户访问。

《开谈》: GitHub Copilot推出了语音编程技术，目前，语音识别的准确度是否能适应的代码环境？

郝逸洋: 虽然没有尝试过，但是在过去做Cortana的时候，我们会根据场景去做意图分析。基本上是三个：聊天、天气、交通。这三个需求可以覆盖80%的用户交互。

因为没有尝试Copilot，就暂时不做评价，但可以补充一下，语音技术的确比较成熟，但一旦遇到领域知识，就会出现瓶颈，例如一个中国程序念它的英文名字，可能发音都会有问题。

李钟麒：我个人认为语音技术或许比较成熟，但用到代码上仍会存在问题。就个人而言，让模型做到语音交互，用语音写并不能带来特别好的场景。因为代码对上下文的要求也是比较高的，也存在一些技术难点。

AI编程工具若真加上语音功能，那可能需要配备较好的前端设备。同时，代码容错率会比语音要低。因此，我认为语音编程技术性价比不高，后续优化也需要考虑是否值得投入。

今生：攻克AI编程现阶段的难关

《开谈》: 在做AI编程工具的过程中，是否遇见过较难解决的问题？

李钟麒：第一，是场景上的问题。当函数生成的准确率推高时，上下文的感知能力会被削弱，这源于方案优化下导致的一些短板。同时，如何在生成信息的时候将信息都告诉AI模型，扩大它的视野。我觉得终极目标是AI编程工具能够代替大家写程序，目前存在非常大的挑战。

第二，是个性化的挑战。不同的产品线，会对应不同的公司，不同的产品，大家的写法也存在差异，大家都不希望有重复编码的情况出现。除此之外，还需要打消用户对安全性的顾虑。实际上，模型的推断是一定需要上下文输入的。在不知道上下文的时候，公有化的部署将其做成一个公共的模型，会存在很大的安全性挑战。

郝逸洋: 我认为难点一是：成本问题。因为目前的模型对计算资源的要求很高，在用户多元化的情况下，如果需要一直提供免费服务，其实并不是健康的商业模式。同时，在定制化的方面，每个企业都有自己的框架，如果面对一些敏感的行业（军工行业），采取公开的模型其实提供不了其他的帮助，定制化也会增加成本。

难点二是在企业内做私有化部署。许多企业都非常看重信息安全，企业内的代码是不愿意上传到我们的服务器上面。

《开谈》: AI编程在什么领域更容易推进？

郝逸洋: 我认为是互联网领域。大一点的互联网企业有自己的AI计算中心，也有自己的机器。即便他们显卡会千奇百怪，但我们可以想办法去适配它。如果没有，我们需要去走采购流程，就很麻烦。

李钟麒：我也认为互联网。主要还是互联网涉及需要做编码的用户群体更多，可以更好地推进。不过在互联网的公开领域，大家的能力其实都不错，只是定制化的部分，需要更多的数据支持。

《开谈》: 自GitHub Copilot推出以来，代码版权问题就没停止过。最近，GitHub Copilot先是被指责抄袭，后面又卷入律师诉讼，AI编程应该如何规避类似的风险问题呢？

郝逸洋: 对于“有风险”这件事，我认为它跟AI编程本质没有关系。例如：哪怕你让一个猴子来敲键盘，它也能敲出一个违反其他人的知识产权的代码，并非靠AI才能写出来，只是AI会把问题更加凸显，因为它是用公开的代码去学习后，记住写的模式再推荐给用户。即便没有AI，企业依然会面临这个问题，我们称之为开源代码溯源。

李钟麒：GitHub Copilot引起诉讼的原因，主要因为是用了一些不被允许使用或商用的代码。因此，我们在避免抄袭的时候，一般会在数据上做文章，例如不将代码放到模型里。首先，在源头上规避这个问题。随后，在生成的安全性上，可以在最开始的时候进行一些语料上的处理。之前Codex存在一些隐私泄漏的问题，显然就是没有进行预料的处理。

《开谈》: 假设使用AI编程工具出现了bug ，未来是否还会接着用？

李钟麒：有bug很正常的。实际上，现有的模型在数据方面的情况都大体趋于一致，在应用模型上也就31%的生成通过率。但是，这种问题能通过大量堆算力的方式来解决。

郝逸洋: 出现bug是较为常见的，关键是看如何处理。目前，论文中效果非常好的模型，都是通过生成很多个的办法，随后去排序和筛选，这种方式对成本是线性的提升，也能更好的满足用户。

《开谈》: AI编程工具可以提升效率，它和无代码、低代码技术，有什么相似和不同吗？

郝逸洋: 与低代码技术，更多的是不相似之处。因为低代码更多的是面向非程序员，例如产品经理、管理人员，他们可以通过其只定制一些办公柜流程。AI编程工具则是面向的是专业程序员，对准确率的要求很高，是无法脱离专业的程序员去审查和修改的。

李钟麒：写代码是需要逻辑性和创作性的事情，这与低代码的方式截然不同。低代码更多的是替代一些重复性的工作。使用AI编程工具能够把一些看似简单、重复的劳动抽象出来，以此在实现简单功能的基础上，完成一些定制化，这些对于低代码平台是比较困难的。