DeepMind，以其在人工智能领域的发展而闻名 并构建能够在人类水平上玩电脑和棋盘游戏的神经网络，最近公布 AlphaCode 项目 它描述了如何 用于代码生成的机器学习系统 您可以参加 Codeforces 平台上的编程比赛并展示平均成绩。
提到该项目 使用“Transformer”神经网络架构 结合其他采样和过滤方法，生成与自然语言文本对应的各种不可预知的代码变体。
方法 它是如何工作的 字母代码 是基于过滤、分组和排序，然后从生成的选项流中选择最佳的工作代码，然后检查以确保获得正确的结果（在比赛的每个任务中，一个例子输入数据和对应的结果）到这个例子，应该在程序执行后得到）。
我们详细介绍了 AlphaCode，它使用基于转换器的语言模型以前所未有的规模生成代码，然后智能地过滤掉一小部分有前途的程序。
我们使用 Codeforces 上举办的比赛来验证我们的表现，Codeforces 是一个流行的平台，定期举办比赛，吸引来自世界各地的成千上万的参赛者来测试他们的编码技能。 我们选择了 10 个最近的比赛进行评估，每一个都比我们的训练数据更新。 AlphaCode 与一般竞争对手大致持平，标志着 AI 代码生成系统首次在编程比赛中达到具有竞争力的性能水平。
用于近似系统训练 机器学习， 强调使用了公共 GitHub 存储库中可用的基本代码. 在准备好初始模型后，基于一组代码进行了优化阶段，其中包含向 Codeforces、CodeChef、HackerEarth、AtCoder 和 Aizu 竞赛的参与者提供的问题和解决方案示例。
总共，对于 AlphaCode 的形成 使用了 715 GB 的 GitHub 代码 以及超过一百万个竞赛典型问题的解决方案示例。 在进行代码生成之前，任务的文本经历了一个规范化阶段，其中所有多余的都被排除在外，只剩下重要的部分。
为了测试该系统，在完成机器学习模型的训练后，选择了 10 场新的 Codeforces 竞赛，参与者超过 5.000 人。
我可以肯定地说，AlphaCode 的结果超出了我的预期。 我持怀疑态度，因为即使在简单的竞争问题中，通常不仅需要实现算法，而且（这是最难的部分）发明它。 AlphaCode 设法达到了一个有前途的新竞争对手的水平。 我迫不及待地想看看会发生什么！
迈克·米尔扎亚诺夫
CODEFORCES 创始人
允许的分配结果 供 AlphaCode 系统输入 大约在这些比赛资格的中间 (54,3%)。 AlphaCode 的预测总分为 1238 分，保证在过去 28 个月内至少参加过一次比赛的所有 Codeforces 参与者中进入前 6%。
应该注意的是，该项目仍处于开发的初始阶段，未来计划提高生成代码的质量，以及开发 AlphaСode 以帮助编写代码的系统，或没有编程技能的人可以使用的应用程序开发工具。
最后 如果您有兴趣了解更多有关它的信息，您应该知道，一个关键的开发功能是能够以 Python 或 C++ 生成代码，将问题的英文陈述作为文本输入。
您可以查看详细信息 在下面的链接中。