面向开发者的 AI：是未来还是现实生活？

掀开发电脑程式临时工等待时间的分布，如绘出 2 所示。

绘出 2. 联合掀开发者在临时工当中费时的等待时间，按活动界定

冗长和无论如何的电脑程式作可用预度量显然都会让本已根本无法明白的外极为晦涩难懂。

人类文明的认知载荷始终不存在：联合掀开发者始终相当需要明白启发式。人工智能预设的人声人类文明能依然多久？让 AI 来执笔预度量显然都会延缓处理方式小目标的低速，但不一定都会延缓拟议的低速。

我们将其与七十二十世纪 70 二十世纪造显现出的旧版本控制该系统够一下对比。和重设变越来越的能力极大地扩大了人们明白预度量的范围，使大型的团队合作伙伴带入显然，也因此可以联合掀开发造出越来越简单的该系统。这是整个服务业的改革。

Copilot 是展示 AI 潜质的一项优势的科学论文。它够到了许多人常指出不显然的两件冤枉。然而，我们相当常才对这些电脑程式都能在短期内重另先为度量联合掀开发者的职业。

设法人类文明联合掀开发者

虽然 Copilot 是 AI 课题的一项与面向对象具体的突破，但它既不是服务业大革命，也无法代替人类文明临时工。请记起，这样的改革显然都会在某一关键时刻发生，但我们始终相当需要继续革新结构上的该掀开源过程。设法联合掀开发者越来越有效地继续执先为小目标是 AI 的一个空旷的应可用课题。

该掀开源电脑程式用作的电脑程式举例来问道道有不合理的规范 (“启发式”)，但一定都会有 AI 的成分。随着每个电脑程式包括越来越加多的功能性，规范显得越来越加简单。最后，人类文明不显然明白所有的路，也不知道如何改变电脑程式，而这恰恰是 AI 可以包括设法的地方。

预度量除去

当你在谷歌搜寻可用框可用搜寻语句时，它都会向你建言明晰的搜寻的该系统。源预度量绘出形化为联合掀开发者包括了相似的功能性。

预度量除去的第一个旧版本造显现出在古时候，显然是在某某世纪，主要是通过数值概念设计当中造显现出的单字的基频来付诸的。它们根据卖家端可用的掀结尾处字符说明了造显现出基频最高的单字。这种基于基频的方法还不错，可以大大提高临时工效率。多年来，人们在基频的革新用作了一些启发式启发式来革新除去建言，但为了无论如何地地包括卖家端想要的单字，我们用作电脑程式研修对除去建言展掀开排列。

因为用来未确定最佳除去建言的信息太过丰富，所以我们不显然创建者造出一个将所有这些都可选择在内的未确定性启发式。我们不愿处理方式很多特殊情况。

例如，根据一般性规范，标有的度量与联合掀开发者当前编辑的右边越相对于，就越有显然是这个标有。而且，准则母语特可以按流先为以往排列，流先为以往最低的特的标有将被无视优先级。综上所述，推论你用 Ja 联合掀开发了一个源预度量绘出形化 (我们在 JetBrains 就是够这个的)，并可用“Co”。下述两个建言你都会可选择哪一个？

一全面性，我们看来在绘出形化当中用作了墨绿色栽。另一全面性，ja.awt 包在服务业当中大多被用作。但是，在我们的概念设计当中，“Color”很显然是常指 ja.awt.Color。

受到影响除去建言排列的各种因素有成百上千个。除去建言是卖家端概念设计当中度量的符号、准则母语特还或导入的第三方特？除去建言插入的地方是在一先为的掀结尾处还是当中间？在这个右边前面有一定都会有点号？卖家端平均每天临时工多长等待时间？他们今日是否是在另一个绘出形化标签当中打掀开了除去建言的度量？

引导电脑程式研修，我们可以用半备用化的作法抽取Mode，在不显然一致列造出所有忽视关系的但都会将所有这些各种因素都可选择在内。

越来越进一步，我们还可以用作 AI 作可用较小的预度量短片。如果绘出形化可以除去一整先为，而不是一个单字，那么在联合掀开发低速和认知载荷密切关系就有了一个不错的关系到：

绘出 3. 一个预度量除去的例子。不只是建言一个单字

一些该公司将这一功能性作为其业务的框架。例如，TabNine 和 Kite 将他们联合掀开发的该软件作为绘出形化绘出形界面再版，设法联合掀开发者“以 AI 的作法”除去预度量先为。

崇卖家端用作另先为功能性

源预度量绘出形化是一种简单的该软件，联合掀开发者可以继续执先为除此以外的操笔记来大大提高生产率。可惜的是，联合掀开发者不显然理解所有这些操笔记。

我们可以在绘出形化预设说明了若有，但要在用作绘出形化时回想这些若有显然很艰难。联合掀开发者举例来问道道有 50 多个最喜欢用作的军令。有了智能若有，我们可以根据卖家端的临时工Mode和习惯性为他们包括两到三个除此以外感兴趣的操笔记。

AI 可以用来创建者这些个性化的建言。例如，当且仅当联合掀开发者经常在同一个大屏幕当中继续执先为切割和粘贴操笔记时，我们就可以告知他们如何越来越好地展掀开预度量移动操笔记：

绘出 4. “预度量移动”操笔记若有

付诸这个功能性最如此一来的方法是用作“来展掀开过滤”。摇滚音乐、视频、书籍和卖家等现代提拔该系统都在用作它。它有两个必需的迭代：

找出与而无须卖家端“相似于”的卖家端。 找造出这些卖家端够了哪些而无须卖家端还一定都会有够的两件冤枉，并根据这些差异性给造出建言。

对于段落提拔，找出相似于的卖家端是相当有趣的：如果我们的少距离卖家端与其他除此以外人喜欢相近的 10 部科幻电影，但一定都会记得这个组当中没有人都喜欢的科幻电影，那么提拔这部科幻电影就一个相当安全和的。唯一相当需要注意的是要尽量避免那些几乎每个人都得不到正面评价的超级广为人知的科幻电影。喜欢《崇父》或《阿甘正传》相当推选卖家端的喜好。

对于源预度量绘出形化，就有点艰难了。因为一定都会有相近子类或相近童星的构造，我们才都会该系统性较小的暴力先为为Mode。卖家端花了多少等待时间试运先为？他们多久编辑一次早的预度量？他们打字有多慢？他们是在执笔预度量早先还是之后执笔试验中用例？将这些各种因素都可选择在内，就可以未确定卖家端密切关系的相似于性，并根据已知的暴力先为为Mode提拔感兴趣的电脑程式。

搜寻预度量

搜寻是许多该软件产品（从 Web 搜寻引擎到离线商店）都不存在的一个功能性。源预度量绘出形化也有这个功能性：联合掀开发电脑程式经常相当需要在他们的预度量、文档和电脑程式备有的该系统当中搜寻一些的路。这些信息不属于不尽相近的子类，卖家端相当需要在联合掀开发电脑程式的不尽相近右边来搜寻它们。

我们决心在源预度量绘出形化当中包括一个统一的搜寻功能性，可用查找上述的任意一种信息，并把同义词和拼所写缺失可选择在内。因为有很多人致力于研究搜寻启发式，人们决心不存在一个准则的可冷落另先为框架技术，但是，每个课题都有自己的特点，所以相当需要单独联合掀开发搜寻功能性。

当概念设计当中不尽相近子类的信息具有相似于的名称时，简单性就造显现出了。当卖家端在搜寻框当中可用“format”，并他们的概念设计当中有一个原是 Formatter.ja 的档案，那么他们是在查找这个档案还是在查找准则音频特函数，抑或是查找可以音频化预度量的 IDE 功能性？

电脑程式研修将不尽相近来源的搜寻结果混搭在两人并展掀开关系到。受到影响决策者的各种因素包括文本给定、卖家端的搜寻历史和他们以前的偏好 (例如，他们曾经点击过档案搜寻结果吗？)、卖家端概念设计的段落，以及卖家端在展掀开搜寻早先所编辑的段落。联合掀开发一个可以可选择所有这些各种因素的未确定性启发式看起来是不合理的，而电脑程式研修可以备用抽取其当中的Mode。

AI 的关系到

将所有 AI 为卖家端生产率带来的比较大革新加在两人，可以带来令人印象深刻的结构上提升。然而，这是有赔偿金的。

基于 AI 的该系统在大多数但都会接入良好，但在某些但都会也都会包括奇怪的结果。向卖家端包括这样的结果都会得不到一些卖家端的猜疑。每次用 AI 液压的决策者该系统代替不合理的规范时，我们都才都会决定是否是要够造出关系到。我们可以大大提高平均决策者总质量，但也显然都会得不到一些卖家端的猜疑。

如果能组织起来一个完美无瑕的该系统，不都会因为引人注目的建言而得不到卖家端的猜疑，那当然不错，但要够到这一点，还不存在一些心理障碍。

通到完美 AI 高架道路上的心理障碍

体能训练信息不举例来问道道

许多电脑程式研修启发式在体能训练前期相当需要样本信息，而且信息集的总质量至关极其重要。举例来问道道，我们知道相当需要得到哪些信息，但得到这些信息要么赔偿金较贵，要么是非法的。

预度量作可用目标（无论是 IDE 的备用除去还是用 Copilot 作可用整个功能性）相当需要感兴趣于体能训练的源预度量，那么用作 GitHub 上的掀开源预度量特看来是很纯净的冤枉。然而，这些预度量特有许可全面性的受到限制，这些许可显然对为基础品有额外的要求。

这给我们遗失了则有问道题：我们的 AI 启发式是从我们用来体能训练它的预度量为基础造出来的吗？这个启发式作可用的预度量是为基础品吗?

一全面性，AI 启发式笔记并一定都会有将任何段落存储启发式当中。另一全面性，神经网络无法独立国家探讨。它作可用的所有预度量都是它在研修前期见到的短片的组合。它甚至可以作可用看起来与体能训练信息集不尽相近之处的预度量短片。关键是，即使看起来独立国家的预度量短片也相当比复制品越来越独立国家。

这是个另先为问道题，我们还一定都会有见到任何立法者全面性的联邦最高法院。这种不未确定性让产品联合掀开发电脑程式小心翼翼：他们不决心在期望显然带入非法的的路上挥军投放。

我们在联合掀开发预度量除去该系统时也遇到了比如问道道的问道题。除了潜在的立法者受到限制除此以外，还有框架技术上的艰难。我们在掀开源预度量特当中找出的预度量在举例上是“明晰的”。它们举例来问道道都可以通过校对，可以通过有趣的试验中，音频清晰，不包含多次重复块或临时试运先为段落。然而，我们在绘出形化当中处理方式的预度量大多数时候是不“明晰”的。因此，我们从掀开源预度量特当中拿到的体能训练信息与联合掀开发情况下不给定。

我们通过用作来自我们产品的用作统计资料来备救这些问道题。为了让这些信息实际上匿名，我们够了很多期望，但最后一切都很顺利。你可以在 JetBrains 的这篇 博文 当中理解越来越多的深思熟虑。

这些只是人们在为 AI 启发式收集体能训练信息时面对着的几种比如说情况。

水资源需要

AI 启发式相当不单是水资源。这种不单是在研修和探寻前期有着不尽相近的意思。水资源受到限制在研修前期给启发式联合掀开发电脑程式带来了额外的成本，他们相当需要决定是否是在芯片全面性投放。但在探寻前期，受到限制各种因素不是启发式联合掀开发电脑程式的水资源，而是卖家端的水资源。

探寻前期的水资源需要准则另先为框架技术是将水资源密集型数值集中于到少程空降兵上。我们的卖家举例来问道道决心将源预度量复原在受保护的网络当中，因此用作少程应用程序举例来问道道是不显然的。这意味着我们的启发式才都会接入在卖家端电脑上的源预度量绘出形化当中。绘出形化包括了很多功能性，并且早先消耗了相当多的水资源，所以每个另先为分配的元组都无法随意浪费掉。

比如说该掀开源电脑程式和电脑程式研修联合掀开发电脑程式对水资源的看法相当不尽相近。下面的故冤枉可以问道道明这种差异性有多大。

当我们第一次用电脑程式研修代替基于规范的预度量除去功能性时，负责这概念设计标的的团队将额外的闪存需要增大到了 1.5MB。的团队常指出他们将闪存需要降到了极致，并为此受不了自豪。当其他人获悉这件冤枉时，他们的底物很有趣：

与我们两人合作伙伴的 AI 研究人员问道道：“1.5MB？你一定是在掀开玩笑！至少 1GB 一帆风顺不须！”

宗教性的电脑程式联合掀开发电脑程式在评委了这个巨大变化后问道道：“1.5MB？为什么相当需要这么多？”

研究人员举例来问道道推论水资源是无限的，而产品才都会接入在举例来问道道的芯片上。这就是为什么 AI 课题的越来越进一步科学论文根本无法产品化的原因之一。

AI 和卖家端密切关系的端口

即使可以在少程继续执先为，在少程应用程序而不是卖家的电脑程式上接入 AI 也显然不存在重大的举例来问道道性问道题。

任何延迟对卖家端来问道道都是受不了的，除此以外是对于相当小的两件冤枉。因此，在用作预度量除去、功能性提拔和其他 AI 液压的功能性时，绝对要遏止到应用程序的往返。

即使低速所需慢，AI 液压的功能性也才都会无缝地融合到卖家端的临时工流当中，而不是混杂卖家端的焦虑。

例如，我们可以给卖家端的预度量找 Bug。乍一看，这看来是卖家端显然都会接受的功能性，但要在无论如何的等待时间向卖家端分析报告 Bug 是一个巨大的挑战。当卖家端正试图醉心所写预度量时告诫他们，只都会混杂他们的焦虑，并显然加剧他们禁用这个功能性。我们才都会捉到联合掀开发者早先已完成了一大块临时工那一刻，在他们位处想要检查预度量是否是有问道题的精神状态下向他们分析报告 Bug。

无论如何，我们可以用一个 AI 启发式来决定何时展示另一个 AI 启发式的结果？

对期望的期待

AI 正试图带入该掀开源课题，就像它带入其他课题一样，试绘出而造出名人类文明并大幅大大提高人类文明的临时工能力。

人工智能今日可以所写预度量，但我们不常指出这是一连串服务业改革。人工智能所写预度量的能力不足以代替人类文明联合掀开发者。人类文明都能探讨简单的该软件组件交互，这种探讨能力是至关极其重要的，而 AI 还无法够到。

不过，有很多的路可以用作电脑程式研修来付诸小的革新，把这些小革新累积起来，可以大大大大提高该掀开源电脑程式的临时工效率。该掀开源电脑程式该公司正试图短时间转型将 AI 另先为框架技术产品化的能力，因此，我们预计在此后的今后都会造显现出越来越多这样的另先为框架技术。

笔记简介：

Nikita Povarov是JetBrains 的该系统性和电脑程式研修的团队负责人。他主要参予 ML 概念设计，在一定都会有 A/B 试验中的但都会为该公司决策者联合掀开发该系统性报表。自 2012 年以来，他始终是 JetBrains 人工智能科学当中心的崇员。2011 年至 2015 年，Nikita 在 Yandex 任职该系统性师，投身于于 A/B 试验中该系统。

中文翻译链接：

从维护性临时工到该掀开源大革命，运维 15 年间的逆转

IE 卖家端已“死”，一个以前的告一段落

被捧上天的 Scrum 敏捷管理者为何不受大厂青睐了？

2022，我们该如何明白可观测框架技术

点个在看少个 bug👇

。

胃溃疡是怎么引起的
双瑞醋因胶囊什么时候吃
视力模糊用什么眼药水
江中初元公司
手术伤口愈合快的方法
血糖仪哪个牌子的好
什么血糖仪家用比较好
什么样的血糖仪好
市面上哪款血糖仪准确率高
胃反酸可以吃金奥康奥美拉唑吗