深度学习透过让机器大量的参与可以拥有归纳规则的能力，
设计模式中也只是透过大量遇到code常见的问题所归纳产生的解决方法。
换而言之，让软件大量观察程式码或许未来真的可以靠机器自己写软件？
人常说机器跟人差别的是创造的能力，
但事实上创造，多数情形下也是先透过学习不同的领域，
然后找出领域之中的可结合点，
创造出新的事物，
如果按照这个逻辑，
似乎机器学习写程式码是可行的。
记得以前练习过一个算法叫Quine，
就是用程式语言print出自己的原始码。
我相信这对机器学习来说写出这东西应该不是难事，
也就是说，让软件写出原始码可行性应该是极高的。
但我们无法掌控的地方却是，
如果机器可以自行产生程式码，
那么他会产生怎样的程式码？
他会创造出怎样的功能？
这似乎变成难以预测的结果。
如果有一天机器能产生原始码，
我想这后果似乎是比我们程式设计师失业还要来的恐怖吧。

能产生原始码跟能自己创造算法还有很大的距离

其实我倒是认为算法是整理归纳来的，而不是创造来的。白话一点就是透过观察、整理归纳后所产生的计算公式。

深度学习目前强项在"感知"，牵涉计算&逻辑几乎没进步让nn学语法很简单 学语义就不太行

mit有人在做

Alphago 的计算跟逻辑貌似蛮强的？

alphago的逻辑不是nn train出来的

那alphago的训练方式可以用来自动产生程式吗？

Alphago的训练方式是在有限的情况下(围棋棋盘)的方式去深度学习 而且深度学习的条件就是前人的棋谱简单来说就是写出现有的程式而且优化是可能的但是要能够理解题目给出对应的solution 这才是困难之处

深度学习有很多关于语义的研究唷～word2vec

人脑就那么小一块 功耗也普普 电脑复杂度赶上迟早而已

姑且不论word2vec到底算不算"深度学习"，它目前带来的效果远不及nn在视觉/语音上的影响再说了，在code上做word2vec？太钻牛角尖了吧

word2vec没有很深,但其实要多深才算deep也没人定义是nn,是不是dnn就见仁见智

说他不deep的原因除了它很shallow之外，它本质上做的是矩阵分解

未来一定有提供机器人 clip copy 用的网站系统也就是工程师分享语法片段，让开发者参考外

只问一个问题 他怎么知道他产出的code没有bug

所以会有智能学习测试程式

W2v只能算pretraining如果要说跟deep learning的关系的话

那一天一定会到来

在台湾除了研究院外用的到吗

一定有办法 只是时间问题

做的出来人类就灭亡了

机器学习的根本还停留在条件判断 只是有大量资料去改变input只要程式还是用if else写出来的 就不可能跟生物一样有思想 不确定性电脑要模拟人脑 硬件面都还差很远

机器学习可以不经提示下辨识图片，换言之就是抽象化的能力，也就是透过大量的实例能够让机器抽象化出该展现的是怎样的样貌。虽然距离人类抽象化能力还差很远，但是就原理上可行度很高。程式片段本身就是一个抽象化的展现，要把抽象化过的东西再做一次抽象难度自然是很高，有点类似要从图片辨识出哺乳类的能力吧。

现在图形辨识可以unsupervised?!

早就行啦 DW拉框框不就自己产生程式码?

人的思考说不定也只是比较复杂的if else(?

给楼上 不是

请楼上解惑>< 我的想法是每个人的行为不也是自己一生经验加上目前所有感官的接收 合并起来的结果吗~

基本上还远的很 在人类真的了解大脑运作原理之前 不可能

但有些人类科技的突破是靠直觉，但这部分如何产生似乎还是问号，这无法突破就难让电脑学习

deep learning