微軟研究院首席研究員 Miltos Alamanis 與高級首席研究主管 Marc Brockschmidt，剛剛在一篇博客文章中介紹了他們新開發的 BugLabs 人工智慧。 顧名思義。 這是一套專門用於發現代碼中的錯誤，幫助開發者更精準、高效地調試其應用程式的 AI 解決方案。 而且它的開發過程，與創建生成對抗網路（GAN）的形式大致相同。

（來自：Microsoft Research Blog）

在《借助深度學習查找並修復錯誤》一文中，微軟研究員介紹了他們設置的兩個相互對抗的網路。 其中一個旨在將小錯誤引入代碼，另一個則旨在發現這些bug。

隨著深度學習訓練的持續推進，AI 的能力也變得愈加完善，最終成為了我們看到的這個特別擅長識別”隱藏在真是代碼中的 bug”的人工智慧。

這種方法的優點，在於全程無需自我監督或標記數據。 Miltos Allamanis 與 Marc Brockschmidt 在報告中提到：

理論上，我們可以將之廣泛地應用於『捉迷藏』遊戲 —— 教授機器去識別任務複雜的錯誤。 遺憾的是，這些 bug 通常超出了現代人工智慧方法的運用範圍。

有鑒於此，研究團隊決定更加專注於一組常見的錯誤 —— 包括不正確的比較（例如使用 <= 而不使用 < 或 > 符號、不適當的布爾運算符（與 / 或）、濫用變數（誤用 i 而不是 j）等。

系統測試期間，微軟研究員特別專注於 Python 代碼。 一旦檢測器通過了訓練，即可將它用於檢測和修復實際代碼中的bug 。

不過為了均衡性能，他們還是手動註釋了 Python Package Index 中包含的某些類型的小錯誤數據集。

最終與隨機錯誤插入等其它替代方案相比，其”hide-and-seek”訓練模型有高達三成的領先優勢，前景很是光明。

具體說來是，hide-and-seek 能夠自動找到並修復大約 26% 的錯誤，且其中包括了 19 個此前未知的真實開源 GitHub 代碼中的 bug 。

與此同時，現階段的 AI 模型仍存在許多誤報。 在投入實際運用之前，顯然還需要開展更多的改進。

最後，鑒於微軟已經成功地推動了 GitHub 上的 GPT-3 專案，預計 hide-and-seek 也將很快迎來商業化應用。