成熟的AI应该自己写代码，IBM发布5亿行代码数据集，包含55种语言｜开源

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

在ImageNet频频出现在计算机视觉研究的今天，IBM也为智能编码（AI for Code）带来了它的专属数据集——CodeNet。

1400万个编成熟程项目，5亿行代码，超过55种的不同编码语言。研究人员希望这一数据集能为编码自动化领域（比如大型项目代码的调试、维护和迁移）带来便利。

△下载链接见文末

独一无二的数据基础

CodeNet的数据基础来自两个OJ（Online Judge）的A平台AIZU和AtCoder所提交的实例。

△大声告诉我世界上最好的语言是什么？

在这种在线编程平台上提交的解决方案，除了大规模的代码数据之外，还有许多高质量的元数据（Metadata）和注释。

比如对于OJ平台的问题，就有如I应问题描述、内存限制、问题难度等信息。

用户提交的案例也一样：

而在平台自动审查机制下，提交的解决方案的不同状态同样也可以作为重要参考数据。

CodeNet能做什么？

基准测试

当在CodeNet-1K（C++ 1000基准）与最大的公该自开数据集之一GCJ-297上训练相同的MISIM模型，并在第三个独立的数据集POJ-104上测试这两个训练好的模型时：

△模型在CodeNet-1K上训练时的POJ-104测试分数比在GCJ-297上的高12%

这表明了CodeNet己写-1K拥有更好的泛化能力。

而分别使用MLP、CNN、C-BERT、GNN在CodeNet的几个基准上进行了代码分类、代码相似性评估和代码完成等实验后，大多数任务都获得了90%以上的准确率。

实际应用

基于不同编程语言间的规则，将几段代代码码转换成其他语言，对AI来说并非难事。

但如果是上千上万行，甚至是一个大型项目，其代码语义就会涉及到上下文，而上下文又可能牵扯到多个代码库。在这样的复杂语境下的语言翻译可是个不小的挑战。

在以前，通常先由机器完成程序50%~，I60%的迁移，涉及复杂规则的部分再由人力负责，非常棘手且费事费力。

可就在不久前，IBM通过基于CodeNet的AI for Code成功将一位大型汽车客户的持续代码迁移过程（多代Java技术开发的3500个Java文件，超一百万行BM代码），从一年缩短到了四星期。

因为在CodeNet的数据基础中，90%以上的问题的描述、输入格式说明、输出格式说明，以及50%以上的提交代码的输入和输出样本，就是确定不同语言间的代码等价与否的关键。

这就极大地推动了代码翻发布译的强化学习技术。

而大量于内存限制、执行时间、错误类型的元数据，也可以用来标记源代码中的潜在缺陷，并进一步训练开发代码优化系统。

CodeNet数据集提供了一套利于理解和使用的技术，在协助广大开发者和研究者开发算法，推进AI编码5亿的同时，也为企业开启IT现代化带来了持续不断的商业价值。

技术上如何实现

在统计数据时，研究者们组织所有数据成为一个严格的目录结构：最上层是Project CodeNet目录，下方的子目录分别为：

*数据

细分为每个问题中源码、脚行代本语言。

*元数据

存放所有问题的problem_list.csv文件和提交案例的csv文件。

*问题描述

存放问题的HTML文件，包含文本的广泛描述。

然后使用命令行工具或像ls和grep这样的应用程序来提取，对csv文件可使用cs码数vkit组件（如csvstat）。

对于数据集则采用bash脚本进行访问选择：

△脚本已给出。

最后通过标记器产生标记流、AST生成解析到抽象语法树、构建数据流图以分析代码，最终将代码样本转换为可被AI算法识别和使用的表现形式：

△处据集理过程所用到的工具。

编程自动化的未来

IBM的研究者们还在不断地改进和开发CodeNet，期望它能够加速AI编程的算法进步。

而随着机器学习领域的不断发展，不仅是代码的“实现”，连“设计”也开始向计算机一侧倾靠（比如GAN通过对抗学，包习寻找最优解）。

未来真的可以像DNA的自我编辑那样，实现完全的自动编程吗？

建议先封装几个人类程序员，来帮计算机完成算法第一步的“精确描述问题需求”。