本文經AI新媒體量子位（公衆號ID:QbitAI）授權轉載，轉載請聯繫出處。
一行一行地敲代碼就像是徒手搬磚，聰明的程序猿們表示：我們要解放生產力！
比如像這樣：
在機器學習的時代，AI智能補全代碼早已不是夢想，各種IDE和插件都在努力幫助程序猿減少擊鍵次數，延長鍵盤壽命（霧。
有位來自斯里蘭卡的程序猿也加入了關愛鍵盤協會，他嘗試用簡單的深度學習模型來實現自動補全Python代碼這個目標，效果意外的不錯。該項目現已開源！
簡單的模型也強大
抱着實驗的心態，在這個項目中，斯里蘭卡小哥用到的只是一個簡單的LSTM（Long Short-Term Memory）模型。
用來進行預測的算法是集束搜索（beam search)，這是一種啓發式圖搜索算法。在進行每一步深度擴展時，集束搜索僅保留一些質量較高的節點，減少空間消耗，提高時間效率。採用集束搜索算法最多可以實現10個字符的預測。
而投餵給模型的數據是標記化的Python代碼，這些代碼裏的註釋、字符串和空行事先清理掉了。
訓練效果是這樣的：
綠色的字母就是自動補全開始的位置，按下TAB鍵選擇補全，高亮標註爲灰色的部分就是AI補充的代碼。
小哥表示，如此簡單的模型下，使用深度學習來自動補全Python代碼，仍可以減少30-50%的擊鍵次數，真的是surprise！
在GitHub上，小哥提供了一個Python的解析器，而只要寫一個其他語言的解析器，這個方案完全可以推廣到其他語言上，實現Java自動補全，C自動補全等等。
使用方法
想要親測一下效果？
沒問題，只需五步，你就可以訓練自己的自動補全模型。
1、安裝進行機器學習的實驗環境（lab，地址見文末）。
2、將數據複製到 ./data/source。
3、運行 extract_code.py 來收集所有的python文件，編碼並將其合併到 all.py。
4、運行 evaluate.py 對模型進行評估。
5、運行 train.py 訓練模型。
仍需成長
方法簡單，效果還挺好，聽上去這個項目很有潛力啊。不過理想很豐滿，現實還是有點骨感的。這個新生的AI還是面臨着許多成長挑戰的。
挑戰一：效率太低
首先是它的性能尚未能滿足實際使用的需要。由於編輯集成器的限制，集束搜索算法效率低下，有等它補全代碼的時間，手動都可以敲好幾行代碼了。
對此斯里蘭卡小哥表示，下一步他們會嘗試用不同的架構來提高推理性能，也歡迎大家向他們分享想法和建議。
挑戰二：前輩強大
Reddit網友們還指出，用機器學習來補全代碼這個想法早已有比較成功的實現方案，比如獲得了Trith Ventures投資的Kite。
全球有超過3萬名Python開發人員使用Kite，它被譽爲當前最好用的Python自動補全工具。不僅能補全代碼，Kite還能幫你跳過文檔瞭解到別人是如何實時使用函數的，同時，它也能提供你的自定義代碼庫裏的定義和用法。
連Python之父都忍不住爲Kite點贊：這可真夠酷的。
比起Kite這位前輩，小哥的這個項目還是非常稚嫩的，不過Kite並沒有開源，其作爲補充使用的雲引擎也引起了有關安全性的質疑，有網友表示：
要是在工作上用了Kite，貴公司的法務部門怕不是要瘋。
此外，還有網友好奇AI跟Pycharm比起來又如何？畢竟Pycharm的自動補全就已經挺好用了。
傳送門
Github：https://github.com/vpj/python_autocomplete
Lab：https://github.com/vpj/lab