用AI找bug这件事，有人尝试过，结果翻车了。美国网站Yelp的程序员们试图让AI帮自己找bug，岂料AI却删库跑路，最后只能用回滚的办法挽回损失。
当然，这只是程序员开的一个玩笑。但是让AI找bug一直是程序员们美好的愿望。
育碧和Mozilla曾开发过一个AI，能从过去代码库的错误中学习找bug，并在今后提交新代码时标出可能的bug。
然而这些在程序员老司机面前都是渣渣，大神们往往一个眼神，就能直接定位到bug所在的位置。如果让AI直接向大神学习，岂不更快？
日本奈良先端科学技术大学院大学（名字有些长，下面简称NAIST）的研究人员真的做到了，他们把眼球追踪的研究用在软件开发领域，构建了一个基于模仿学习（IL）的框架，让智能体从程序员的眼部活动中学习找bug、打补丁、写注释。
以往的AI找bug方法是从文本特征中学习。而程序员独有的注意力策略可以节省程序理解和维护的时间。大神们会将注意力集中在程序的重要信息上，仅浏览源代码中的关键字。
NAIST的AI就是在软件开发中模仿程序员的视觉注意力。结合程序员眼睛注视的数据，智能体可以获得到过去难以学习到的注意力策略。
由于程序代码是文本序列，研究人员用自然语言处理的方法来设计智能体。这个智能体包括两个深度神经网络：
第一部分是一个RNN，用来对代码片段的全局上下文进行编码。第二部分是指定任务解码器，用上一步的编码数据来预测下一步的token。
代码片段和编程环境被当做一系列token或关键字，智能体被限制专注于模仿程序员视觉注意力的特定子标记，作为输入当前状态并输出所需的操作。
这种方法还需要大量的演示数据。研究人员建议使用生成对抗网络，让AI学习编程大神们的示范操作，而不仅仅是模仿。
总的来说，这种方法利用了模仿学习，让智能体从人类示范中收集相关复杂任务的知识。智能体由行为克隆（behavioral cloning）训练的模型表示。代码片段和编程环境被认为是一系列token或关键字，智能体被限制去关注模仿程序员注意到的特定代码，作为当前状态的输入，并输出所需的操作。
仅仅依靠眼部数据还不够，NAIST团队还建议用脑电图（EEG）读数视觉注意力的补充数据。如果这个模型在生产环境中使用，可以提高AI智能体在软件开发任务中的性能。
在论文的最后，研究人员说，即使没有语言描述，婴儿也能从父母的演示中学到了很多东西。他们或许是从婴儿行为获得的启发。看来AI也逃脱不了“复读机”的命运。
论文链接：https://arxiv.org/abs/1903.06320
“
