一段回复在底下：
“详细说说你会基于什么进行聚类？抽象语法树距离和执行轨迹已经涵盖了部分信息。你的观点听起来不错，但你该如何将其付诸实践呢？”
陈曦的回复总结起来就一个意思，你们输出的方案看似多，实际上都是一个方案，不过换了个表现形式罢了。
交好谷歌的媒体把AlphaCode吹成能生成真正理解题意、展开多种算法路线、再从中择优的编程选手。
内部人士很清楚，它的智能很大一部分来自采样规模和过滤机制。
纽约大学计算机系的戴维斯教授就批评过，这玩意本质上还是猴子打字机。
打的字够多，总能敲出莎士比亚。
过滤和选择缺乏真正的结构探索。
对谷歌不满的媒体，就会引用戴维斯教授的批评。
陈曦则在此基础上更进了一步，把这玩意真正的弱点给点了出来。
这建立在AlphaCode从未真正对外开放过。
DeepMind开源了训练和评估模型，发布了演示网站，外界能查看AlphaCode在具体编程问题上的生成解决方案、解释和可视化，却不能像使用 ChatGPT那样输入一个新问题，让系统实时生成代码。
不到两分钟，回复出现了。
“AST距离捕捉的是程序如何被写出来。
执行轨迹捕捉的是程序在采样输入上的行为。
我说的是稍微不同的东西：推断是哪一类反例生成器杀死了哪些候选程序。
如果两个程序需要同一种对抗性输入才会失败，那么即便它们的语法和普通执行轨迹不同，它们也属于同一个潜在解法家族。”
伊戈尔端着咖啡回到桌前，想了想，又问：
“这需要知道反例分布。在编程竞赛里，隐藏测试是不可见的。你怎么避免只是发明出一套带有自己偏差的基准测试？”
这次Lig
本章未完，请点击"下一页"继续阅读！ 第3页 / 共5页