论智能化编程的起源，可以追溯到集成开发环境（IDE ）的辅助提示功能。只不过，传统 IDE 的智能化辅助功能比较简单，一般是基于开发人员的输入和已有项目代码, 即时预测待补全代码中的类名、方法名和代码片段等, 并提供建议列表。

而现在所说的智能化编程，在深度学习技术的影响下，跟以前已经大不一样，甚至已经有本质的区别。

华为云 Dev AI Lab Leader、智能化研发算法技术专家马宇驰认为：“GitHub Copilot 问世的 2021 年，是真正的智能化编程出现的元年。在此之前的代码补全，也就相当于输入法的联想功能。”

华为云 Dev AI Lab Leader、智能化研发算法技术专家 马宇驰

GitHub Copilot 由 GitHub 和 OpenAI 开发，其底层技术采用了 Codex 模型——该模型经过了百亿级代码（包括 GitHub 上的公共存储库）的训练。GitHub Copilot 的特别之处在于，它不仅仅是一个代码自动补全工具。与大多数代码辅助工具相比，它可以理解更多上下文。无论是文档、注释、函数名，还是代码本身，GitHub Copilot 都会基于开发者提供的上下文来合成匹配的代码。开发者可通过 GitHub Copilot 在编辑器中获取有关整行代码或完整函数的建议。

Copilot 的进化速度非常惊人。2021 年 6 月，Copilot 刚发布时，其做题准确率是 28.8%，当时业界最高也只能达到 11%。今年 3 月，接入了 GPT-4 的 Copilot X 做题准确率已经达到了 67%。

“不基于大模型的 AI 编程助手，其编程能力非常差。在我们看来，它甚至不属于智能化的范畴。” 马宇驰表示。Copilot 的横空出世给了马宇驰及其团队不少启发。于是在 2021 年底，华为将研发工具 CodeArts 与盘古大模型相结合，开发了智能编程助手 CodeArts Snap。

据了解， CodeArts Snap 训练了 760 亿行精选代码，8500 万开源代码仓，1300 余万篇技术文档，具备智能生成、智能问答、智能协同三大核心功能，可以实现一句对话让代码生成、一次点击即可自动注释和生成测试用例，一条指令即可智能部署。

当前 CodeArts Snap 已经积累了不少用户，并且收获了诸多反馈。马宇驰表示，未来，CodeArts Snap 将持续演进，不断提升智能化编程能力。他曾提到，在当前阶段而言，从模型优化和工程优化的角度来看，“基于大模型的代码生成”还面临八大关键技术挑战。这也是 CodeArts Snap 未来演进的方向。

一是中文友好的代码生成。目前诸多大模型的预训练语料数据都是以英文为主，中文语料占比仅为 3% 至 5%。在 IDE 中采用对话式交互时，中文的表现要远远逊色于英文。如何在语料有限的情况下，在保障模型性能的条件下，增强中文语义的理解能力，满足利用中文/英文描述同等的代码生成能力，是当前一大关注点。

二是 Prompt 优化与交互式 Input 改进。大模型一大特性就是，在交互时描述越精准， Prompt 写得越好，生成的内容质量就越好。如何在用户意图表达不那么明确的情况下，也能判断用户输入的任务描述完整性和合理性，并通过交互明确意图，提高代码生成准确率很是关键。

三是集成学习探索。当前大模型动辄就是百亿级、千亿级、万亿级参数，要把如此大规模的数据“吃下去”，推断成本非常高。因此，能否结合预训练模型，在满足推断准确率的情况下，利用参数量更小的模型达到更大规模模型的推断效果，达到提升推断效率的目的呢？

四是体验评估与优化。构建客观且贴近真实工程的评估指标/手段，能够更好地帮助行业良性发展。

五是模型在线学习。用户的数据反馈对于模型能力的提升非常有帮助。在保护用户隐私的前提下，基于用户的显式和隐式反馈对在线的大模型进行微调，实现在线模型实时更新，都是业内要探讨的问题。

六是低成本 SFT。如何实现各种研发场景的训练/验证数据集快速低成本建设，以及模型的训练及自动验证部署也很关键。

七是后处理。后处理对于提升模型在实际应用场景的效果非常关键。根据项目上下文，检查和修复所生成代码的编译运行错误；结合单元测试，修复生成程序中的逻辑性错误。虽然解决的都是小问题、小错误，但是能让整个代码的生成质量更上一层楼。尤其是未来，将会有更多大模型将同步生成代码和生成测试，两两匹配，在闭环中提升代码整体质量。在这种情况下，后处理对于大模型整体能力的提升非常有帮助。

八是模型轻量化。模型轻量化的重要性毋庸置疑，它关系着成本、效率、性能和用户体验。在保证精度不过多下降的前提下，采用轻量化模型支撑端测算力实现模型推断，也很值得关注。