作者 | 原子武器果汁、褚杏娟
当前，Copilot 早已正式成为国内合作开发人员常见的远距基本操作。就像有的是合作开发人员赞扬称， “代码时，我希望阻碍最多。在这点，Copilot 给我提供了非常大的帮助。它减少了我可能花在网络上寻找软件系统的天数，而且它们在我最喜欢的 IDE 中屈艾。”Copilot 带来了很多便捷。
虽然人工智慧和智能化化很早就正式成为合作开发人员组织工作业务流程中的一部分了，但由 GitHub 和 OpenAI 合作开发的、如前所述云的人工智慧基本操作 Copilot 让大家真正感受到了“智能化”的力量。依照 Stack Overflow 最新发布的合作开发人员报告，Copilot 如今是最畅销的合作开发人员搜寻基本操作。那这样这款“里程碑式”的基本操作是如何打造出出的呢？
五个人的默默地研制
“他们相差无几就是个蝎子工厂（专指以绝密研究计划为主的项目），没有人晓得他们。”GitHub Copilot 创建人之一的Alex Graveley自述道，Copilot 是依照创业者原则，由两个小项目组在不到一年的天数里，在“非常不正常的 GitHub/MSFT 组织中”合作开发出的。在那个项目组里，合作开发人员只有 6 位，此外还有两个 PM 和两个 VP 主要负责登陆网页和工具栏方面的组织工作。
Alex 不确认具体是从甚么时候开始的，但彼时 OpenAI 和谷歌早已就DT计算公共设施达成一致了协定，想构筑两套大型体能训练软件产业。她们还在制定另外的合作协定，可能会把 AI 相关条文导入 Office 和 Bing。GitHub 当然也不值得一提，她们想试一试 AI 在合作开发江苏舜天队发挥甚么作用。
OpenAI 打算对数学模型做一点松动，非得不能用小数学模型更快地远距程式设计。甚么叫“小”数学模型？彼时不项目组里的人都不晓得该把规模控制在怎样的程度，但能确认的是决不搞得模块巨多、规模非常大。Alex 自述道，那个“小”数学模型还没有 Davinci 大。
OpenAI 的此基础数学模型就像个体能训练钻孔。她们想把标识符导入进去，看看自己的此基础数学模型会静观反应。“我觉得这对观念链造成了积极的负面影响。毕竟标识符逻辑推理具有明确的非线性，而 AI 数学模型应该比较适应环境这种两件件事做下去、前两件事对后两件事造成负面影响的应用场景。”Alex 表示。
但刚开始的效果并不理想，甚至可以说相当糟糕。毕竟这只是这款底层钻孔，又遇上了 GitHub 上的一小部分数据样本。彼时就只有 Alex 和另一位机器学习工程师 Albert Ziegler 在摆弄这套数学模型。他觉得虽然多数情况下都不起作用，但这套 AI 数学模型似乎正在积蓄力量。
最开始，她们投喂的数据只有 Python 标识符，想据此让它做出有用的输出。“他们啥也不懂，所以就先从简单处入手，投身去试。看看这样行不行，看看那样行不行。坦白讲，他们根本不晓得自己在干甚么。所以第一项任务就是多做测试，看它能做甚么。”
Alex 她们在内部众包整理出一大堆 Python 问题，这些都是肯定不会出现在体能训练集中的内容。之后她们开始挑选 repo 并设计测试，看看数学模型生成的函数到底能不能过关。基本过程就是要求数学模型生成相应函数，然后运行测试看给出的函数能否通过。
刚开始的通过率很低，大概是 10%的水平。之后项目组开始给数学模型更多的尝试，试着让它慢慢摸索出解决思路。在其他独立测试中，Alex 她们还会编写测试函数，然后试着让它填充函数体。如果可以过关，就证明它确实有效。在野外测试中，她们会下载两个 repo 并运行所有测试，而后查看通过了哪些测试、调用了哪些函数、能否正确生成函数体，再重新运行测试看是否顺利通过。最后，把结果记录下来再核算百分比。
可以想见，前期测试的通过百分比是相当相当低。因此，项目组开始把 GitHub 上的所有标识符都投喂给数学模型，还导入了其他一些新的、起步阶段根本没想到过的技巧。最终，它在野外测试中的通过率从不到 10%提升到了 60%以上。换言之，随便给它两项标识符生成测试，它基本就能通过其中一项。“这是个循序渐进的过程，从 10%到 20%，再到 35%和 45%，就这样慢慢提升。”
在探索过程中，项目组还尝试提高提示词的设计质量，在特定环节上对它做出引导。这套数学模型接触到的可是标识符的所有版本，而不只是最新版本，配合 diffs 让数学模型能理解不同版本间的微小区别。
“总之，它最后变得更快、更强。但至少在起步阶段，一切都只能从零开始，他们就像懵懵懂懂的孩子。唯一的想法就是，也许这东西终有一天能取代 Stack Overflow 以及其他合作开发组织工作流基本操作。”Alex 说道。
再前进一步
Copilot 的首个迭代版本只能算是一种内部基本操作，能帮人们编写一些简单测试。之后项目组开始试着生成常见的 UI。“毕竟刚开始它生成标识符的通过率只有 10%，而 UI 设计其实是个比较开放的问题，也许能回避 AI 能力不行的事实。如果成功那就太棒了。”
所以，接下来，项目组开始对数学模型做松动和测试。另外，她们又想让他实现 VS Code 扩展的功能，比如说标识符自动补全？彼时的 Alex 觉得这应该没有问题，而向自动补全的探索也代表着非常大飞跃的来临。“虽然终极目标仍然是替代 Stack Overflow，但起步阶段我完全想不出这一切要怎么实现，先在 VS 里实现点功能才是真的。”
“作为他们的一小步，自动补全功能实现了，而且有趣且有用。它会像其他自动补全功能一样弹出两个提示框，供大家选择其中的字符串。这种使用形式便捷且容易上手，很舒服。他们还试过其他一些功能交付方法，比如在空函数上添加两个小按钮，由它为合作开发人员快速生成；或者合作开发人员可以点击控制键，再从弹出的大列表中随意选择。总之，他们几乎试遍了自己能想到的所有 VS Code UI。” Alex 说道。
虽然一切暂时还处于起步阶段，但它提供的推荐列表可以说“日新月异”来形容。毕竟这时数学模型只接触过小部分样本，所以仅可作为技术爱好者和测试设计人员的玩具。项目组希望它能变得像 Gmail 的文本自动补全功能一样好用。
“我特别喜欢那款产品。那可是大语言数学模型的首次部署成果，速度很快、效果也很好。谷歌还专门发论文分享了具体技术细节和细节调整。他们就朝着那个方向努力，刚开始补全效果很不好，但却让人感觉它一直在朝正确的方向前进。就这样反复尝试和调整之后，终于拿出了一段小小的演示视频。” Alex 表示。
Alex 自述称，彼时项目组每天组织工作 12 小时，克服阻碍，忽略最佳实践。彼时只有 CEO、副总裁和项目组的人相信这件事，其他人比较质疑。
谷歌推向全球的努力
在发布通用版之前，Copilot 早已开放过公测，免费供大家使用，而且针对不同群体做了很多优化。比如经验丰富的程序员会怎么用，新人合作开发人员会怎么用，还有不同国家的地区的用户会有怎样的习惯和倾向。
Copilot 项目组收集了一大堆统计数据，并意识到速度在任何群体中都是最重要的指标。“他们发现延迟每增加 10 毫秒，就会有 1%的用户放弃这项功能。另外在新功能公合作开发布的头几个月，印度的使用完成率是最低的——不确认为甚么，但完成率确实明显低于欧洲。”
后来项目组发现，这是因为 OpenAI 只有一处数据中心，而且位于美国得克萨斯州。可以想见，如果数据需要从印度穿过欧洲和大西洋再最终抵达得克萨斯，那来来回回的延迟肯定令人抓狂。这就会导致提示节奏和输入节奏脱节，功能完成率必然会受负面影响。
在找到症结之后，项目组成员们也就释然了。而跟得州不远的用户们纷纷给出好评，比如有人会评论说，“我不会程式设计，但出于组织工作需要，我想了解怎么编写某个 100 行长的脚本。”事实证明，AI 数学模型特别擅长这种合作开发模式，而在找到模式之后，设计出的 UI 就能派上用场。
后面就迎来了项目组的“高光时刻”：发布成果，获得市场好评，然后尽快再更新和迭代。
“有客户表示，她们听说 Azure 打算在未来半年内全面承接 OpenAI，但她们等不及了，最好下个月就开放。”Alex 说道，项目组彼时就想办法满足这些要求，比如在欧洲和亚洲提供此基础公共设施，把 AI 数学模型拉近到西海岸、得克萨斯乃至欧洲所有用户身边。谷歌在这点投入了非常大努力，而在公共设施准备就绪并投入运行之后，Copilot 就这样正式跟大家见面了。
“没有 OpenAI 的天才和有原则的 VSCode 编辑人员，Copilot 是不可能的。”Alex 表示。
参考链接：
https://sarahguo.com/blog/alexgraveley
https://twitter.com/alexgraveley/status/1607897474965839872
