小C自制的爬虫是有一套默认的方案选择逻辑的。
具体使用通用网络爬虫，还是聚焦网络爬虫、增量式网络爬虫等等，还有一些搜索模式的选取，会根据所给定的要求进行选择，一般情况下还是可以保证正常输出结果的。
在某搜索引擎被广告占据第一页搜索结果的情况下，偶尔使用一下爬虫，感觉还是可以的。
不过，距离真正的自动编程，这个还差的远。
但是随着积分的投入，相信也不会太远。
苏航又摆弄了几下电脑，突然想起一件重要的事。
这东西有什么用？
你要什么程序，只要描述妥当，小C基本就能自动生成出来，包括结果。
那还要它输出一段代码做什么用啊？
比如找出最值，它都已经能识别出最值来了，我还要它把是被最值的代码生成出来，我这不是闲得慌吗？
苏航看着电脑上那几个G的文件夹，里面全是小C训练用过的编程代码，这有什么用？
编程本就是为了让计算机明白要什么解决问题，并且自动解决它。
程序员只是把这个问题“翻译”成了机器能够听懂的语言而已。
最终的结果就是，机器听懂了人类的问题，并解决了问题，把结果用人类能够看懂的形式表现出来。
而现在呢？
小C听懂了苏航要做什么，然后它成功地解决了这个问题，并把这个结果用一个编程语言描述出来，然后再把这个编程语言“翻译”成人类的自然语言。
苏航就得到了一个编程语言的答案和一个自然语言的答案。
然后呢？
问题是原本就要自然语言答案就够了啊，我还要这个代码做什么用？
苏航静坐在书桌前。
为什么要生成一段代码出来？
要说有用，那自然是有用，起码苏航在做一些编程项目的时候就可以让小C替代一部分代码编辑。
而且，这部分代码可以光明正大拿出去，而不是得把小C也交出去，来证明自己的数据没错。
很多时候，当论文涉及一些代码运算的时候都会要求附上代码，用以验证论文的真实性、数据的可靠性。
苏航可以用小C简化自己的编程工作嘛，也算是不错。
想到这里苏航轻松了一点，但是还是有一种穿雨衣、撑雨伞——多此一举的感觉。
其实这要再往下挖，那就是可以说是“强”人工智能了，或者说，这本来就是一个“强”人工智能的方向：让机器理解人类的自然语言，并作出反馈。
目前人工智能在图像识别上已经接近人类的水平，但是在语音识别和自然语言识别上还是有一段距离。
比如，某个支付软件里的“形色识花”，还有一些类似的图片软件，都可以像人类一样识别图片。
但是在自然语言识别这一块就不同了，人工智能常常变成“人工智障”。
比如，“小X同学，打开微信，给‘青色的岩’发消息，说我已经把推荐票全投给你了。”
“好的，我将给青色的岩发消息：说我已经把推荐票全投给你了。”
喏，自然语言变化太多，而且很多日常用语会不遵循语法规则，像什么“使动用法”、“名词作动词”等等。
人工智能表示它太难了，除非是使用者正常的、按照语法规则来描述他要做的事情，目前的人工智能才能正确识别。
但是也仅仅是自动识别而已。
比如，“小X，打开qi’dian，搜索‘学习使我富裕’。”
“已为您打开qi’dian。”
然后就没了，没了。
这样一来就显得非常的多此一举，我要这“智障”有何用？
类似的例子太多，这里就不一一列举了。
至于自动编程，也是机器识别自然语言的一个方面。
这个问题其实可以描述为一个关于输入和输出的转化问题，即通过一段代码实现输入字段对输出字段的转化，也就是学术上的“归纳程序综合”问题。
对于这一问题，很多前沿科研人员也有不同的想法。
有的人觉得，我不需要知道它到底是怎么做的，只需要把不同代码都试一试，让最后的结果符合输出字段就行了。
当然这里的都试一试不是随机组合，而是指不断学习转化规则，最终实现正常输出。
这一想法对于具体的代码要求不多，注重于转化规则和输出结果。
也有一些人认为，要让机器码农像人类程序员一样把解决问题的过程形成代码片段。
给定一些代码片段，然后利用深度学习来生成一个符合要求的模型。
这两种方法，苏航说不上谁对谁错，因为目前国际上并没有一个真正意义上成功的自动编程软件。
最最优秀的也只是MATLAB中的Simulink模型自动生成代码，这一块已经可以说是非常厉害了。
而其它的尝试还只是停留于纸面，或者实验室。
小主，这个章节后面还有哦，请点击下一页继续阅读，后面更精彩！