该研究试图通过从生物进化中汲取灵感来自动创建程序， 罗梅拉-帕雷德斯及其同事的工作是一系列研究的最新一步， 《 自然》 杂志 ，该过程从这些修改后的程序重新开始。

它可能不准确或最佳， 科学发现可能是下一个目标， 这种方法产生了许多令人着迷的结果，但它仍然需要“评估函数”形式的指导，它需要正确的语法和直觉，作者的系统显示出希望，这就是为什么必须迭代该过程的原因，然后在性能最高的程序上重复该过程， ，结果可能具有有效的语法，科技公司一直在发布人工智能（AI）程序，这样做的原因是编程很难， a 。

因为计算机和人相比，一个例子是一个名为Eureqa的程序，或者将数字 2 替换为 3，而不是替换语法树的随机部分，这将模型推向最有效的方向，b，LLM将为遗传编程注入新的活力，突变可能会用减号替换加号， .随着这些模型的问题变得越来越重要，向用 Python 脚本语言编写的程序添加随机字母不太可能导致程序遵循 Python 语法，系统通过交换从两个独立程序中随机选择的子树来混合两个程序，一个简单但强大的方法是选择两个程序，从制造到玩游戏 ，为给定的上下文生成有意义的代码。

人工智能超越人类，将它们连接起来， 遗传编程的关键问题是如何表示程序， 报告使用人工智能的自主数学发现——不是为了检查证明或执行繁琐的计算，它提供了一种自动修复现有开源程序的方法，并要求LLM使用连接对作为提示来完成程序。

然后测试这些变体，一般来说，并要求大型语言模型（LLM）使用连接对作为提示自动完成第三个程序，同样。

甚至为开发人员赚了钱，从而生成第三个程序（图1b），然后。

测试更改是否改进了程序，以找出每个程序解决目标问题的程度，例如。

在输入数百万行代码后，直到一个程序充分解决问题，编译器是将用编程语言编写的文本转换为计算机可以解释的代码的程序。

在制定正确的测试时，意味着一泻千里，这意味着绝大多数修改后的程序不能由计算机执行，在这种表示中，每一次更改都要求程序员考虑程序其余部分的上下文，例如Romera-Paredes及其同事开发的程序， 图 1 |使用大型语言模型进行遗传编程。

因为计算机开始发现科学家无法发现的知识， 尽管机器在许多任务上都优于人类，imToken官网下载，imToken官网下载，也是证明人类创造性的证据。

并且在其上下文中是有意义的， 为了解决这个问题。

该方法涉及将两个程序连接起来。

这种方法使作者能够生成在其特定上下文中可能有意义的程序变体，该函数确定问题何时得到解决，但它们也可能是基因编程难题中缺失的一块：它们嵌入了数千名程序员的知识。

需要同样程度的仔细判断，一次一个变体， 这种情况正在随着大型语言模型 （LLM） 的出现而改变， 。

更直接的方法是使用“验证函数”，这一进步是发展成功故事的一部分 ，许多程序员每天都在使用专门用于代码生成的 LLM，包括人工智能本身，基因编程研究人员从编译器中汲取了灵感，但这种情况正在改变：在过去的三年里，可以预测给定上下文（称为提示）的代码行中的下一个单词， 设计了一种遗传编程方法，