通過訓練，機器或能勝任一般性的編程任務，部分程序員會因此進化成爲工具操作員。
機器智能的技術理想是，在智力上接近普通人。因爲人的直覺和創造力難以模仿，所以需要經過反覆的訓練和調試才能夠接近這個理想。
機器如何訓練？
>>> 機器直接閱讀學習源代碼。
智能的關鍵在於學習和演算。因此，機器必需要進行某種形式的學習，並擁有一個演算的戰場。下面幾點在必要時都需要演算的支持。
- 模擬執行。 要求在執行中能判斷變量可能的取值範圍。
- 工具類的功能描述。如 List, Stack, Set, Map, Collection...方法傳入什麼樣的數據？屬性值的前後差異？返回什麼樣的數據？機器可嘗試在模擬執行中總結這些功能。必要時人工撰寫功能描述。
- 樹的概念和使用。比如遍歷、打印、查找葉結點、判斷結點間的關係……讓機器閱讀這些代碼，以至領會。同時我們也提供給機器能夠生成類似功能的組件，並引導其對組件進行組裝和自我驗證，所生成的算法其初始價值爲零，隨着複用次數的增加，價值不斷提升。
- 機器需要懂一點算術和方程知識。能發現在變化過程中不同屬性間的，有規律的算術關係。
- 機器需要懂一點不等式和集合知識。……樹、算術、不等式、集合這些都是智能所需的的基本概念。關於算術和不等式，可參照項目：http://mathy.xyz/ ；雖然求解複雜的方程和不等式並非智能的關鍵，但是對事物之間的數學或邏輯關係做出洞察是智能的必須。
- 代碼塊的功能描述。描述可以是遞歸的。傳入什麼數據？執行什麼動作？已有變量發生了何種變化？生成了什麼數據？必要時由人來撰寫一些功能特徵。……功能特徵的描述近於主謂賓式的邏輯，必要時人工撰寫各種類來表達相應的邏輯，並且要支持窮舉。
- 演算的方法有：等價替換、關係替換、反事實分析、迴避非預期的條件，等等。在代碼塊中，算法可嘗試各種可能的動作，分析相應的功能特徵。最終的特徵數量要儘可能地少，儘可能屬於因果性質的關鍵特徵。當因果難以獲取時，通過訓練來積累經驗是理所當然。
- 很多情況下，必須通過人工來引導機器的學習過程。主要表現爲：在某種情況下應當重點關注哪些特徵。
>>> 閱讀理解了大量的源代碼後，機器可以開始嘗試撰寫不太複雜的算法。
- 藉助工具從海量的函數庫中查找算法：find function from library by "in/out demo"。 舉例：http://mathy.xyz/tool/findFun.htm
- 藉助強大的findBug來發現代碼中的潛在異常。舉例 ：http://mathy.xyz/tool/findBug.html
- 根據輸入參數和功能驗證函數，交由機器生成普通算法。但功能驗證函數有時候是難以表達的。
- 正確的算法常常來自於對問題代碼的，反覆的拼接組合和修正。在這個過程中，機器必然需要去了解：什麼樣的代碼是有問題的？這也因此促進了 findBug工具的實現。
- 邏輯優化。窮舉10個布爾變量組成的【與或非邏輯式】對機器來說似乎不難，故能夠優化之。更抽象的邏輯優化也是同理。或者藉助於訓練，以非數學的方式讓機器學習邏輯優化的技巧。
- 只有人才能夠優化算法。比如，機器學會了選擇排序，但人卻能夠把它優化成快速排序。這是因爲：優化常常要用到難以描述的抽象方法或直覺性很強的創造性思路，除非能夠有效窮舉各種方案或存在相應的套路。
- 只有人才能夠創造新算法。這一點不必擔心，因爲多數公司對新算法沒有什麼需求。
- 小算法的複用率太低。99%的小算法在本質上業已存在。但因爲複用率低，導致我們經常是“不斷重複地再造”着算法。因此我們需要更好的算法查找技術，以及對相似算法的改造技術。如何判斷相似性？如何進行改造？暫無思路。
- 複雜的大算法在使用上有難度。這是個難題。不議。
—— 2020-05, 上海