Фенотропний дизайн програми

Нещодавно я натрапив на ідею, яку висунув Джарон Ланьє, під назвою "фенотропне програмування".

Ідея полягає у використанні «поверхневих» інтерфейсів замість одноточкових інтерфейсів у комп’ютерних програмах, що використовують статистику, щоб визначити незначні помилки, які, як правило, спричиняють катастрофічний збій «класичної» програми.

Опис двох рядків тут:

За словами Джарона, "реальна різниця між поточною ідеєю програмного забезпечення, яка полягає в дотриманні протоколу, і ідеєю [він] обговорює, розпізнавання шаблонів, пов'язана з видами помилок, які ми створюємо", і якщо "ми не будемо "Ми не знайдемо іншого способу мислення та створення програмного забезпечення. Ми не будемо писати програми, що перевищують приблизно 10 мільйонів рядків коду, незалежно від того, наскільки швидкими стають наші процесори".

Трохи довше пояснення тут . І ще довше пояснення тут .

Отже, питання, оглядаючи очевидні конотації роботів-надмірників, які люди, як правило, вибирають, як би насправді створити та написати "фенотропну програму"?

Ланьє винайшов 50-відсоткове слово, намагаючись викласти мережу навколо певного набору ідей, що описують обчислювальну модель створення комп'ютерних програм, що мають певні ідентифікуючі характеристики.

Слово означає:

Механізм взаємодії компонентів, який використовує розпізнавання образів або штучне пізнання замість виклику функції або передачі повідомлення.

Ідея здебільшого походить з біології. Ваше око взаємодіє зі світом не через функцію, як See(byte[] coneData), а через поверхню, яку називають сітківкою. Це не тривіальна відмінність; комп'ютер повинен сканувати всі байти coneDataодин за одним, тоді як ваш мозок обробляє всі ці входи одночасно.

Ланьє стверджує, що останній інтерфейс є більш стійким до несправностей, яким він є (один ковзаючий біт coneDataможе зламати всю систему). Він стверджує, що це дозволяє узгоджувати візерунки та безліч інших можливостей, які, як правило, важкі для комп'ютерів, що це робить.

Найважливішим "фенотропним" механізмом в комп'ютерній системі була б Штучна нейронна мережа (ANN). Він займає "поверхню" як вхідний, а не визначений інтерфейс. Існують і інші методи досягнення певної міри розпізнавання візерунків, але нейронна мережа є найбільш тісно узгодженою з біологією. Зробити ANN дуже просто; змусити його виконати завдання, яке ви хочете надійно виконати, з кількох причин важко:

1. Як виглядають вхідні та вихідні "поверхні"? Чи стабільні вони, чи змінюються вони за розмірами з часом?
2. Як правильно зрозуміти структуру мережі?
3. Як ви тренуєте мережу?
4. Як ви отримуєте адекватні характеристики продуктивності?

Якщо ви готові розлучитися з біологією, ви можете відмовитися від біологічної моделі (яка намагається моделювати дію фактичних біологічних нейронів) і побудувати мережу, більш тісно пов'язану з фактичними «нейронами» цифрової комп'ютерної системи (логіка ворота). Ці мережі називаються адаптивними логічними мережами (ALN). Спосіб їх роботи полягає у створенні ряду лінійних функцій, які наближають криву. Процес виглядає приблизно так:

... де вісь X являє деякий вхід до ALN, а вісь Y являє деякий вихід. Тепер уявіть собі кількість лінійних функцій, що розширюються в міру необхідності для підвищення точності, і уявіть, що процес, що відбувається через n довільних розмірів, повністю реалізований з логічними воротами AND і OR, і ви маєте певне відчуття, як виглядає ALN.

ALN мають певні, дуже цікаві характеристики:

1. Вони досить легко навчаються,
2. Вони дуже передбачувані, тобто незначні зміни вхідних даних не призводять до диких коливань у виході,
3. Вони блискавлять швидко, тому що вони побудовані у формі логічного дерева і діють так само, як двійковий пошук.
4. Їх внутрішня архітектура розвивається природно в результаті навчального набору

Так фенотропна програма виглядала б приблизно так; вона мала б "поверхню" для введення, передбачувану архітектуру та поведінку, і вона була б толерантною до галасливих входів.

Подальше читання
Вступ до адаптивних логічних мереж із застосуванням для аудиту оцінки ризиків
"Об'єктно-орієнтований" проти "Повідомлення орієнтований", Алан Кей

Я думаю, що ми перебуваємо на самому початку одного з кроків, які він зробить, щоб потрапити туди, і це збирання багатьох даних у форматах, які можна проаналізувати. Інтернет, пошук Google, Fitbit (кожен крок, який ви робите, кожен крок, який ви робите, я буду спостерігати за вами.), FourSquare, географічне розташування смарт-телефону, публікації у Facebook та ТАК дані запитань. Ми не там, де поруч із сенсорними даними середній чоловік збирається протягом життя, але ми наближаємось.

Почніть класифікувати мільйони фотографій птахів і отримувати відгуки від людей, які говорять вам, що це не птах, і ви можете почати створювати алгоритм. Звідти може бути створене нечітке враження (я б назвав це моделлю, але це занадто точно для того, що ми намагаємося кодувати.).

class Birdish

Як домашня собака так багато знає про господаря? Тому що він її багато спостерігає. Собака прислухалася до автомобілів, що тягнуться на проїжджу частину, і співвідносивши це з тим, що власник, який відкриває вхідні двері, як видається, як собака, може розпізнати машину за своїм звуком. Ми також могли це зробити, але не бачимо причин брати участь у цьому. І це не так у поточному програмному забезпеченні, воно не звертає уваги на те, що робить користувач. Він просто чекає, коли користувач зробить те, що ІТ розраховує на користувача.

Щось таке просто, як встановлення будильника, можна зробити за допомогою невеликого спостереження / аналізу моїх поточних звичок. Ми відмовилися від налаштування таймерів відеомагнітофона до того, як технологія була замінена цифровою. І чи трапилось би це так швидко, якби ми могли зв’язати телевізійний путівник із відеомагнітофоном? Я дивився один і той же телевізійний показ 4 тижні поспіль одночасно, але 5-го, я навіть телевізор не вмикав. Очевидно, я хочу, щоб це було записано. Хіба ви не можете сказати, що я затримуюсь на роботі, пишучи цей пост, і з моїм типовим маршрутом не повернуться додому? Ви отримали дані, зробіть математику.

Збирайте все більше і більше даних, і тоді ви можете придумати кращі способи їх аналізу, розпізнавання та приховування. Ми виходимо за рамки того, що можна вводити лише з клавіатури з нашими телефонними камерами та незабаром окулярами зі скла. Це лише початок.

Ось набір слайдів для визначення ймовірнісної мови програмування у Scala .

Це перший пристойний приклад реалізації деяких основних компонентів системи, який пропонує Джарон Ланьє.

Думка, яку я нещодавно:

Якщо ви використовували ідеї високого рівня, такі як Haskell’s Maybe Monad, щоб передати дзвінки з віддаленою процедурою в інші системи. Ви надсилаєте запит на сервер. Але нічого не повертається (сервер зламаний). Або повертається Обіцянка (сервер зайнятий), і ваші програми продовжують працювати з тими значеннями None або Обіцяними. Це на кшталт того, як Ланір шукає відмовостійкість.

Можливо, є способи інкапсуляції інших можливостей. Наприклад, віддалені дзвінки, які повертаються з наближенням, яке з часом все більше вдосконалюється за допомогою якогось фонового узгодження. тобто. те, що повертається, є чимось на кшталт Обіцянки, але не просто "продовжуйте працювати і працювати з цим, і належне значення незабаром з'явиться", але "продовжуйте працювати і працювати з цим, і краще наближення незабаром з'явиться". (І знову, і знову). Це могло б приховати багато помилок у програміста так само, як мережеві протоколи приховують від програміста багато недоліків у мережі.