การออกแบบโปรแกรม Phenotropic

ฉันเพิ่งเจอความคิดที่ Jaron Lanier เรียกว่า "การเขียนโปรแกรมฟีโนโทรปิก"

แนวคิดคือการใช้อินเทอร์เฟซ 'พื้นผิว' แทนอินเทอร์เฟซจุดเดียวในโปรแกรมคอมพิวเตอร์ที่ใช้สถิติเพื่อกำจัดข้อผิดพลาดเล็ก ๆ น้อย ๆ ซึ่งโดยทั่วไปแล้วจะทำให้โปรแกรม "คลาสสิค" ผิดพลาดอย่างรุนแรง

คำอธิบายสองบรรทัดอยู่ที่นี่:

จากข้อมูลของ Jaron ความแตกต่างที่แท้จริงระหว่างความคิดในปัจจุบันของซอฟต์แวร์ซึ่งก็คือการปฏิบัติตามโปรโตคอลและความคิด [เขากำลังพูดถึงการจดจำรูปแบบเกี่ยวข้องกับข้อผิดพลาดที่เราสร้างขึ้น 'และถ้าเราไม่สวม หาวิธีคิดและสร้างซอฟต์แวร์ที่แตกต่างออกไปเราจะไม่เขียนโปรแกรมที่มีขนาดใหญ่กว่าโค้ดประมาณ 10 ล้านบรรทัดไม่ว่าตัวประมวลผลของเราจะรวดเร็วแค่ไหนก็ตาม

คำอธิบายอีกเล็กน้อยคือที่นี่ และคำอธิบายได้อีกต่อไปเป็นที่นี่

ดังนั้นคำถามเมื่อมองผ่านความหมายของหุ่นยนต์นเรศวรที่เห็นได้ชัดว่าผู้คนมักจะเลือกวิธีการที่จะออกแบบและเขียน "โปรแกรม phenotropic จริง ๆ " ได้อย่างไร

Lanier ได้คิดค้นคำศัพท์ 50 เซ็นต์ในความพยายามที่จะสร้างเครือข่ายความคิดเฉพาะที่อธิบายถึงแบบจำลองการคำนวณสำหรับการสร้างโปรแกรมคอมพิวเตอร์ที่มีลักษณะเฉพาะที่สามารถระบุตัวได้

คำว่า:

กลไกสำหรับการโต้ตอบส่วนประกอบที่ใช้การจดจำรูปแบบหรือการรับรู้เทียมในสถานที่ของการร้องขอฟังก์ชั่นหรือการส่งข้อความ

ความคิดส่วนใหญ่มาจากชีววิทยา ดวงตาของคุณเชื่อมต่อกับโลกไม่ใช่ผ่านฟังก์ชั่นเหมือนSee(byte[] coneData)แต่ผ่านพื้นผิวที่เรียกว่าเรตินา มันไม่ใช่ความแตกต่างเล็กน้อย คอมพิวเตอร์จะต้องสแกนไบต์ทั้งหมดทีละตัวในconeDataขณะที่สมองของคุณประมวลผลอินพุตทั้งหมดพร้อมกัน

Lanier อ้างว่าอินเทอร์เฟซหลังนั้นทนต่อความผิดพลาดได้มากกว่าซึ่งเป็น (บิตที่เลื่อนเพียงอันเดียวconeDataสามารถทำลายระบบทั้งหมด) เขาอ้างว่ามันช่วยให้การจับคู่รูปแบบและโฮสต์ของความสามารถอื่น ๆ ที่ปกติเป็นเรื่องยากสำหรับคอมพิวเตอร์ซึ่งมันทำ

กลไก "phenotropic" ที่เป็นแก่นสารในระบบคอมพิวเตอร์จะเป็นเครือข่ายประสาทเทียม (ANN) ใช้ "พื้นผิว" เป็นอินพุตแทนที่จะใช้อินเตอร์เฟสที่กำหนดไว้ มีเทคนิคอื่น ๆ เพื่อให้ได้การวัดการจดจำรูปแบบ แต่โครงข่ายประสาทเทียมนั้นเป็นวิธีที่สอดคล้องกับชีววิทยามากที่สุด การทำให้ ANN นั้นง่าย การทำให้มันทำงานที่คุณต้องการให้ทำงานได้อย่างน่าเชื่อถือนั้นเป็นเรื่องยากด้วยเหตุผลหลายประการ:

1. อินพุตและเอาต์พุต "พื้นผิว" มีลักษณะเป็นอย่างไร มีความเสถียรหรือมีขนาดแตกต่างกันตามเวลาหรือไม่
2. คุณจะทำให้โครงสร้างเครือข่ายถูกต้องได้อย่างไร
3. คุณฝึกเครือข่ายอย่างไร
4. คุณจะได้รับคุณลักษณะด้านประสิทธิภาพที่เพียงพอได้อย่างไร

หากคุณยินดีที่จะแยกส่วนกับชีววิทยาคุณสามารถแจกจ่ายแบบจำลองทางชีวภาพ (ซึ่งพยายามจำลองการทำงานของเซลล์ประสาทชีวภาพจริง) และสร้างเครือข่ายที่มีลักษณะคล้ายกันมากกับ "เซลล์ประสาท" ที่แท้จริงของระบบคอมพิวเตอร์ดิจิทัล (ตรรกะ ประตู) เครือข่ายเหล่านี้เรียกว่า Adaptive Logic Networks (ALN) วิธีที่พวกเขาทำงานคือการสร้างชุดของฟังก์ชั่นเชิงเส้นที่ประมาณเส้นโค้ง กระบวนการมีลักษณะดังนี้:

... โดยที่แกน X แสดงถึงอินพุตบางส่วนไปยัง ALN และแกน Y หมายถึงเอาต์พุตบางตัว ตอนนี้ลองนึกภาพจำนวนฟังก์ชันเชิงเส้นที่ขยายเพิ่มตามต้องการเพื่อปรับปรุงความแม่นยำและจินตนาการว่ากระบวนการที่เกิดขึ้นในมิติที่ไม่มีกฎเกณฑ์ดำเนินการกับประตูตรรกะแบบ AND และ OR ทั้งหมดและคุณมีความรู้สึกว่า ALN เป็นอย่างไร

ALN มีคุณสมบัติบางอย่างที่น่าสนใจมาก:

1. พวกเขาฝึกอบรมได้ค่อนข้างง่าย
2. พวกมันสามารถคาดเดาได้มากเช่นการเปลี่ยนแปลงเล็กน้อยของอินพุทไม่ก่อให้เกิดการแกว่งของเอาต์พุต
3. พวกมันเร็วฟ้าผ่าเพราะมันถูกสร้างขึ้นในรูปของต้นไม้ตรรกะและทำงานเหมือนกับการค้นหาแบบไบนารี่
4. สถาปัตยกรรมภายในของพวกเขาวิวัฒนาการตามธรรมชาติจากชุดฝึกอบรม

ดังนั้นโปรแกรม phenotropic จะออกมาเป็นแบบนี้ มันจะมี "พื้นผิว" สำหรับการป้อนข้อมูลสถาปัตยกรรมและพฤติกรรมที่สามารถคาดการณ์ได้และจะทนต่ออินพุตที่มีเสียงดัง

อ่านเพิ่มเติม
บทนำเกี่ยวกับเครือข่ายลอจิกแบบปรับได้พร้อมแอปพลิเคชันเพื่อตรวจสอบการประเมินความเสี่ยง
"Object Oriented" vs "Message Oriented" โดย Alan Kay

ฉันคิดว่าเรากำลังอยู่ในขั้นเริ่มต้นของหนึ่งในขั้นตอนที่จะต้องดำเนินการเพื่อไปที่นั่นและรวบรวมข้อมูลจำนวนมากในรูปแบบที่สามารถวิเคราะห์ได้ อินเทอร์เน็ต, การค้นหาของ Google, Fitbit (ทุกขั้นตอนที่คุณทำทุกที่ที่คุณทำฉันจะเฝ้าดูคุณ), FourSquare, ที่ตั้งทางภูมิศาสตร์ของสมาร์ทโฟน, โพสต์ Facebook และข้อมูลคำถาม SO ทั้งหมดจะถูกรวบรวม เราไม่ได้อยู่ใกล้กับปริมาณข้อมูลทางประสาทสัมผัสที่คนทั่วไปกำลังรวบรวมตลอดเวลา แต่เราเข้าใกล้

เริ่มจัดหมวดหมู่ภาพนกนับล้านและรับข้อเสนอแนะจากคนที่บอกคุณว่าไม่ใช่นกและคุณสามารถเริ่มสร้างอัลกอริทึมได้ จากนั้นจะมีการแสดงผลแบบฝอย (ฉันจะเรียกมันว่าแบบจำลอง แต่มันแม่นยำเกินไปสำหรับสิ่งที่เรากำลังพยายามเขียนโค้ด)

class Birdish

สุนัขสัตว์เลี้ยงรู้จักเจ้าของได้มากเพียงใด? เพราะมันดูเธอมาก สุนัขได้ฟังรถยนต์ที่ดึงเข้าไปในถนนรถแล่นและมีความสัมพันธ์กับเจ้าของที่เปิดประตูด้านหน้าซึ่งดูเหมือนว่าสุนัขสามารถรับรู้เสียงรถได้ เราสามารถทำสิ่งนี้ได้เช่นกัน แต่เราไม่เห็นเหตุผลที่จะเข้าร่วมในเรื่องนี้ และนั่นเป็นสิ่งที่ผิดปกติกับซอฟต์แวร์ปัจจุบันไม่สนใจว่าผู้ใช้กำลังทำอะไร มันแค่รอให้ผู้ใช้ทำในสิ่งที่ฝ่ายไอทีคาดหวังให้ผู้ใช้ทำ

บางสิ่งที่ง่ายเหมือนการตั้งนาฬิกาปลุกสามารถทำได้โดยการสังเกต / วิเคราะห์เล็กน้อยในนิสัยปัจจุบันของฉัน เราเลิกใช้การตั้งค่าตัวจับเวลา VCR ก่อนที่เทคโนโลยีจะถูกแทนที่ด้วยระบบดิจิตอล และนั่นจะเกิดขึ้นเร็วถ้าเราสามารถเชื่อมต่อ TV Guide กับ VCR ได้? ฉันได้ดูรายการทีวีเดียวกัน 4 สัปดาห์ติดต่อกัน แต่รายการที่ 5 ฉันไม่ได้เปิดทีวีด้วยซ้ำ เห็นได้ชัดว่าฉันต้องการมันบันทึก คุณไม่สามารถบอกได้ว่าฉันอยู่ดึกที่ทำงานเขียนโพสต์นี้และด้วยการเดินทางทั่วไปของฉันจะไม่ทำให้บ้านทันเวลา? คุณได้รับข้อมูลทำคณิตศาสตร์

รวบรวมข้อมูลมากขึ้นเรื่อย ๆ จากนั้นคุณสามารถหาวิธีที่ดีกว่าในการวิเคราะห์จดจำและซ่อนเร้น เรากำลังก้าวไปไกลกว่าสิ่งที่สามารถป้อนได้จากแป้นพิมพ์ด้วยกล้องโทรศัพท์ของเราและในไม่ช้ากล้องแบบตาแก้ว มันเป็นเพียงจุดเริ่มต้น

นี่คือชุดสไลด์สำหรับการกำหนดโปรแกรมน่าจะเป็นภาษาใน Scala

นี่เป็นตัวอย่างการใช้งานที่เหมาะสมเป็นครั้งแรกสำหรับส่วนประกอบหลักบางอย่างในระบบที่ Jaron Lanier เสนอ

ความคิดที่ฉันมีเมื่อเร็ว ๆ นี้:

หากคุณใช้ความคิดระดับสูงเช่นบางที Monad ของ Haskell เพื่อตัดการเรียกขั้นตอนระยะไกลไปยังระบบอื่น คุณส่งการร้องขอไปยังเซิร์ฟเวอร์ แต่ไม่มีอะไรกลับมา (เซิร์ฟเวอร์เสีย) หรือสัญญากลับมาอีกครั้ง (เซิร์ฟเวอร์ไม่ว่าง) และโปรแกรมของคุณยังคงทำงานต่อโดยไม่มีค่าเหล่านั้นหรือสัญญา นั่นเป็นลักษณะที่ Lanier มองหาการยอมรับความผิด

อาจมีวิธีการห่อหุ้มเหตุการณ์อื่น ๆ ตัวอย่างเช่นการโทรทางไกลซึ่งกลับมาพร้อมกับการประมาณที่ถูกปรับปรุงมากขึ้นเมื่อเวลาผ่านไปโดยการเจรจาพื้นหลังบางชนิด กล่าวคือ สิ่งที่กลับมาเป็นเหมือนสัญญา แต่ไม่ใช่แค่ "ยึดมั่นและทำงานกับสิ่งนี้และมูลค่าที่เหมาะสมจะปรากฏขึ้นในไม่ช้า" แต่ "จงยึดมั่นและทำงานกับสิ่งนี้และการประมาณที่ดีกว่า (และอีกครั้งและอีกครั้ง) สิ่งนี้จะสามารถซ่อนความผิดพลาดจำนวนมากจากโปรแกรมเมอร์เช่นเดียวกับโปรโตคอลเครือข่ายที่ซ่อนความล้มเหลวของเครือข่ายในระดับต่ำมากจากโปรแกรมเมอร์