Lanier đã phát minh ra một từ 50 xu trong nỗ lực tạo ra một mạng lưới xung quanh một tập hợp ý tưởng cụ thể mô tả một mô hình tính toán để tạo ra các chương trình máy tính có một số đặc điểm nhận dạng nhất định.
Từ có nghĩa là:
Một cơ chế cho sự tương tác thành phần sử dụng nhận dạng mẫu hoặc nhận thức nhân tạo thay cho việc gọi hàm hoặc truyền thông điệp.
Ý tưởng chủ yếu đến từ sinh học. Mắt của bạn giao tiếp với thế giới, không phải thông qua một chức năng như See(byte[] coneData)
, mà thông qua một bề mặt gọi là võng mạc. Đó không phải là một sự phân biệt tầm thường; một máy tính phải quét từng byte coneData
một, trong khi não của bạn xử lý đồng thời tất cả các đầu vào đó.
Lanier tuyên bố rằng giao diện sau có khả năng chịu lỗi cao hơn (một bit bị trượt trong coneData
có thể phá vỡ toàn bộ hệ thống). Ông tuyên bố rằng nó cho phép khớp mẫu và một loạt các khả năng khác thường gây khó khăn cho máy tính.
Cơ chế "phenotropic" tinh túy trong một hệ thống máy tính sẽ là Mạng nơ ron nhân tạo (ANN). Nó lấy một "bề mặt" làm đầu vào, thay vì Giao diện được xác định. Có các kỹ thuật khác để đạt được một số biện pháp nhận dạng mẫu, nhưng mạng lưới thần kinh là một trong những liên kết chặt chẽ nhất với sinh học. Làm ANN thật dễ dàng; khiến nó thực hiện nhiệm vụ mà bạn muốn nó thực hiện một cách đáng tin cậy là rất khó, vì một số lý do:
- "Bề mặt" đầu vào và đầu ra trông như thế nào? Chúng có ổn định không, hay chúng có kích thước khác nhau theo thời gian?
- Làm thế nào để bạn có được cấu trúc mạng phải không?
- Làm thế nào để bạn đào tạo mạng?
- Làm thế nào để bạn có được đặc điểm hiệu suất đầy đủ?
Nếu bạn sẵn sàng tham gia sinh học, bạn có thể phân phối với mô hình sinh học (cố gắng mô phỏng hoạt động của các nơ-ron sinh học thực tế) và xây dựng một mạng lưới liên kết chặt chẽ hơn với các "nơ-ron" thực tế của hệ thống máy tính kỹ thuật số (logic cổng). Các mạng này được gọi là Mạng logic thích ứng (ALN). Cách họ làm việc là bằng cách tạo ra một loạt các hàm tuyến tính gần đúng một đường cong. Quá trình này trông giống như thế này:
... Trong đó trục X đại diện cho một số đầu vào cho ALN và trục Y đại diện cho một số đầu ra. Bây giờ hãy tưởng tượng số lượng các hàm tuyến tính mở rộng khi cần thiết để cải thiện độ chính xác và tưởng tượng rằng quá trình xảy ra trên n kích thước tùy ý, được thực hiện hoàn toàn với các cổng logic AND và OR và bạn có cảm giác về ALN trông như thế nào.
ALN có những đặc điểm nhất định, rất thú vị:
- Họ khá dễ dàng để đào tạo,
- Chúng rất dễ đoán, tức là những thay đổi nhỏ trong đầu vào không tạo ra sự dao động mạnh trong đầu ra,
- Chúng nhanh như chớp, vì chúng được xây dựng theo hình dạng của cây logic và hoạt động giống như tìm kiếm nhị phân.
- Kiến trúc bên trong của họ phát triển tự nhiên là kết quả của tập huấn luyện
Vì vậy, một chương trình phenotropic sẽ trông giống như thế này; nó sẽ có một "bề mặt" cho đầu vào, một kiến trúc và hành vi có thể dự đoán được và nó sẽ chịu được các đầu vào ồn ào.
Đọc thêm
Giới thiệu về Mạng logic thích ứng với ứng dụng Đánh giá rủi ro kiểm toán
"Hướng đối tượng" so với "Định hướng thông điệp" của Alan Kay
phenotropic program
?