Lanier ha inventato una parola da 50 cent in un tentativo di creare una rete attorno a una serie specifica di idee che descrivono un modello di calcolo per la creazione di programmi per computer con determinate caratteristiche identificabili.
La parola significa:
A mechanism for component interaction that uses pattern recognition or
artificial cognition in place of function invocation or message
passing.
L'idea viene in gran parte dalla biologia. Il tuo occhio si interfaccia con il mondo, non tramite una funzione come See(byte[] coneData)
, ma attraverso una superficie chiamata retina. Non è una distinzione banale; un computer deve analizzare tutti i byte in coneData
uno per uno, mentre il tuo cervello elabora tutti questi input simultaneamente.
Lanieraffermachequest'ultimainterfacciaèpiùtolleranteaiguasti,cheè(unsingolobitscivolatoinconeData
puòromperel'interosistema).Affermadiabilitarelacorrispondenzadeipatterneunaseriedialtrefunzionalitàchesononormalmentedifficilipericomputer,cosachefa.
Ilmeccanismoquintessenziale"fenotropico" in un sistema informatico sarebbe la Rete neurale artificiale (ANN). Prende una "superficie" come input, piuttosto che un'interfaccia definita. Esistono altre tecniche per raggiungere una certa misura del riconoscimento dei pattern, ma la rete neuronale è quella maggiormente allineata con la biologia. Fare una RNA è facile; far sì che esegua l'attività che si desidera eseguire in modo affidabile è difficile, per una serie di motivi:
- Che aspetto hanno le "superfici" di input e output? Sono stabili o variano di dimensioni nel tempo?
- Come si ottiene la struttura di rete giusta?
- Come si allena la rete?
- Come si ottengono le caratteristiche di prestazione adeguate?
Se sei disposto a separarti dalla biologia, puoi fare a meno del modello biologico (che tenta di simulare l'operazione di effettivi neuroni biologici) e costruire una rete che sia più strettamente alleata con i "neuroni" reali di un computer digitale sistema (porte logiche). Queste reti sono chiamate Adaptive Logic Networks (ALN). Il loro modo di lavorare è creare una serie di funzioni lineari che approssimano una curva. Il processo ha un aspetto simile al seguente:
...dovel'asseXrappresentauninputperl'ALNel'asseYrappresentaunoutput.Oraimmaginailnumerodifunzionilinearichesiespandonocomenecessariopermigliorarelaprecisioneeimmaginacheilprocessosiverifichisundimensioniarbitrarie,implementatointeramenteconportelogicheANDeOR,ehaiun'ideadicomesiaunALN.
GliALNhannodeterminatecaratteristichemoltointeressanti:
- Sonoabbastanzafacilmenteaddestrabili,
- Sonomoltoprevedibili,cioèlievimodifichenell'inputnonproduconooscillazionispontaneenell'output,
- Sonovelocissimi,perchésonocostruitisottoformadiunalberologicoefunzionanomoltocomeunaricercabinaria.
- Laloroarchitetturainternasievolvenaturalmentecomeconseguenzadelsetdiallenamento
Quindiunprogrammafenotropicosarebbesimileaquesto;avrebbeuna"superficie" per l'input, un'architettura e un comportamento prevedibili e sarebbe tollerante per gli input rumorosi.
Ulteriori letture
Un Introduzione alle reti logiche adattive
Con un'applicazione a
Audit Risk Assessment
"Object Oriented" vs "Message Oriented", di Alan Kay