Programming is Compression

業(yè)務需求會不斷扔各種案例過來，這樣的情況下，應該怎樣怎樣。編程的過程就是把各種各樣的具體case進行壓縮表達的過程。除了需求，各種 bug report 也是輸入。

首先我們來看一下目標函數(shù)的問題

靜態(tài)壓縮 v.s. 泛化能力

Static Compression v.s. Generalization Ability

static compression 的目標：給定所有的當前需求，最小化整體的實現(xiàn)代碼量。方法就是能復用就復用，不能簡單的復用的，創(chuàng)造條件也要強行復用。

generalization ability 的目標：給定過去的需求，進行合理的預測，最小化遷移到未來可能的新需求的成本。其實現(xiàn)手段就是保持代碼整潔，有結(jié)構(gòu)。但是問題在于什么叫“有結(jié)構(gòu)”很難學習。相反，最小化整體的實現(xiàn)代碼量是一個更容易銷售，也更容易學習的目標。

《業(yè)務邏輯拆分模式》所描述的“主板+插件”的結(jié)構(gòu)，就是給“有結(jié)構(gòu)”提供一個易于學習的目標函數(shù)。在給定如下條件的前提下：

• 主板不反向依賴插件

• 插件之間不互相編譯期依賴，運行時依賴必須通過主板開 SPI 來實現(xiàn)數(shù)據(jù)互通

• 實現(xiàn)了業(yè)務的需求

• 用戶體驗的一致性

這些條件都滿足之后，讓“主板的代碼行數(shù)”越少，就是越好。

這里“合理的預測”似乎和不要預先設(shè)計是矛盾的。然而所有的“泛化”都是某種預測。整潔有結(jié)構(gòu)的代碼“賭”的是什么呢？賭的就是新需求大概率是 localized 的。

規(guī)律性 v.s. 特異性

Regularity v.s. Specificity

壓縮的前提是對象本身具有內(nèi)在的規(guī)律性。壓縮的過程就是把規(guī)律性的部分和特異性的部分分離出來。這個也就體現(xiàn)在了各種“中臺”，“低代碼”，“DSL”的說辭之中，所謂一部分人搞定 80%，剩下的領(lǐng)域?qū)＜遥ㄒ簿褪翘幚硖禺愋缘娜耍┤ジ愣ㄌ禺愋缘?20%。

然而這里的前提是處理 20% 的人要先知道之前的工序做了哪部分的 80%，才能知道自己要做哪 20%。wetware 相比 hardware 就是自然進化的速度太慢，千兆網(wǎng)，萬兆網(wǎng)，升級速度杠杠的。但是人與人的溝通還是要靠非常低效率的文字理解和聲波通信。

無論這 20% 怎么補齊，是 DSL 傳參也好，是給生成的代碼打個補丁也好。只要代碼量比較大，和那 80% 部分的溝通就會越多。除非需求內(nèi)在的 Regularity 非常強，可以用極其少量的參數(shù)組合已有功能來表達新需求，否則大概率寫這 20% 代碼的人會非常痛苦。這也是為什么“低代碼”無法流行的根本原因。

機器學習

一部分人處理 Regularity，一部分人處理 Specificity：這就是所謂“中臺”，“低代碼”，“DSL”。核心是 specificity 部分要足夠小，才能彌補溝通成本。

人類來提供 Regularity，機器處理 Specificity：一開始是 logical programming，人類要提供非常多的 regularity。后來是 probabilistic programming，人類需要提供 generating function 來編碼專家經(jīng)驗到概率分布里。到后來 deep neural network，人類需要用 convolution filter 來用所謂 inductive bias 的方式 encourage 神經(jīng)網(wǎng)絡往某個方向?qū)W習

hinton 提出的 capsule network 的理想就是能把人類提供的 inductive bias 最小化，只提供

• recursive：這個世界是層次化組織的，迭代的

• part-whole：一個child僅從屬于一個parent

然后來機器去自監(jiān)督學習到剩余的部分。但是要把“這個世界是層次化組織的”這樣的 regularity 表達出來是及其困難的。

• CNN 本身是一層堆一層的，但是其學習到的特征并非如人所愿那么層次化。CNN堆了96層，也未必就能確定96層的 part-whole 就是足夠了的。

• Autoencoder 號稱要搞個 bottleneck，就是要把 bottleneck 體現(xiàn)為中間 layer 的參數(shù)數(shù)量要更少一點上。這樣的表達太“直白”了，效果并不好。GAN 等一眾后續(xù)就是把這個 bottleneck 的參數(shù)限制給去掉了。

樸素直白地拿 architecture 的幾何形狀表達 inductive bias 是不 work 的。AGI 所需的 inductive bias 不太可能那么快被找到表達的方式。即便找到了，也未必能在當前的硬件下展示其威力而被 bechmarker 們所忽略。

所以更可能的情況是讓人類來表達“規(guī)律性”，所謂專家經(jīng)驗。然后由機器來處理“特異性”。probabilistic programming 這樣的人機混合的編程方式會得到更廣泛的應用。越來越多的程序員會從直接編碼規(guī)則來駕馭機器，變成“聲明式編程”。把規(guī)律性的部分提取成 what，讓機器去找到 how。

點擊”閱讀原文“，訪問《業(yè)務邏輯拆分模式》電子書 https://autonomy.design