未来的IT系统：DITS - Differentiable IT System
不是我不明白，这世界变化快。
IT系统的困境
IT技术是用来管理和处理信息的技术，IT系统是使用IT技术构建的系统。经过几十年的发展，IT系统越来越复杂，动辄几百万上千万行代码。然而，现代IT系统依然非常脆弱，一个业务上的变化，就可能导致一个子系统的重新设计；而一个颠覆性业务模式的出现，可能会导致整个IT系统被替换。
当我们在观察或了解昆虫以及其他低等生物时，会产生一种毛骨悚然的感觉：活动热闹非凡，可家里一个人都没有！——丹尼尔·丹尼特
设计实现IT系统的最大挑战来自于需求的变化。
各种编程语言、设计模式，以及软件工程实践等，都在试图解决这个挑战。当前，用效率最高的软件开发方式——使用具有高级抽象能力的编程语言，采用响应式编程（Reactive Programming）范式和微服务架构，引入DevOps和持续交付等工程实践等开发一个新需求，也要以天为单位；如果要开发一个新的组件，可能需要以周为单位；而如果要开发一个全新的业务模式，至少要以月为单位。
对大部分程序员来说，各种新技术层出不穷，每一项都打着提高开发效率的旗号，然而事实是：程序员的工作并没有因为技术的进步而减少，相反，我们感觉自己越来越累，不仅要学习新技术，同时还要应对越来越频繁的需求变化。
于2000年左右出现的电子商务颠覆传统零售行业大概用了10年时间，2006年左右出现的社交网络颠覆门户网站大概用了五六年的时间，2012年左右出现的共享经济颠覆传统商业模式大概用了3年时间。
一个合理但未经验证的猜想是：颠覆性业务模式的出现频率以及颠覆速度近似符合摩尔定律，即每18个月，颠覆性业务模式的出现频率和颠覆速度会提高一倍。
不管我们使用什么样的编程语言，采用什么样的架构，引入什么样的工程实践，一个业务需求的生命周期都要包含产品规划、业务分析、方案设计、开发、测试、上线。这样的研发周期，在不远的未来，将无法跟上业务需求变化的速度。
自然的启示
《自私的基因》一书提到，基因为了将自己的遗传信息传递下去，进化出各种载体——即生物体——以应对环境的变化，让基因得以生存并传递下去。对于一些早期的生物载体，基因通过硬编码的方式，将一些复杂功能固化到生物体的遗传信息中。比如有一种名为“掘地蜂”的昆虫，在产卵时会严格遵照预定的程序：用自己的刺麻痹一只蟋蟀、将蟋蟀拖到挖好的洞口、进洞查看并确保安全、回到洞口把麻痹的蟋蟀拖进洞、产卵、密封洞口、走人。
这套程序看起来非常复杂，我们不禁要感叹，一个简单的生物体，竟然可以完成这么复杂的事情。然而，当掘地蜂进入洞穴查看时，实验人员将麻痹的蟋蟀移动几英寸，等掘地蜂从洞口出来，并不会直接将移动过的蟋蟀拖进洞，而是将其拖到洞口，然后再一次进洞检查。如果期间蟋蟀又一次被移动，哪怕只是一英寸，掘地蜂也会重复前面的过程。正如丹尼特所说：看起来“活动热闹非凡，可家里一个人都没有！”
《机器人叛乱》对这一观点提出了进一步的扩展。为了让生物载体能够更好地适应快速变化的环境，基因发展出了弱约束目标。相比硬编码复杂行为，基因只是给其载体下达要完成的目标，而不再是具体的操作计划，由载体针对当时的环境做出符合目标的最佳选择。
如果基因会说话，基因会给我们的大脑发出类似的指令：“事情发展太快，没办法一一详述，大脑，你只需在考虑我们的通用目标（生存和繁殖）前提下，做你认为最好的选择。”
生物体适应能力越来越强，同时也导致环境变化越来越快，反过来迫使我们不得不发展出更强的适应能力，就像进入正反馈的自动控制系统，系统开始进入不稳定状态，直到崩溃，然后重新寻找平衡。
IT系统的转折点
程序员之于IT系统，就如同基因之于载体。基因在生物进化早期也遇到过这样的困难，尽管进化出了非常复杂的生物载体，但是对于颠覆性的环境变化（比如火山爆发、地壳运动、彗星撞地球等），这些载体依然表现的不堪一击。
5亿年前的寒武纪大爆发，大量生物出现在地球上，基因像是想通过这样的方式，发展出复杂的载体，来应对变化的环境，然而，复杂并没有带来期望的适应能力。结果大家都知道了，6500万年前，基因进化出来的最复杂、最具有统治力的载体——恐龙——灭绝了。今天我们发明了新语言、新框架、新实践，期望通过这样的方式可以更快的开发出更复杂的系统。然而，再复杂的系统，面对不停变化的混沌世界，依然不堪一击。
是时候换个思路了。
我们也该考虑类似基因的弱约束目标，让IT系统具备一定的自主性，可以根据人类制定的目标，做出它认为最优的决策。具备自主性的IT系统，能够根据人类制定的目标，针对复杂业务变化，做出认为的最优选择。 这就是未来的IT系统。
DITS - Differentiable IT System
目前最有希望能够让IT系统具备自主性的技术，来自深度学习。深度学习通过建立层级化表征的方式，让计算机可以从经验中学习并理解这个世界。
深度学习和经典机器学习方法的最大区别在于，深度学习不需要某个领域的专家来设计特征提取规则，可以在输入数据和业务目标之间实现端到端的模型训练。对于深度学习的使用者来说，只需要准备好训练数据，设定好训练目标（即设定Loss Function，损失函数），确定深度神经网络的结构，然后进行训练，就可以得到满足目标的神经网络模型。
这其中的魔法发生在训练过程中。我们可以将复杂的神经网络用计算图的方式表达出来。在神经网络的末端，也就是输出层，通过损失函数计算出实际值和目标值之间的差别。得益于微积分中的链式法则，损失函数的结果误差可以在计算图中反向传播（Back Propagation），一层一层的调整神经网络参数，让神经网络在下一次的计算中距离目标更近一步。
在反向传播的过程中，每一层网络参数的修正值是通过计算误差和参数之间的梯度得到的。一个函数在某个点存在梯度，需要在这一点保证函数可微分，也就是本文题目中的Differentiable。所以，深度神经网络的学习能力，来自神经网络的可微分性（Differentiable）。
如果我们能够让IT系统具备可微分性，IT系统就可以基于人类指定的业务目标，从历史数据中学习，并不断更新自己，从而具备自主性。当变化来临，系统可以在没有人类参与的情况下自主学习并调整，最终适应变化。写出具有可微分性程序的编程方式，叫做可微分编程（Differentiable Programming）。3这样的IT系统，称之为“可微分IT系统”，即DITS，Differentiable IT System。
当前，大部分AI技术只是作为独立的服务存在，用来辅助传统IT系统，比如图像识别、语音识别、自然语言处理等。而DITS本身就是一个AI系统，或者说，是一个内建AI能力的IT系统。
现在，我们经常使用A/B测试来改进程序，然而开发A/B测试代码、设计策略、收集反馈、分析、修改代码，一系列过程下来我们发现，用户点击红色按钮的比例比蓝色按钮多出30%，于是我们决定按钮使用红色。这就是所谓数据驱动的产品运营。
而对于DITS来说，我们可以设定弱约束目标为提高用户点击按钮的比例。每当用户执行一次操作，DITS就会计算这次操作和期望目标之间的差别，调整内部神经网络参数，从而自主地改进用户体验。更进一步，DITS甚至还可以对不同的用户展示不同的颜色，比如对于喜欢点红色按钮的用户展示红色，对于喜欢点蓝色按钮的用户展示蓝色。
这还只是一个具备自我学习能力的IT系统所做事情的一个简单例子，对于更复杂的业务场景，DITS所能做的，会超出我们的想象。
实现DITS
基于可微分性构造计算机程序，让计算机具备学习能力，目前是深度学习领域的热点。早期的尝试来自于DeepMind在2014年发表的神经图灵机（Neural Turing Machine，NTM）4，2016年DeepMind在Nature上发表了NTM的更新版本，可微分神经计算机（Differentiable Neural Computer，DNC）5。DNC已经可以根据一些零散的路线信息，推测出地图上个点之间的连接情况，并计算最短路径。
另外一些基于记忆网络（Memory Network）的尝试也已经取得一些突破，比如Facebook在ICLR 2017上发表的递归实体网络（Recurrent Entity Network）6可以通过所有Facebook提出的bAbI测试。
伦敦大学学院（University College London，UCL）的研究人员实现了一种具有可微分性的Forth语言解释器7，程序员编写Forth程序时，可以留下一些空白（slot），这些空白会被解释器在运行时填充，并且在运行过程中，解释器会根据程序的输入和输出调整这些空白部分的逻辑。
在工程领域，这一编程方式还处于早期阶段，尚不成熟，但已经有很多人在这一方向上做出尝试8，以及ThoughtWorks的开源项目DeepLearning.scala和DeepDarkFantasy。
要想完整的实现DITS，还需要很多努力，尤其是要想用DITS替代目前已有的复杂IT系统，还需要很长的一段路。不过，变革已然在酝酿之中。
在计算机被建造出来的早期，大部分人认为那只是学术领域的玩具，是只有书呆子模样的黑客们才能掌握的黑科技。然而，不过几十年的时间，计算机就完全改变了我们的生活。
今天的AI技术，包括Differentiable Programming和DITS，就像50年前的编程技术一样，还处于黑科技的范畴。然而，我们也许不用再等50年，就会看到今天的黑科技，将再一次改变世界。
One More Thing
《机器人叛乱》一书提到，“某些行为服务于载体的目标，它们未必有助于实现基因的目标”。那么，作为人类未来的信息载体——DITS——也会出现目标冲突的情况，到时候，我们人类要何去何从呢？
- 相关阅读 -
《Deep Learning》，深度学习圣经
对于细节感兴趣的读者，推荐阅读计算图和反向传播
Differentiable Programming的说法最早出现在博客神经网络、类型和函数式编程中
Neural Turing Machine
Hybrid computing using a neural network with dynamic external memory
Tracking the World State with Recurrent Entity Networks
Programming With a Differentiable Forth Interpreter
可微分编程
点击［阅读原文］查看文章全部内容&绿字部分。
本文版权属ThoughtWorks公司所有，如需转载请在后台留言联系。