不是我不明白，這世界變化快。
IT系統的困境
IT技術是用來管理和處理信息的技術，IT系統是使用IT技術構建的系統。經過幾十年的發展，IT系統越來越複雜，動輒幾百萬上千萬行代碼。然而，現代IT系統依然非常脆弱，一個業務上的變化，就可能導致一個子系統的重新設計；而一個顛覆性業務模式的出現，可能會導致整個IT系統被替換。
當我們在觀察或了解昆蟲以及其他低等生物時，會產生一種毛骨悚然的感覺：活動熱鬧非凡，可家裡一個人都沒有！——丹尼爾·丹尼特
設計實現IT系統的最大挑戰來自於需求的變化。
各種程式語言、設計模式，以及軟體工程實踐等，都在試圖解決這個挑戰。當前，用效率最高的軟體開發方式——使用具有高級抽象能力的程式語言，採用響應式編程（Reactive Programming）範式和微服務架構，引入DevOps和持續交付等工程實踐等開發一個新需求，也要以天為單位；如果要開發一個新的組件，可能需要以周為單位；而如果要開發一個全新的業務模式，至少要以月為單位。
對大部分程式設計師來說，各種新技術層出不窮，每一項都打著提高開發效率的旗號，然而事實是：程式設計師的工作並沒有因為技術的進步而減少，相反，我們感覺自己越來越累，不僅要學習新技術，同時還要應對越來越頻繁的需求變化。
於2000年左右出現的電子商務顛覆傳統零售行業大概用了10年時間，2006年左右出現的社交網絡顛覆門戶網站大概用了五六年的時間，2012年左右出現的共享經濟顛覆傳統商業模式大概用了3年時間。
一個合理但未經驗證的猜想是：顛覆性業務模式的出現頻率以及顛覆速度近似符合摩爾定律，即每18個月，顛覆性業務模式的出現頻率和顛覆速度會提高一倍。
不管我們使用什麼樣的程式語言，採用什麼樣的架構，引入什麼樣的工程實踐，一個業務需求的生命周期都要包含產品規劃、業務分析、方案設計、開發、測試、上線。這樣的研發周期，在不遠的未來，將無法跟上業務需求變化的速度。
自然的啟示
《自私的基因》一書提到，基因為了將自己的遺傳信息傳遞下去，進化出各種載體——即生物體——以應對環境的變化，讓基因得以生存並傳遞下去。對於一些早期的生物載體，基因通過硬編碼的方式，將一些複雜功能固化到生物體的遺傳信息中。比如有一種名為「掘地蜂」的昆蟲，在產卵時會嚴格遵照預定的程序：用自己的刺麻痺一隻蟋蟀、將蟋蟀拖到挖好的洞口、進洞查看並確保安全、回到洞口把麻痺的蟋蟀拖進洞、產卵、密封洞口、走人。
這套程序看起來非常複雜，我們不禁要感嘆，一個簡單的生物體，竟然可以完成這麼複雜的事情。然而，當掘地蜂進入洞穴查看時，實驗人員將麻痺的蟋蟀移動幾英寸，等掘地蜂從洞口出來，並不會直接將移動過的蟋蟀拖進洞，而是將其拖到洞口，然後再一次進洞檢查。如果期間蟋蟀又一次被移動，哪怕只是一英寸，掘地蜂也會重複前面的過程。正如丹尼特所說：看起來「活動熱鬧非凡，可家裡一個人都沒有！」
《機器人叛亂》對這一觀點提出了進一步的擴展。為了讓生物載體能夠更好地適應快速變化的環境，基因發展出了弱約束目標。相比硬編碼複雜行為，基因只是給其載體下達要完成的目標，而不再是具體的操作計劃，由載體針對當時的環境做出符合目標的最佳選擇。
如果基因會說話，基因會給我們的大腦發出類似的指令：「事情發展太快，沒辦法一一詳述，大腦，你只需在考慮我們的通用目標（生存和繁殖）前提下，做你認為最好的選擇。」
生物體適應能力越來越強，同時也導致環境變化越來越快，反過來迫使我們不得不發展出更強的適應能力，就像進入正反饋的自動控制系統，系統開始進入不穩定狀態，直到崩潰，然後重新尋找平衡。
IT系統的轉折點
程式設計師之於IT系統，就如同基因之於載體。基因在生物進化早期也遇到過這樣的困難，儘管進化出了非常複雜的生物載體，但是對於顛覆性的環境變化（比如火山爆發、地殼運動、彗星撞地球等），這些載體依然表現的不堪一擊。
5億年前的寒武紀大爆發，大量生物出現在地球上，基因像是想通過這樣的方式，發展出複雜的載體，來應對變化的環境，然而，複雜並沒有帶來期望的適應能力。結果大家都知道了，6500萬年前，基因進化出來的最複雜、最具有統治力的載體——恐龍——滅絕了。今天我們發明了新語言、新框架、新實踐，期望通過這樣的方式可以更快的開發出更複雜的系統。然而，再複雜的系統，面對不停變化的混沌世界，依然不堪一擊。
是時候換個思路了。
我們也該考慮類似基因的弱約束目標，讓IT系統具備一定的自主性，可以根據人類制定的目標，做出它認為最優的決策。具備自主性的IT系統，能夠根據人類制定的目標，針對複雜業務變化，做出認為的最優選擇。 這就是未來的IT系統。
DITS - Differentiable IT System
目前最有希望能夠讓IT系統具備自主性的技術，來自深度學習。深度學習通過建立層級化表徵的方式，讓計算機可以從經驗中學習並理解這個世界。
深度學習和經典機器學習方法的最大區別在於，深度學習不需要某個領域的專家來設計特徵提取規則，可以在輸入數據和業務目標之間實現端到端的模型訓練。對於深度學習的使用者來說，只需要準備好訓練數據，設定好訓練目標（即設定Loss Function，損失函數），確定深度神經網絡的結構，然後進行訓練，就可以得到滿足目標的神經網絡模型。
這其中的魔法發生在訓練過程中。我們可以將複雜的神經網絡用計算圖的方式表達出來。在神經網絡的末端，也就是輸出層，通過損失函數計算出實際值和目標值之間的差別。得益於微積分中的鏈式法則，損失函數的結果誤差可以在計算圖中反向傳播（Back Propagation），一層一層的調整神經網絡參數，讓神經網絡在下一次的計算中距離目標更近一步。
在反向傳播的過程中，每一層網絡參數的修正值是通過計算誤差和參數之間的梯度得到的。一個函數在某個點存在梯度，需要在這一點保證函數可微分，也就是本文題目中的Differentiable。所以，深度神經網絡的學習能力，來自神經網絡的可微分性（Differentiable）。
如果我們能夠讓IT系統具備可微分性，IT系統就可以基於人類指定的業務目標，從歷史數據中學習，並不斷更新自己，從而具備自主性。當變化來臨，系統可以在沒有人類參與的情況下自主學習並調整，最終適應變化。寫出具有可微分性程序的編程方式，叫做可微分編程（Differentiable Programming）。3這樣的IT系統，稱之為「可微分IT系統」，即DITS，Differentiable IT System。
當前，大部分AI技術只是作為獨立的服務存在，用來輔助傳統IT系統，比如圖像識別、語音識別、自然語言處理等。而DITS本身就是一個AI系統，或者說，是一個內建AI能力的IT系統。
現在，我們經常使用A/B測試來改進程序，然而開發A/B測試代碼、設計策略、收集反饋、分析、修改代碼，一系列過程下來我們發現，用戶點擊紅色按鈕的比例比藍色按鈕多出30%，於是我們決定按鈕使用紅色。這就是所謂數據驅動的產品運營。
而對於DITS來說，我們可以設定弱約束目標為提高用戶點擊按鈕的比例。每當用戶執行一次操作，DITS就會計算這次操作和期望目標之間的差別，調整內部神經網絡參數，從而自主地改進用戶體驗。更進一步，DITS甚至還可以對不同的用戶展示不同的顏色，比如對於喜歡點紅色按鈕的用戶展示紅色，對於喜歡點藍色按鈕的用戶展示藍色。
這還只是一個具備自我學習能力的IT系統所做事情的一個簡單例子，對於更複雜的業務場景，DITS所能做的，會超出我們的想像。
實現DITS
基於可微分性構造電腦程式，讓計算機具備學習能力，目前是深度學習領域的熱點。早期的嘗試來自於DeepMind在2014年發表的神經圖靈機（Neural Turing Machine，NTM）4，2016年DeepMind在Nature上發表了NTM的更新版本，可微分神經計算機（Differentiable Neural Computer，DNC）5。DNC已經可以根據一些零散的路線信息，推測出地圖上個點之間的連接情況，並計算最短路徑。
另外一些基於記憶網絡（Memory Network）的嘗試也已經取得一些突破，比如Facebook在ICLR 2017上發表的遞歸實體網絡（Recurrent Entity Network）6可以通過所有Facebook提出的bAbI測試。
倫敦大學學院（University College London，UCL）的研究人員實現了一種具有可微分性的Forth語言解釋器7，程式設計師編寫Forth程序時，可以留下一些空白（slot），這些空白會被解釋器在運行時填充，並且在運行過程中，解釋器會根據程序的輸入和輸出調整這些空白部分的邏輯。
在工程領域，這一編程方式還處於早期階段，尚不成熟，但已經有很多人在這一方向上做出嘗試8，以及ThoughtWorks的開源項目DeepLearning.scala和DeepDarkFantasy。
要想完整的實現DITS，還需要很多努力，尤其是要想用DITS替代目前已有的複雜IT系統，還需要很長的一段路。不過，變革已然在醞釀之中。
在計算機被建造出來的早期，大部分人認為那只是學術領域的玩具，是只有書呆子模樣的黑客們才能掌握的黑科技。然而，不過幾十年的時間，計算機就完全改變了我們的生活。
今天的AI技術，包括Differentiable Programming和DITS，就像50年前的編程技術一樣，還處於黑科技的範疇。然而，我們也許不用再等50年，就會看到今天的黑科技，將再一次改變世界。
One More Thing
《機器人叛亂》一書提到，「某些行為服務於載體的目標，它們未必有助於實現基因的目標」。那麼，作為人類未來的信息載體——DITS——也會出現目標衝突的情況，到時候，我們人類要何去何從呢？
- 相關閱讀 -
點擊［閱讀原文］查看文章全部內容&綠字部分。
本文版權屬ThoughtWorks公司所有，如需轉載請在後臺留言聯繫。