Мир вот-вот отправится в крупнейшее компьютерное приключение всех времен. Умные машины будут повсюду, делая наш мир лучше и выполняя задачи, которые исторически были зарезервированы для людей. Данные будут в центре, но также и на краю этого нового мира. На самом деле, по сравнению с сегодняшним миром, в котором данные статически живут в определенных местах, вместо этого данные будут текучими, текущими повсюду. Данные будут постоянно перемещаться от центра к краю, от края к центру и между этими интеллектуальными машинами повсюду. Аппаратное обеспечение, необходимое для этого, явно формируется на наших глазах. Это программное обеспечение, платформа, которая расширяет возможности этих интеллектуальных машин и, что более важно, позволяет этим данным быть ликвидными. В этой статье описывается весь переход к новому миру, в частности, приводящий к необходимости новой платформы. Платформа Gaia, которую мы уже частично построили, является одним из решений программной проблемы, среди прочего доказывающим, что все это возможно.

Исторически компьютеры выполняли определенные задачи, описанные статическими программами, написанными людьми. Однако в последнее время машины научились выполнять задачи. Хотя обучение должно контролироваться, машинное обучение устраняет потребность в огромном количестве программирования, если мы просто хотим обучать и обучать наши машины.

Машинное обучение (ML) — это часть искусственного интеллекта, позволяющая компьютерам учиться на данных с минимальным программированием. Сегодня обучение с учителем — обучение с большими объемами данных — является доминирующей формой. Мы находим очень умные способы использования обучения с учителем.

Создавая многослойные нейронные сети, современные системы машинного обучения впервые могут распознавать объекты на сложных изображениях и работать с голосом и текстом в режиме реального времени. На данный момент, как показывает опыт, как говорит Эндрю Н.Г., Все, что типичные люди могут сделать, подумав не более 1 секунды, мы, вероятно, сейчас или скоро сможем автоматизировать с помощью ИИ». По сути, та же технология машинного обучения также может использоваться для поиска и распознавания сложных взаимосвязей в неграфических, нетекстовых данных, создавая множество важных приложений в инженерии, юриспруденции, образовании, транспорте, логистике, медицине и других областях. Это означает, что мы впервые можем представить беспилотные автомобили, роботов-хирургов и домашних поваров — примеры, которые мы рассмотрим более подробно ниже.

Компьютеры, смартфоны и Интернет уже вызвали почти невероятные изменения в структуре нашей экономики во многих отраслях. Мы считаем, что машинное обучение и повсеместное появление невероятно умных машин приведут к еще большему набору изменений в еще более широком наборе отраслей и секторов экономики.

До сих пор компьютеры позволяли нам обрабатывать большие объемы данных, чтобы понять прошлое и настоящее. При рассмотрении приведенных ниже примеров ключевым элементом является то, что машинное обучение расширяет эту парадигму на будущее: умные машины используют еще большие объемы памяти, данных и вычислительной мощности, чтобы либо предсказывать будущие модели, либо выполнять действия, ориентированные на будущее. Давайте рассмотрим три примера: личное здоровье, самостоятельное вождение автомобиля и приготовление пищи.

USA Today сообщила, что десятки тысяч людей ежегодно умирают от невыявленных или ошибочно диагностированных сердечных приступов. Даже опытные врачи иногда неправильно истолковывают свои собственные симптомы, что иногда приводит к летальному исходу. В то же время, по крайней мере, столько же людей спешат в больницу только для того, чтобы обнаружить, что их худшие опасения беспочвенны: как насчет затрат времени, долларов и стресса? Теперь представьте себе мир, в котором умные системы постоянно следят за нашим телом. Apple, например, находится в процессе создания системы, которая использует свои часы для прогнозирования сердечных приступов с точностью 97% по сравнению с тестированием в больнице. Зачем останавливаться на достигнутом? Предположим, мы могли бы контролировать уровни лейкоцитов и эритроцитов, кровяное давление, мозговые волны и другие симптомы? Зачем останавливаться на достигнутом? Допустим, у меня небольшое поражение. . . в моем телефоне есть камера. . . и много памяти и вычислительной мощности. Внезапно та же «постоянно со мной» система машинного обучения, которая отслеживает мои жизненные показатели, также может начать процесс определения серьезности моего поражения. Лучше всего задолго до того, как я пойду к врачу или в больницу, все данные, все анализы и все прогнозы поступили раньше меня.

Даже сегодня современный автомобиль имеет более 100 миллионов строк кода — более чем в два раза больше, чем, скажем, для Windows 7. Итак, уже сегодня автомобили — это действительно суперкомпьютеры. И все же без машинного обучения просто добавление большего количества кода или большего количества процессоров не приведет к созданию автомобиля с автоматическим управлением. Теперь давайте подумаем о влиянии на людей. . . и на общество. До сих пор добавление программного обеспечения к автомобилям приводило к тому же самому. Правда теперь у нас есть GPS, потоковая музыка и система доступа без ключа. Но также верно и то, что автомобили помогают засорять города, убивать людей и разрушать мир. Представьте себе будущее, в котором никому не нужна машина. Взаимодействуя между собой, автономные автомобили сокращают или устраняют пробки. Когда мы думаем об отраслях, беспилотные транспортные средства также будут включать грузовики и поезда дальнего следования, местную доставку, курьеров и даже вилочные погрузчики внутри складов. По иронии судьбы, в каждом транспортном средстве, поскольку многое из этого управляется ML, строки кода могут фактически выйти из строя; мощность процессора, объем памяти и средства связи увеличатся. И мир станет лучше. Современные автомобили используют компьютеры, чтобы помочь механикам заглянуть в прошлое, чтобы понять, почему двигатель дал осечку. Автомобили завтрашнего дня будут использовать компьютеры, чтобы помочь нам добраться туда, куда нам нужно.

Мы все едим каждый день. Даже если вам нравится готовить, необходимость готовить еду каждый день, особенно в напряженной семейной обстановке, может стать серьезным бременем. Трудно представить занятие более субъективное, чем приготовление интересных и веселых блюд. Хороший повар использует в процессе все свои чувства; до сих пор мы не могли даже представить, чтобы робот готовил для нас, потому что весь процесс во многом зависит от наблюдения и взаимодействия. Тем не менее, то, что мы только что описали, — это именно то, в чем машинное обучение лучше всего. Конечно, есть много механических проблем, которые нужно решить, прежде чем кто-либо из нас, не говоря уже обо всех нас, сможет иметь личного робота-повара. Конечно, как и в случае с автомобилями, в ресторанах те же роботы становятся еще более ценными. Внезапно работа с пиковыми нагрузками, удовлетворение особых диетических запросов и приготовление сложных блюд становятся просто вопросом наличия достаточного количества роботов и доступа к правильной базе данных машинного обучения. Но когда мы доберемся туда. . .

Из огромных объемов данных, собираемых датчиками в реальном времени, «Схема» определяет, какие данные следует отправлять в облако, а какие необходимо сохранить для синхронизации и репликации. Схемы, которые определяют «Курирование данных», могут быть определены механизмом правил. Механизм правил и машинное обучение могут работать рука об руку в таком мире. Схема, которая определяет курирование данных, также может называться «онтологией».

Другой пример из области здравоохранения, устройства для измерения артериального давления. Алгоритмы машинного обучения в них проверяют кровяное давление и другие показатели жизнедеятельности в течение дня. Ваше медицинское устройство действует на основе этих данных и делает прогнозы. По мере того, как данные собираются с помощью датчиков, алгоритмы вашего медицинского устройства применяют к ним машинное обучение, становясь все умнее и умнее, чтобы делать прогнозы. Когда он видит критическое состояние, он предупреждает вас и синхронизирует/реплицирует важную историю показателей жизнедеятельности на ваш телефон и в кабинет врача, если это необходимо. Какой тип информации необходимо реплицировать на ваш телефон, становится вопросом схемы, таким образом, определяемым ранее с помощью механизма правил.

Когда вы посещаете больницу, врач видит важные данные, составленные в соответствии со схемой, связанные с вашими важными жизненно важными показателями, включая прогнозируемые данные. Это критично для чьего-то здоровья. Это может продлить вашу жизнь на годы, если вы успешно спрогнозируете критическую ситуацию со здоровьем и примете соответствующие меры, и об этом позаботятся с помощью данных и прямо в точку. Профилактическая медицина возможна с помощью небольших доступных устройств для всех на планете уже в самом ближайшем будущем.

Итак, что нужно, чтобы все это произошло? Давайте рассмотрим это в три этапа:

1. Машинное обучение и интеллектуальные машины

2. Жидкие данные

3. Интеллектуальная машина, программная платформа Liquid Data

Суть в том, что все эти три фактора работают вместе. Чтобы машинное обучение вообще работало, требуется огромная вычислительная мощность. Поскольку у нас появляется все больше и больше умных машин — везде — огромные объемы данных производятся и будут производиться все время. Локальное хранилище — везде — становится ключевым фактором для сбора всех этих данных и предоставления их в точке, где они больше всего нужны. Возможность иметь компьютеры повсюду — в наших машинах, на наших телах, на кухне и на фабрике — все управляется данными, но при этом все они работают вместе, также становится ключевой частью головоломки. Сложите все вместе, и будущее машинного обучения станет реальностью и настоящим.

Выход из зимы ИИ — столпы перемен

Большинство концепций, лежащих в основе сегодняшней революции машинного обучения, восходят к 70-м годам. Тем не менее, в течение сорока лет вся область боролась с зимой ИИ — периодом, в течение которого никто не воспринимал всерьез то, что мы сейчас называем машинным обучением. Машинное обучение томилось в течение этих четырех десятилетий по двум основным причинам:

1. Ограниченная вычислительная мощность. Компьютеры были просто недостаточно мощными — не хватало скорости, памяти и параллелизма — чтобы справиться с огромным объемом вычислений, необходимых для сложной учебной деятельности.

2. Ограниченные наборы данных. Оказывается, чтобы научить компьютер распознавать объекты на картинках, нужно обучить миллионы изображений. То же самое верно для распознавания речи, языкового перевода и всех других задач машинного обучения. Исторически было просто невозможно построить достаточно большие обучающие базы данных, и, как мы только что видели, даже если бы они существовали, вычислительной мощности для работы с ними тоже не было.

Сегодня, хотя мы в новом мире.

Обычные процессоры в тысячи раз быстрее, чем во время AI Winter; это только начало. Для игр и других приложений, интенсивно использующих графику, был изобретен новый тип компьютера, называемый графическим процессором (GPU). Графические процессоры — это невероятный параллелизм: вместо одного быстрого процессора у графического процессора много процессоров, работающих одновременно. Угадайте, что: GPU с таким же успехом можно было бы назвать ML-PU, если бы мы только знали. Даже с современными графическими процессорами машинное обучение может работать в 30–100 раз быстрее, чем это было возможно всего несколько лет назад, и это только начало. Сегодня NVidia поставляет GPU Tesla P40, заменяющий до 40 обычных компьютеров. Один корпус машины с 8 P40 уже заменяет множество стоек обычных процессоров. До конца этого года Nvidia поставит Tesla V100, угадайте, со 100 процессорами, и даже это еще не все. Лучшее в графических процессорах то, что они маленькие; каждый телефон и каждый настольный компьютер уже сегодня имеет графический процессор. Так что, по сути, наш телефон — это не только суперкомпьютер; это действительно тоже сервер.

Вся эта вычислительная мощность используется в центре, в облаке, где сегодня происходит большая часть машинного обучения. Однако, если мы хотим, чтобы автомобили с автопилотом, роботы-хирурги и личные повара работали, нам нужно, чтобы такое же машинное обучение происходило на периферии. К счастью, такие компании, как Vesper и Mythic, создают меньшие по размеру и более энергоэффективные наборы микросхем, которые требуют почти нулевого энергопотребления и стоят 40 центов или меньше. Системы будущего, ориентированные на видение, требуют больше, чем просто невероятных процессоров; камеры и сенсоры тоже имеют решающее значение. Например, Sony разработала датчик изображения CCD, который может помочь автономным автомобилям распознавать электронные дорожные знаки и лучше видеть при переходе между темными туннелями и дневным светом. До сих пор технологии HDR и подавления мерцания были доступны, но не на одном сенсоре, поэтому разработчикам приходилось выбирать одно из другого или использовать две камеры. Новый датчик сочетает в себе и то, и другое. Опять же, аппаратное обеспечение прямо здесь, и проблема действительно заключается в программном обеспечении.

Хранилище: такое же революционное, как вычислительная мощность

Где должны жить данные? В течение последних десяти лет ответ был ясен: в облаке, в центре. В то же время, если мы представим себе роботов-хирургов, дроны-доставщики, беспилотные автомобили или персональную диагностику здоровья в режиме реального времени, то ответ станет таким же очевидным: данные принадлежат периферии. На самом деле ответ на центр против края: оба. Еще больше данных в будущем будет текучим: они будут течь от центра к краю, от края к центру и столько же от устройства к устройству на краю. Одна вещь, которая будет наиболее верной в отношении данных в предстоящие годы, проста: они будут постоянно двигаться плавно.

Возьмите самоходную машину. Понятно, что алгоритмы встроены в машину. Тем не менее, для работы алгоритмов необходимы огромные объемы данных. . . все время. Даже сегодня автомобиль генерирует около 10 ГБ данных на милю. В мире беспилотного вождения автомобили окружены тысячами датчиков — оптических и лидарных. На самом деле то, что делает автомобиль — то, что он должен делать — это строить и поддерживать постоянно меняющуюся модель мира внутри и снаружи автомобиля. Уровень детализации — отслеживать окружающие автомобили, маленьких детей, дорожные знаки и многое другое — этот уровень детализации огромен. Мы все сразу интуитивно понимаем, сколько вычислительной мощности требуется для построения этой модели мира — нам также нужно интуитивно понять, что та же самая модель требует огромных, действительно огромных объемов данных, все они доступны мгновенно и, следовательно, все хранятся локально. Автомобиль, робот-хирург, производственный робот — все они зависят от постоянного доступа к большим объемам данных тут же, всегда мгновенно доступных.

Та машина: что происходит, когда мы хотим вычислить самый быстрый маршрут? Внезапно мы полностью зависим от данных от других автомобилей, которые сообщают нам, как проходит движение на той или иной улице, и от общих серверов в облаке, которые могут собирать все эти данные вместе и определять общий маршрут. Зачем останавливаться на достигнутом? Почему все автомобили не могут работать сообща, чтобы свести к минимуму заторы на дорогах и максимизировать поток? Что происходит, когда транспортному средству службы экстренной помощи нужно расчистить перекрестки в нужное время — опять же, у нас есть интеллектуальные машины на периферии, работающие самостоятельно, обменивающиеся данными с другими машинами на периферии, но также тесно взаимодействующие с другими машинами, четко встроенными прямо в облаке/центре. Что течет все время? Жидкие данные делают все это возможным.

По мере того, как мы глубже понимаем критическую роль хранилища, мы можем сделать три важных, ключевых вывода:

1. Интеллектуальные машины требуют огромных объемов локального хранилища

2. Чтобы машины работали вместе, данные должны постоянно передаваться между:

а. Центр и край

б. Край и центр

в. Машины на границе общаются друг с другом в режиме реального времени

3. Быстрый доступ действительно важен как на периферии, так и в центре.

Этот последний пункт легко упустить из виду, и он очень важен. Отслеживание входных данных датчиков, создание модели мира, а затем отслеживание движения и изменений в режиме реального времени означает многократную работу с данными на очень высоких скоростях. В центре, где проходит обучение, возможность применять рекуррентные нейронные сети со многими слоями к миллионам записей подразумевает не только много места для хранения, но и действительно отличное время доступа. И снова на помощь приходят технологии.

Еще несколько лет назад хранилище означало диски. Многие люди до сих пор называют свое хранилище «дисковой памятью». Однако примерно с 2010 года, как только графические процессоры стали быстрыми и распространенными, диски тоже начали исчезать. Сегодня в большинстве ноутбуков используются только твердотельные накопители. Google запускает всю свою поисковую систему — отслеживая 30 тысяч страниц — полностью на серверах с памятью. Аппаратное обеспечение для размещения наборов данных и обеспечения необходимой скорости доступа является ключевым фактором текущего успеха машинного обучения и окончания зимы ИИ.

Новый мир: что нас ждет

Давайте посмотрим на мир, который сейчас становится возможным:

1. Умные машины везде:в наших машинах, на наших кухнях, на наших запястьях, в больницах и школах. Эти машины транспортируют и доставляют, производят и ремонтируют, диагностируют и лечат, строят и хранят — короче говоря, интеллектуальные машины есть повсюду в мире.

2. Полная связь: все данные доступны. Таким образом, пробки на дорогах больше не являются проблемой, медицинские эпидемии предотвращаются еще до того, как они могут начаться, все цепочки поставок работают автоматически в режиме Just In Time.

3. Полностью распределено. Пограничные машины взаимодействуют с облаком, облако взаимодействует с пограничными машинами, а пограничные машины взаимодействуют друг с другом. Компьютер на вашем запястье подключается к кабинету вашего врача, который подключается к больнице, которая подключается к другим больницам по всему миру, которые подключаются к аптекам, которые подключаются к врачам, которые подключаются к пациентам, и так далее. Поскольку сотни автомобилей проезжают через перекрестки каждую минуту, не завися от светофора, очевидно, что приложение работает везде, а программное обеспечение полностью распространяется.

4. Интеллектуальная память, управляемая данными: пока робот-хирург выполняет деликатную неврологическую операцию, система, основанная на машинном обучении, постоянно анализирует то, что видит и чувствует, адаптируясь сотни раз в секунду к меняющейся среде внутри вашего тела. тело. Конечно, требуется огромное количество вычислительной мощности, но очень сложная модель постоянно обновляется и анализируется в памяти, чтобы все эти датчики работали идеально.

Новый мир: чего не хватает

Хорошая новость заключается в том, что аппаратное обеспечение для создания нового мира либо уже здесь, либо уже в пути. Проблема в том, что программное обеспечение для создания такого мира почти полностью отсутствует в действии:

1- Настоящие распределенные вычисления: это распределенная структура. Устройства воздействуют на эту ткань внутренне. Благодаря интеллектуальным устройствам, которые окружают нас повсюду, вычисления выполняются на устройстве. В эти устройства будут встроены алгоритмы машинного обучения. Устройства будут взаимодействовать друг с другом в режиме одноранговой сети без централизованного управления. Это позволит выполнять больше вычислений, а значит, принимать больше решений на интеллектуальных устройствах, а также синхронизировать и воспроизводить важные данные и информацию в одноранговой сети. Нет господина-раба, нет центральной власти. Это более эффективно и, откровенно говоря, единственный способ масштабирования в будущее, где нас окружают устройства от дронов до телефонов, от компьютеров до центров обработки данных, от носимых устройств до устройств IoT. Когда количество устройств увеличивается, современная архитектура не масштабируется. Это обрушит Интернет. Ответ заключается в том, чтобы действовать локально и иметь настоящую распределенную структуру для связи, репликации и синхронизации.

2- Распределенные базы данных на основе памяти.Так называемые современные базы данных глубоко уходят корнями в прошлое. В качестве отправной точки архитектура базы данных практически отсутствует на мобильных платформах и платформах устройств. Конечно, базы данных доступны на классических компьютерах, но все они основаны на дисковых стратегиях, восходящих к 80-м годам. Что еще хуже, инфраструктура, позволяющая базам данных в роботе-хирурге взаимодействовать с диагностическим оборудованием, которое связывается с сервером больницы, который связывается с телефоном врача, который связывается с общим сервером записей в облаке, — это в лучшем случае несбыточная мечта.

3- Глобальные пространства имен.Как две машины общаются друг с другом, не завися от постоянного центрального сервера посередине? Как все устройства в большой больнице обнаруживают друг друга и взаимодействуют друг с другом; как насчет того, чтобы устройства в одной больнице разговаривали с устройствами в клинике или другой больнице. Схема именования в Интернете хороша для веб-сайтов, но что представляет собой глобальная система именования, которая повсеместно масштабируется в нашем новом мире интеллектуальных машин?

Mylio: основа распределенного интеллектуального будущего

Последние несколько лет мы разрабатывали платформу под названием Mylio. На первый взгляд Mylio — это инструмент для управления личными (и семейными/командными) коллекциями фотографий и документов. В отличие от практически любого другого продукта на рынке, Mylio не зависит от предположения, что все ваши фотографии и документы сначала отправляются в облако. Фактически, у некоторых пользователей есть библиотеки, содержащие до 1 млн элементов, ни один из которых не хранится в облаке. Вместо этого Mylio — первая коммерческая гибридная сетка в мире. Все данные хранятся в телефонах, планшетах и ​​компьютерах. Устройства обновляют друг друга всякий раз, когда они «видят» друг друга. Сетка является «гибридной», потому что Mylio также позволяет пользователю иметь копию своей библиотеки в облаке; облако — это просто еще одно устройство. Mylio реализует сложное машинное обучение для таких функций, как распознавание лиц — вся работа, включая рекуррентные нейронные сети на основе графического процессора, выполняется полностью локально на телефонах, планшетах и ​​персональных компьютерах.

Особенно ключевой целью Mylio было создание системы, в которой одно сложное приложение можно было написать один раз и при этом работать на iOS, Android, Windows, MacOS и AWS. Чтобы сделать это возможным, была создана мощная межмашинная структура, и сегодня эта мечта стала реальностью. На приведенной ниже диаграмме показана основная распределенная архитектура Mylio.

Mylio важен по трем причинам:

1. Проверка концепции: здорово мечтать о структуре, которая обеспечивает одноранговую репликацию, реализует гибридную сетку, позволяет хранить большие библиотеки на таких устройствах, как телефоны и планшеты, позволяет работать в тяжелых условиях. обучение происходит на вашем столе и в вашем кармане, и делает все это в коммерческом продукте, работающем в значительных масштабах. То, что все это работает, доказывает, что это возможно.

2. Обучение. Все алгоритмы, стратегии и архитектуры, необходимые для реализации #1, теперь доступны для создания в будущем.

3. Основа. Мы специально создали Mylio как основу для распределенной платформы, которая, по нашему мнению, действительно необходима в будущем. Несмотря на то, что нам еще предстоит написать огромное количество кода, большая часть уже написана и работает.

Объединяя Инь и Ян: облако и край вместе составляют новый мир

Развитие вычислительной мощности, хранения и хранения решений движется по закону Мура.

Как мы относимся к миру, в котором победил старший брат? Какая разница, если это не один брат, а множество: Amazon, Google, Facebook, Microsoft и Apple? Есть ли альтернатива?

Каждые десять лет маятник качается от центра к краю и обратно. Десятилетия назад было ясно, что бюро обслуживания будет владеть миром. Тогда казалось, что за персональными компьютерами будущее. С появлением Интернета облако снова стало единственным ответом (помните поставщиков услуг приложений?). Apple App Store качнул маятник обратно к краю. Теперь кажется, что Facebook, Google, Amazon и Microsoft владеют миром. Возможно, пора дать маятнику перестать качаться. Машинное обучение может стать той силой, которая поможет в этом.

На первый взгляд кажется, что машинное обучение ведет к еще большей централизации. Безусловно, облако облегчает сбор больших наборов обучающих данных, которые имеют решающее значение для машинного обучения. И такие примеры, как Google или Baidu Translate, доказывают, насколько удобны облачные системы машинного обучения во все времена. Ключ в том, чтобы увидеть, куда это пойдет дальше.

Мы считаем, что век умных машин — это также век Инь и Ян. Как мы показали на многих примерах выше, в новом мире данные ликвидны, а вычисления широко распространены. Автономные умные машины будут населять наш мир, но они также станут частью более крупного взаимосвязанного целого. Это то, что нам нужно построить.

На приведенной ниже диаграмме показаны Инь и Ян в действии. Автономные устройства — автомобили, повара, механики, хирурги, вилочные погрузчики, ремонтные машины и многие другие — управляются массивами датчиков, все хранят большие объемы данных локально, чтобы создать модель окружающего мира, действовать самостоятельно и сделать нашу жизнь лучше. мир лучше. Каждое устройство тщательно отбирает некоторые из своих объемных данных, чтобы поделиться ими с другими устройствами и остальным миром. Это форма курирования. Все устройства делятся своими данными друг с другом как для работы над общими целями (чтобы скорая помощь работала через пробки), так и для постоянного улучшения системы обучения для всего мира.

Gaia: платформа, которая делает это возможным

Выходя за рамки Mylio, наш план состоит в создании распределенной платформы разработки и исполнения под названием Gaia. На схеме ниже показана часть платформы. Распределенная ткань внизу позволяет компьютерам по всему миру безопасно находить друг друга и работать друг с другом; он построен на ячеистой архитектуре, впервые реализованной в Mylio. База данных в памяти обеспечивает безопасную и надежную высокопроизводительную среду, позволяющую компьютерам создавать эти модели мира в реальном времени. Широкая и глубокая структура машинного обучения позволяет приложениям разумно взаимодействовать с окружающим миром. Механизм правил позволяет создавать приложения, не прибегая к традиционному программированию.

Лучше всего, что Gaia разработана с нуля для завтрашнего распределенного мира Инь и Ян. Приложения можно написать всего один раз и по-прежнему запускать на телефоне, планшете, в машине или роботе-хирурге, на сервере или в облаке. Структура, чтобы связать все это вместе, «просто есть». И все это написано с предположением, что при выборе между центром и краем единственный возможный ответ — «оба».