Handwired 是什么？把 JavaScript 直接编译成神经网络的玩法、原理与上手完整指南

Handwired 到底做了什么：把代码变成网络，而不是让网络学会代码

Handwired 由开发者程璐公布，定位是一个玩具项目。它做的事情听起来有点反常识：你给它一段普通的 JavaScript 代码，它把这段代码的逻辑直接转成神经网络结构。注意这里的顺序——不是训练一个网络去模仿这段代码，而是把代码本身编译成网络，所以网络天生就代表这段逻辑。

正因为是编译而非学习，它才有两个关键性质。第一是免训练，你不需要准备数据集、不需要跑梯度下降、也不存在训练不收敛的问题。第二是输出精确一致，网络算出来的结果和原始 JavaScript 程序逐位相同，而不是「差不多接近」。这两点结合在一起，让它在概念上非常干净。

第三个性质是可微分。转出来的网络结构支持求导，这意味着你可以对这段程序做梯度相关的操作，比如分析输入对输出的敏感度、做基于梯度的优化，或者把一段确定性逻辑嵌进更大的可微系统里。这三点——免训练、精确输出、可微分——正是它被开发者反复讨论的原因。

• 编译而非训练

  代码逻辑被直接映射成网络结构，因此不存在训练阶段，也没有数据集和收敛问题。

• 输出精确一致

  网络结果与原始 JavaScript 程序完全相同，而不是近似拟合，这让它可用于需要确定性的场景。

• 结构可微分

  转出的网络支持求导，可以参与梯度优化或嵌入更大的可微计算流程中。

• 浏览器内运行

  整个流程在浏览器里完成，不依赖 GPU，手机和桌面浏览器都能使用。

为什么「免训练 + 精确输出」在工程上值得关注

通常我们提到神经网络，默认它需要训练：给一堆样本，调参数，让输出逼近目标。这条路的问题是成本高、结果不确定，而且你很难保证网络在某个具体输入上给出完全正确的答案。Handwired 换了个思路，把确定性程序直接翻译成网络，于是「正确性」由编译过程保证，而不是由训练质量保证。

这种思路在需要把传统代码和可微计算结合的场景里很有价值。比如你想对一段业务逻辑做梯度分析，或者想让一段规则代码参与端到端的优化，传统做法是重写成可微形式，工作量大且容易出错。如果代码能自动转成可微分网络，这部分工作就被省掉了。

当然，玩具项目的定位意味着它目前更适合探索和演示，而不是直接上生产。代码规模、支持的 JavaScript 语法子集、性能表现这些关键问题，官方都还没有公开细节。想评估它是否适合自己的项目，最稳妥的做法是等公开版本出来后，用自己真实的代码片段去试。

• 正确性来自编译而非训练

  输出一致是结构决定的，不依赖训练数据和调参，因此结果可复现、可预期。

• 适合代码与可微计算的混合场景

  需要把确定性逻辑接入梯度优化流程时，自动转换比手工重写更省事。

• 目前仍是实验性质

  支持的语法范围、可处理的代码规模、运行性能都还没有公开说明，需以官方信息为准。

怎么开始用：从一段小函数到完整流程

需要先说清楚一件事：截至现在，Handwired 还没有公开的可运行版本、下载包或正式官网页面，程璐只通过一段简短的预览演示展示了它的效果。所以下面的步骤描述的是它公布出来的使用方式，真正动手前请先到官方渠道确认是否已经放出可体验的版本。

从演示透露的信息看，使用方式应该是把 JavaScript 代码交给工具，由它完成到神经网络的转换，然后对比网络输出与原程序的输出是否一致。整个流程在浏览器里进行，不需要 GPU，手机浏览器也能跑。这意味着你不需要配置本地环境，打开页面就能试。

上手时建议从最小的函数开始，比如一个只做加减乘除或简单条件判断的函数，先确认转换结果和原程序输出一致，再逐步换成更复杂的逻辑。这样做的原因是，一旦输出出现偏差，你能立刻定位到是哪一段逻辑导致的，而不是在一大段代码里排查。

如果你打算把它用在实际项目里，建议先明确目标：是要做梯度分析、要把规则代码接入可微流程，还是只想理解它的转换机制。不同目标对应的验证方式不同，但共同点是都要先在小样本上确认输出精确一致，再考虑扩大范围。

• 先确认版本状态

  目前只有预览演示，动手前先查官方渠道是否已发布可运行版本，避免按传言操作。

• 从最小函数起步

  用简单算术或条件判断函数验证输出一致性，再逐步增加复杂度，便于定位问题。

• 对比输出是核心验证手段

  把网络结果和原 JavaScript 程序的输出逐项比对，这是判断转换是否正确的最直接方法。

适用人群、同类思路对比与需要留意的限制

Handwired 最适合两类人。一类是对「代码与神经网络关系」这个命题本身感兴趣的开发者和研究者，他们关心的是可微分编程、程序合成这类方向；另一类是需要把确定性逻辑接入梯度优化流程的工程师，他们看重的是省去手工重写的工作量。如果你只是想找一个能自动生成模型的工具，它可能不是你要的东西。

和常见的机器学习工具相比，它的差异很明显。常规框架是先有数据、再训练模型，输出是概率性的；Handwired 是先有代码、再编译成网络，输出是确定性的。和可微分编程语言相比，它的切入点更轻，直接以 JavaScript 为输入，跑在浏览器里，不需要额外环境。这些差异决定了它更适合探索和验证想法，而不是替代现有训练流程。

限制方面，最需要留意的是信息不完整。官方还没有说明支持哪些 JavaScript 语法、能处理多大规模的代码、转换后的网络在性能上表现如何，也没有公布是否有公开版本或收费安排。在这些问题明确之前，不建议把它作为生产系统的依赖。想跟进进展，可以关注程璐的官方发布渠道，以官方页面上的说明为准。

• 适合探索可微分编程的人

  对代码与网络关系、程序合成、梯度分析感兴趣的开发者，能从中获得直观理解。

• 与训练型框架思路相反

  常规框架靠数据训练出概率性输出，Handwired 靠编译保证确定性输出，两者解决的问题不同。

• 关键细节尚未公开

  语法支持范围、代码规模上限、性能表现和发布计划都未说明，使用前需以官方信息为准。