Handwired 把 JS 代码变成神经网络，无需训练完全可微分

Handwired 是开发者 Cheng Lou 发布的一个实验性开源项目，它的核心思路相当反直觉：把普通的 JavaScript 代码直接转换成神经网络。传统神经网络需要大量数据训练权重，而 Handwired 走的是另一条路——它把程序里的 if-else 判断、循环和状态，全部改写为矩阵乘法加 ReLU 激活函数的形式，权重由人手写而非训练得到。因此它既保持了与原始 JS 程序完全一致的输出结果，又让整个程序变得完全可微分。项目可在浏览器中运行，也支持 WebGPU 加速，作者提供了在线演示与本地运行方式，适合对神经网络原理、可微分编程和 GPU 并行感兴趣的开发者把玩研究。

痛点是什么

对大多数开发者来说，神经网络一直是个黑盒：权重靠训练得到，程序逻辑无法直接控制，想理解「模型内部到底在算什么」非常困难。同时，传统 JS 代码是单线程执行的，面对十万级文档搜索这类任务只能逐条遍历，性能受限。而想借助 GPU 并行，又得学习 CUDA 或 WebGPU 着色器，门槛不低。Handwired 试图解决的正是这种割裂：让普通程序逻辑与神经网络计算统一到同一套可微分原语上，既保留代码的确定性，又能享受 GPU 级别的并行能力。

主要功能特点

Handwired 把程序控制流翻译成矩阵运算，围绕「无需训练、结果精确、完全可微分」三个特性展开，并提供浏览器内运行与 WebGPU 加速两种执行方式。

代码直转神经网络

普通 JS 的 if-else 与循环被改写为矩阵乘法加 ReLU，程序即网络。

无需训练且输出精确

权重由人手写，运行结果与原 JS 程序完全一致，不存在训练误差。

全程序可微分

整个程序保持可导，可解冻权重参与训练，或与通用神经网络端到端结合。

浏览器内 GPU 并行

可在 JS 或 WebGPU 上运行，让传统单线程代码获得 GPU 级并行能力。

为什么值得关注

Handwired 的价值不在于替代现有框架，而在于它打开了一种新的想象空间：程序逻辑与神经网络不再是两套体系，而是可以互相嵌入、互相训练的统一结构，这对研究者和好奇的开发者都很有启发。

打开可微分编程新思路

把确定性程序变成可训练网络，为程序与模型融合提供实验样本。

浏览器即可上手体验

官方提供在线演示，克隆仓库后即可本地运行，无需 GPU 环境。

项目地址：github.com/chenglou/handwired，在线演示见 chenglou.me/handwired。