Это новая статья, кажется (?)

крипту уже можно так использовать. зачем стартап?

Интересный вопрос тут в другом: что появилось раньше, интерфейсы или классы типов? Кто наплодил сущностей?

да в Go слава Богу отвязались от прямой связанности при объявлении типа, но это все еще коллекция методов
но это по правде тонкости
те же трейты в Расте работают аналогично

хотелось бы просто их не писать, а объединить это.
использовать тип сразу как самодостаточную единицу, так и как контракт

Ни разу.
* Интерфейсы в Go всегда подразумевают боксинг, в Rust — нет
* В Go невозможно выразить "этот тип удовлетворяет нескольким этим интерфейсам"
* В Go нельзя написать реализации методов по умолчанию

Ни разу.
* Интерфейсы в Go всегда подразумевают боксинг, в Rust — нет
* В Go невозможно выразить "этот тип удовлетворяет нескольким этим интерфейсам"
* В Go нельзя написать реализации методов по умолчанию

это детали, которые не важны в контексте изначального вопроса

Нет. Вы кода пишете в сигнатуре функции Class a => ... это рассахаривается в ClassDictionary a -> ... связывание динамическое

Ну и бывают сложные случаи с вложенными типами, которые не известны на этапе компиляции, там то да точно динамическое

Так ты мягкое с теплым сравниваешь

Механика трейтов совершенно иная от интерфейсов ГО

https://arxiv.org/abs/1910.00935

We present DiffTaichi, a new differentiable programming language tailored for building high-performance differentiable physical simulators. Based on an imperative programming language, DiffTaichi generates gradients of simulation steps using source code transformations that preserve arithmetic intensity and parallelism. A light-weight tape is used to record the whole simulation program structure and replay the gradient kernels in a reversed order, for end-to-end backpropagation. We demonstrate the performance and productivity of our language in gradient-based learning and optimization tasks on 10 different physical simulators. For example, a differentiable elastic object simulator written in our language is 4.2x shorter than the hand-engineered CUDA version yet runs as fast, and is 188x faster than the TensorFlow implementation. Using our differentiable programs, neural network controllers are typically optimized within only tens of iterations.

а цель общая
причем здесь механика?

ну давайте еще подробнее закопаемся в то, что интерфейсы ГО и трейты Раста не одно и то же
это и так ясно
тред начинался на тему как без них, других абстракций и обобщений прожить
точнее подсказать примеры, где уже так делали

Зачем писать на ЯП и не использовать все его фичи?