在通往 AGI 的道路上配资股票网站，人类欠缺的是一种合适的编程语言？
华盛顿大学计算机学院教授 Pedro Domingos 在最新的独作论文中表示，当前 AI 领域使用的编程语言，无一例外全都存在缺陷。
同时，Domingos 还提出了一种新的统一语言，将 AI 逻辑统一成了张量表示。
这篇论文，将逻辑推理转化为纯张量代数，消除了主流人工智能模型中离散逻辑与连续梯度之间的界限，让演绎和神经计算使用同一种语言。
其中没有符号或启发式命令，仅靠数学就实现了逻辑与学习的融合，使神经网络能够以符号精度进行推理、符号系统像神经网络一样学习。
Domingos 本人也自我评价称，他通过这篇新作，发现了通往 AGI 的道路。
Domingos 对自己的成果非常自信，有网友询问能不能用这套系统来做 Vibe Coding，而 Domingos 的回答是，"比 Python 强太多"。
" AI 显然还没有找到它的语言"
在论文中，Domingos 把当前 AI 领域使用的语言全都批判了一番，认为它们全都存在缺陷。
首当其冲的就是现在最常用的 Python，Domingos 认为其"从未为 AI 设计"。
具体来说，虽然像 PyTorch 和 TensorFlow 这样的库提供了自动微分和高效的 GPU 实现，但它们对自动化推理和知识获取"毫无帮助"。
这导致在这些功能上只能依靠" hacky attempts "（拼凑式的临时方案），既不系统，也不高效。
其他语言也有各种各样的问题。
比如早期的 LISP 和 Prolog 等 AI 语言，虽然"使符号 AI 成为可能"，但缺乏可扩展性和对学习的支持。
图模型虽然为概率 AI 提供了"通用语言"（lingua franca），但其推理成本高昂，限制了实际使用；Markov 逻辑这类融合符号与概率 AI 的形式系统，也是因推理代价而受限。
作者还批评神经符号 AI 试图将深度学习与符号 AI 结合的做法，认为这完全是将两者的糟粕"完美结合"。
研究了这一圈之后，Domingos 得出结论——" AI 显然还没有找到它的语言"。
那么，AI 到底需要一种什么样的语言呢？
统一张量方程表达神经网络
Domingos 提出了一种全新的 AI 编程语言框架，名为 Tensor Logic，作者认为它有潜力成为整个人工智能领域的"母语"。
Tensor Logic 的目标，就是提供一个统一表达神经网络与符号推理的语言体系，让学习、推理与知识表示在同一个数学框架中自然展开。
这样做的原因是 Domingos 认为逻辑规则与张量运算中的爱因斯坦求和（Einstein summation）在结构上是等价的，逻辑程序中通过连接条件和投影来进行推理，而这些都可以用张量乘法与求和表达出来。
以 Datalog 为例，规则中的"如果 A 且 B，则 C "可以看作是两个布尔张量的 join 操作，再通过投影消去中间变量得到结果张量，最后通过一个 step 函数判断该路径是否存在。
这种等价性意味着，传统的符号逻辑推理过程完全可以转换成张量运算，不再需要专门的逻辑引擎。
与此同时，神经网络的结构也天然适配这种表示方式。
无论是多层感知机的线性变换与激活函数、RNN 的时序递归、CNN 的卷积操作，还是 Transformer 中的注意力机制和归一化操作，都可以用一组张量方程串联起来表达。
换句话说，Tensor Logic 用一套语言结构，同时覆盖了逻辑编程与深度学习的计算图。
整个语言的表达、推理与学习过程都通过张量的连接（join）、投影（projection）和非线性变换完成，不包含任何传统编程语言中的控制结构、关键字或多样化语句类型。
语言中每一条语句都是一个张量等式，左边是待求张量，右边是由其他张量构成的表达式。
张量之间通过爱因斯坦求和约定进行乘法和求和操作，未出现在等式左侧的索引自动被求和，出现在左侧的索引表示保留维度。
可选的非线性函数（如 step、sigmoid、softmax）可作用于右侧表达式的结果，实现激活、归一化或阈值判断。
由于每条语句都是张量之间的运算，整段程序天然可以进行自动微分，也无需区分"程序结构"和"模型结构"。
此外，作者还提出在嵌入空间中进行逻辑推理的机制。
对象的向量表示可以通过张量积组合成关系的表示，而推理过程则是对这些嵌入结构进行组合、投影与匹配。
通过调节激活函数的温度参数，可以实现从精确推理到模糊类比的连续过渡，从而兼顾逻辑的可靠性和神经网络的泛化能力。
那么，Tensor Logic 具体又是如何实现的？
具体实现
Domingos 展示了如何使用 Tensor Logic 以统一的张量方程形式实现多个主流 AI 方法，涵盖神经网络、符号 AI、核方法与概率图模型。
在 Tensor Logic 中，神经网络的每一层都可以用张量方程表示。
例如多层感知机（MLP）通过张量的乘法和激活函数定义隐藏层之间的映射，可用一个三维张量 W 来表示不同层的连接权重。
递归神经网络（RNN）则可利用时间维度上的状态共享，使用"虚拟索引"实现状态在时间步之间的更新。
卷积神经网络（CNN）通过在图像上滑动小的滤波器窗口，实现位置不变的特征提取。卷积操作通过索引偏移实现，池化操作通过索引除法实现聚合。
图神经网络（GNN）以节点之间的邻接关系表示图结构，用嵌入张量表示每个节点的状态。每一层的传播通过邻接矩阵和特征张量的 join 实现邻居信息聚合，再通过线性变换和激活函数更新自身状态。
Transformer 模型使用注意力机制捕捉序列中远距离依赖，Tensor Logic 用权重矩阵分别计算 query、key、value 向量，并通过注意力分数加权求和。
多个头输出拼接后进入后续的归一化、残差连接和前馈层，每一层的所有结构都是张量级别的操作。
其余像符号 AI、概率、核方法等不同 AI 范式，也都可以纳入这种表达体系中。
总之，Tensor Logic 通过一套统一的张量语法，使不同类型的 AI 系统第一次在语言层面实现了融合。
论文地址：
https://arxiv.org/abs/2510.12269
参考链接：
[ 1 ] https://x.com/godofprompt/status/1978405500485325080
[ 2 ] https://x.com/pmddomingos/status/1978333248888480079
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 年度科技风向标「2025 人工智能年度榜单」评选报名开启啦！我们正在寻找 AI+ 时代领航者 点击了解详情
❤️� � 企业、产品、人物 3 大维度，共设立了 5 类奖项，欢迎企业报名参与 � �
一键关注 � � 点亮星标
科技前沿进展每日见配资股票网站
永华证券提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
