Logique Tensorielle : Le Langage de l'IA

Tensor Logic: The Language of AI

October 14, 2025

papers.authors: Pedro Domingos

cs.AI

papers.abstract

Les progrès en intelligence artificielle sont entravés par l'absence d'un langage de programmation doté de toutes les fonctionnalités nécessaires. Des bibliothèques comme PyTorch et TensorFlow offrent la différenciation automatique et une implémentation efficace sur GPU, mais elles sont des ajouts à Python, qui n'a jamais été conçu pour l'IA. Leur manque de support pour le raisonnement automatisé et l'acquisition de connaissances a conduit à une longue et coûteuse série de tentatives approximatives pour les intégrer. D'un autre côté, les langages dédiés à l'IA comme LISP et Prolog manquent de scalabilité et de support pour l'apprentissage. Cet article propose la logique tensorielle, un langage qui résout ces problèmes en unifiant l'IA neuronale et symbolique à un niveau fondamental. La seule construction en logique tensorielle est l'équation tensorielle, basée sur l'observation que les règles logiques et la sommation d'Einstein sont essentiellement la même opération, et que tout le reste peut y être réduit. Je montre comment implémenter de manière élégante des formes clés d'IA neuronale, symbolique et statistique en logique tensorielle, y compris les transformateurs, le raisonnement formel, les machines à noyaux et les modèles graphiques. Plus important encore, la logique tensorielle ouvre de nouvelles perspectives, comme un raisonnement solide dans l'espace d'embedding. Cela combine la scalabilité et la capacité d'apprentissage des réseaux neuronaux avec la fiabilité et la transparence du raisonnement symbolique, et pourrait constituer une base pour une adoption plus large de l'IA.

English

Progress in AI is hindered by the lack of a programming language with all the requisite features. Libraries like PyTorch and TensorFlow provide automatic differentiation and efficient GPU implementation, but are additions to Python, which was never intended for AI. Their lack of support for automated reasoning and knowledge acquisition has led to a long and costly series of hacky attempts to tack them on. On the other hand, AI languages like LISP an Prolog lack scalability and support for learning. This paper proposes tensor logic, a language that solves these problems by unifying neural and symbolic AI at a fundamental level. The sole construct in tensor logic is the tensor equation, based on the observation that logical rules and Einstein summation are essentially the same operation, and all else can be reduced to them. I show how to elegantly implement key forms of neural, symbolic and statistical AI in tensor logic, including transformers, formal reasoning, kernel machines and graphical models. Most importantly, tensor logic makes new directions possible, such as sound reasoning in embedding space. This combines the scalability and learnability of neural networks with the reliability and transparency of symbolic reasoning, and is potentially a basis for the wider adoption of AI.