Tensorlogica: De Taal van AI

Tensor Logic: The Language of AI

October 14, 2025

Auteurs: Pedro Domingos

cs.AI

Samenvatting

Vooruitgang in AI wordt belemmerd door het ontbreken van een programmeertaal met alle benodigde functies. Bibliotheken zoals PyTorch en TensorFlow bieden automatische differentiatie en efficiënte GPU-implementatie, maar zijn aanvullingen op Python, dat nooit bedoeld was voor AI. Het gebrek aan ondersteuning voor geautomatiseerd redeneren en kennisverwerving heeft geleid tot een lange en kostbare reeks improvisaties om deze functies alsnog toe te voegen. Aan de andere kant missen AI-talen zoals LISP en Prolog schaalbaarheid en ondersteuning voor leren. Dit artikel introduceert tensorlogica, een taal die deze problemen oplost door neurale en symbolische AI op een fundamenteel niveau te verenigen. Het enige construct in tensorlogica is de tensorvergelijking, gebaseerd op de observatie dat logische regels en Einstein-sommatie in wezen dezelfde operatie zijn, en al het andere hiernaar kan worden gereduceerd. Ik laat zien hoe belangrijke vormen van neurale, symbolische en statistische AI elegant kunnen worden geïmplementeerd in tensorlogica, waaronder transformers, formeel redeneren, kernelmachines en grafische modellen. Het belangrijkste is dat tensorlogica nieuwe richtingen mogelijk maakt, zoals betrouwbaar redeneren in embedded ruimte. Dit combineert de schaalbaarheid en leerbaarheid van neurale netwerken met de betrouwbaarheid en transparantie van symbolisch redeneren, en is mogelijk een basis voor een bredere adoptie van AI.

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.