在最近的一篇论文中，麻省理工学院的研究人员介绍了Gen，这是一种基于Julia 的通用概率语言，旨在允许用户使用高级编程结构来表达模型并创建推理算法。

麻省理工学院首次推出Gen这是一种基于Julia的人工智能语言
 

在最近的一篇论文中，麻省理工学院的研究人员介绍了Gen，这是一种基于Julia 的通用概率语言，旨在允许用户使用高级编程结构来表达模型并创建推理算法。

为此，Gen包含了许多新颖的语言构造，例如用于封装概率模型的生成函数接口，用于从现有函数中创建新的生成函数的组合器以及提供用户可以选择的高级推理算法的推理库。

尽管Gen并不是第一种概率编程语言，但MIT研究人员说，现有的语言要么在建模级别缺乏通用性，要么在支持通用建模时缺乏算法效率。Gen的目标是在建模级别表现出表现力，在算法级别表现出高效率。这需要两个不同的目标：算法效率(即算法产生结果所需的迭代次数)和实现效率(即单次迭代所需的时间)。
 

Gen为实现这两个目标而采取的方法代表了与将模型表示为程序的通常方法的转移。相反，Gen模型是称为“生成函数(GF)”的黑匣子，它们提供了一个接口(GFI)，以揭示推理所需的功能。然后使用这些接口编写推理算法。Gen模型可以用多种不同的方式表示，每种方式都具有不同的灵活性/效率权衡。

这种建模语言的一种变体(称为静态建模语言)旨在通过仅使用Julia中间表示(IR)语言的子集并将使用该子集之外的任何构造标记为错误来提供更好的时间和内存性能。

生成函数方法是使Gen适用于各种问题的关键，并使Gen可以将TensorFlow中创建的模型用作以编程语言编写的算法或作为仿真结果。可以使用组合器组合模型并在一定程度上重用模型，组合器捕获重复的建模模式，例如独立采样数据点的数据集。组合器在某种意义上类似于“高阶生成功能”，因为它们可以操纵GF，但它们本身不是GR。使用组合器，可以基于现有的推理算法库创建推理算法。
 

麻省理工学院将Gen定位于广泛的问题，从贝叶斯统计到机器学习再到计算机视觉。实际上，它的灵活性被认为是其对替代方法的主要改进之一，而替代方法通常仅局限于一种特定的方法，例如深度神经网络。根据麻省理工学院的说法，与许多其他问题相比，Gen已经表现出比现有的概率编程系统更好的性能，例如跟踪空间中的物体，从深度图像估计3D人体姿势以及推断时间序列的结构。