AnamDB: 一个用 Rust 编写的 AI 原生、可微 Datalog 引擎

AnamDB 是一个新兴项目，旨在弥合生成式 AI 的概率性质与 Datalog 的形式化、确定性逻辑之间的鸿沟。AnamDB 使用 Rust 编写，以确保高性能和安全性，被描述为一个 AI 原生的、可微的 Datalog 引擎。通过将可微性集成到逻辑编程世界中，AnamDB 寻求为能够进行逻辑推理并能通过基于梯度的优化进行优化的系统提供一条路径。

逻辑与 AI 的融合

传统上，像 Datalog 这样的逻辑编程语言被用于静态分析、网络配置和安全策略执行。这些系统是确定性的：一个事实要么是真的，要么是假的。相比之下，现代 AI，特别是大语言模型 (LLMs) 和神经网络，是概率性的。它们基于权重和梯度运行，而这些与概率和近似值相关联。

AnamDB 为 Datalog 提供了一种“可微”的方法。在逻辑编程领域，“可微”意味着系统的其余部分可以计算输出相对于其输入的梯度。这使得逻辑引擎可以集成到更大的 AI 流水线中，其中逻辑结果可以作为使用标准 AI 训练技术（如反向传播）进行优化的路径。

Rust 中的技术实现

选择 Rust 作为实现语言对于数据库引擎来说具有显著优势。Rust 的内存安全保证和零成本抽象允许 AnamDB 高效运行，而不会受到困扰许多逻辑编程环境的垃圾回收暂停的影响。

该项目的关键技术目标包括：

• AI 原生设计：从底层构建，以支持现代 AI 工作负载的需求。
• 可微性：允许使用梯度来优化逻辑规则或提供给引擎的事实。
• Datalog 引擎：利用 Datalog 的确定性本质，确保结果是可重现且可验证的。

潜在应用

虽然该项目目前处于早期阶段，但可微 Datalog 引擎的潜在应用前景非常广阔。此类系统可用于：

• 神经符号 AI：神经符号 AI 是尝试将神经网络的学习能力与符号逻辑的推理能力相结合的尝试。AnamDB 可以作为此类系统的核心。
• 知识图谱优化：使用梯度来精炼知识图谱中的事实，从而引导至所需的结果。
• 可微逻辑编程：允许逻辑规则本身从数据中学习，而不是由专家手动编写。

当前状态与社区反馈

当该项目在 Hacker News 上分享时，最初的社区反应强调了一个技术障碍：可访问性。一位用户指出在尝试访问仓库时遇到了 404 错误，这表明该项目处于非常早期、私有或不稳定的开发阶段。这强调了开源项目对于早期采用者进行“探索”和研究其技术实现的重要性，即项目的可见性和可用性。