人工智能张量计算库别只看能求导。库要三件事：把计算建成图，跑图上的相关计算，以及尽量跑得快。2026年动态图好写，但图从不作为对象存在，慢了你改不了它。需要化简、换后端、做数值稳定改写时，一次性把图写死，才能把优化做深。图必须是改得了的对象。

人工智能框架名字很多，痛点在把「能在加速卡上乘矩阵」当成同一类东西

名字本身就不严谨。叫张量库太宽，叫图计算又会和网络分析库撞车。更准的是：管理计算图的库。不算在内的有三类。只提供函数工具箱、没有图概念的数组库；只负责把代码编译快、不管图的加速器；以及包在张量库外面的高层训练封装。纯函数变换库比较尴尬：它也不建显式图，却必须算进来，因为它用变换给出梯度函数。

建图方式会分叉。静态是先定义再灌数据，动态是前向时顺手把图描出来。惰性是用到才算，急切是定义完就算。常见搭配是动态加急切，或静态加惰性。有的库甚至不用显式图，只用高阶函数链。图拿来干什么会反过来逼建图方式：几乎都能自动求导，正向、反向或双模式。若还想表示任意控制流，循环和分支会变成坑。若目标是改图本身，例如符号简化、把「一点加对数」改成对小数更稳的写法，就必须有一张真图。

执行层再分：中央处理器都能跑，加速卡和专用芯片的支持强度是分水岭。编译可以走即时编译，可以走通用编译器，也可以走给机器学习特化的编译器。这三项目标会互相拖累：为了表示任意计算，你得处理控制流；为了改图，你得接受定义和运行分离的别扭。

动态显式图：前向时建图，对某个结果调一次反向，中间节点被补上梯度。重点几乎全在求导和加速卡。纯函数变换：你把计算写成无状态函数，变换之后得到梯度函数，再当普通函数去求值。默认把库调用即时编成优化核，也可以把你自己的函数编进去，求导和编译能任意组合。还有一套是向量化和多设备映射。静态显式图：重点不只是求导，还包括图优化模块和把同一张图编到不同后端。默认可以编到中央处理器或加速卡，也可以把后端换成纯函数变换那一套，从而吃到更多硬件。

行业在往动态甚至「无显式图」走，因为写「甲加乙」时，人想要的是算出来，不是注册一个等数据的加法节点。多一层间接对只想跑得还行的人没有帮助。但显式图是对象：可以改写、可以分析哪一段慢。动态图在幕后被描出来，慢了你只能盼内部做对。静态图的承诺是：你愿意一次把计算写全，它就把化简、编译和后端挖到尽，而且这件事只需做一次。后来的分叉项目真正要修的是设计债，例如改写过程中整图被复制多次把性能打穿；新后端只是可扩展性的证明，不是主线。给这种栈做贡献，需要图优化和旧设计的深水经验，门槛很高。

人工智能选张量库2026五步：先问要不要改图，再问硬件，再问封装层

1. 只需求导和加速卡，动态或纯函数变换即可。需要化简和换后端，必须静态显式图。
2. 高层封装不得当成计算后端。不会管图，就不要写进后端栏。
3. 控制流要按该库的规则写。普通语言循环若不被追踪，方案作废。
4. 执行报三列：即时编译、向量化、特殊硬件。只报「能上卡」，不算完整。
5. 图改写要能指出慢在哪一段。指不出，不准声称已经优化过图。

上表对应「能乘矩阵」不是同一类东西。静态图别扭，是因为它把计算变成可以手术的对象。动态图舒服，是因为它把对象藏起来。

两处只有对着真实慢计算才清楚。其一，图改写若在中途整图复制，优化器本身会比原计算更慢，这是设计债不是用户写法问题。其二，纯函数变换里用普通循环，梯度可能静默地不追踪，报表上的「已求导」是假的。

建设者该把「要不要改图」写成选库第一问。管平台的人，该拒收把高层封装填进后端栏、又声称能做图级优化的方案。没有真图，改写是空话。

结论：人工智能张量栈的分界，不在名字，而在图是不是一个改得了的对象

三件事：建图、用图、跑快。动态好写。静态好改。纯函数要守变换规则。封装不是后端。仍只看能不能求导，慢计算会在内部黑盒里烂掉。

你下次选计算栈，先问要不要改图、控制流怎么写、慢段能不能指出来；三问答不上，库名先不要写进架构图。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源