Bayesian Program Synthesis（贝叶斯程序合成，BPS）是一种人工智能技术，旨在利用贝叶斯统计方法，根据规范或数据自动生成计算机程序。不同于传统编程或常规机器学习，BPS 在程序合成过程中显式地融入了不确定性和概率结构。其核心思想是将程序创建视为概率推断问题，根据观测数据和先验知识，从极其庞大的程序空间中推断出最可能的程序。BPS 区别于确定性方法，能够借助贝叶斯推断的灵活性与鲁棒性，生成能够适应不同环境、支持增量学习的自适应程序。

BPS 通常通过定义概率文法或程序搜索空间、对程序结构或参数指定贝叶斯先验，并借助推断算法高效探索这个空间，从而自动生成复杂的概率模型或针对特定问题的算法。

应用场景与使用示例

BPS 可用于自动生成数据分析模型、自动化统计建模、从结构化或非结构化数据中提取知识，以及在机器人学中合成实验计划或控制策略。例如，BPS 可自动发现科学数据中的解释性模型，或为数据科学流程生成最优处理脚本。

在工业界，BPS 可加速定制化软件开发、自动化复杂建模任务，或通过生成自适应策略优化业务流程。

主要软件工具、库与框架

主流 BPS 工具和框架包括：Gen（MIT，灵活的概率编程语言）、Anglican（基于 Clojure 的概率编程语言）、Pyro（基于 PyTorch）、Stan、Edward（基于 TensorFlow），这些工具虽以概率推断为主，但可适配于部分 BPS 场景。高级研究还常用 Bayesian Program Learning（BPL）及其他概率编程语言。

最新进展与发展趋势

近期进展包括推断算法效率的提升、BPS 与深度学习模型的集成（融合符号与统计方法）。对合成程序的可解释性与可验证性、以及数据科学和人工智能中复杂任务自动化的关注日益增加。BPS 工具正在向工业数据科学领域普及，并作为自主与自适应系统的关键组件受到关注。