對于全球各地開發(fā)者來說，Chris Lattner 這個名字絕對不陌生。

他曾是許多大型技術項目的領導者，包括 LLVM 編譯器基礎結構項目、Clang C 和 C++ 編譯器、MLIR 機器學習基礎結構等編譯器技術，以及為蘋果生態(tài)系統(tǒng)提供支持的程序設計語言 Swift。此外，Chris Lattner 還為 Google Brain 和 TensorFlow 建立和管理了一系列與 AI 相關的編譯器、運行時和編程語言團隊。

十多年來，Chris Lattner 的職業(yè)履歷算是相當豐富，變動也算頻繁：

• 2011-2017 年，任蘋果開發(fā)部高級總監(jiān)、架構師
• 2017.1-2017.6，任特斯拉副總裁，負責自動駕駛
• 2017.8-2020.1，任谷歌 Google Brain 高級總監(jiān)
• 2020.1，加入芯片創(chuàng)業(yè)公司 SiFive 負責平臺工程

2022 年 1 月，Chris Lattner 正式宣布創(chuàng)業(yè)，和 Tim Davis 共同建立了「Modular AI」，希望自下而上重建全球 ML 基礎設施。在這家新生的公司中，Chris Lattner 以 CEO 身份領導團隊。

其實，Chris Lattner 每一次跳槽的選擇都頗受關注。對于「Modular AI」，業(yè)界也是寄予厚望。

近日，Chris Lattner 的創(chuàng)業(yè)之路有了重要動態(tài)。這一次，他官宣的是全新的編程語言「Mojo」。

「Mojo 結合了 Python 的可用性與 C 的性能，釋放了 AI 硬件無與倫比的可編程性和 AI 模型的可擴展性」—— 它與 Python 一樣易于使用，但具有 C++ 和 Rust 的性能。此外，Mojo 提供了利用整個 Python 庫生態(tài)系統(tǒng)的能力。

Mojo 的出世，在 AI 領域迅速引起了熱議。Jeremy Howard 試用后，在一篇博客文章中表示，Mojo 可能是幾十年來最大的編程進步。

「感覺編程被顛覆了?！乖?Jeremy Howard 的記憶中，上次有這樣的感覺，還是他首次上手 Visual Basic v1.0。而在 Mojo 中編寫代碼，讓他重溫了這種「神奇」的感覺。

為什么會有 Mojo？

關于「Mojo」這項工作的背景，Chris Lattner 和 Tim Davis 在博客中進行了詳細的說明：

機器學習基礎設施已經為數十億美元的商業(yè)提供動力，并且正在迅速增長。但是，它要么由硬件團隊為特定的設備集合構建，要么是由工業(yè)研究實驗室構建，許多系統(tǒng)是不兼容技術的集合。

現有的單體系統(tǒng)很難在其最初的領域目標之外進行擴展或通用，這種情況迫使硬件制造商建立自己的技術棧。造成的結果就是，人工智能部署行業(yè)是非常分散的，工具鏈就有幾十個，各自有不同的權衡和限制。更重要的是，這些設計模式也因其可用性、可移植性和難以擴展而減緩了創(chuàng)新的步伐。

不幸的是，我們也看到，構建和部署這些應用程序的技術復雜性仍然太高。部署人工智能仍然是全棧專家的領域，而最前沿的應用只有那些自己建立 ML 技術的最大科技公司的人可以使用。

大一統(tǒng)的設想注定會失敗嗎？今天人工智能的現實世界的復雜性是否使得它不可能解決這個問題？

Chris Lattner 并不這么認為。他表示，軟件行業(yè)會經歷周期，我們以前也見過并解決過這樣的問題：

20 世紀 90 年代的軟件世界有過類似于我們今天看到的人工智能的碎片化問題。當時，C 和 C++ 已經建立起了社區(qū)，但卻被分散在幾十個專有編譯器中。每一個都有供應商的擴展、粗糙的邊緣、奇怪的邊角案例和不完整的實現。當時，構建跨平臺的軟件是如此困難，以至于推動業(yè)界出現了一些工具來幫助開發(fā)者應對碎片化，使其更容易安裝、構建和配置軟件（例如 autoconf）。

「GCC」就是其中一員。憑借其對跨平臺的支持、良好的性能和穩(wěn)定性，以及免費性，GCC 在 90 年代獲得了巨大的成功。GCC 的成功推動了工具行業(yè)的整合浪潮，由此產生的碎片整理使其功能成為事實上的標準，從而帶來了一波新的創(chuàng)新。它催化了軟件（直接促成了 Linux 等開放源碼軟件社區(qū)的迅速崛起）和硬件（促成了指令集架構和新商業(yè)模式的創(chuàng)新）的革命，使前者從零散的 C/C++ 實現中解放出來，使后者不必追趕快速發(fā)展的 C/C++ 語言標準。

如今，Mojo 的誕生也承擔了這樣一份希冀。

當我們創(chuàng)辦 Modular 時，我們沒有打算建立一種新的編程語言。但是，當我們在建立我們的平臺，打算統(tǒng)一世界上的 ML/AI 基礎設施時，我們意識到，在整個堆棧中編程太復雜了。另外，我們用手寫了很多 MLIR，但并不愉快。

我們想要的是一個創(chuàng)新的、可擴展的編程模型，可以針對加速器和其他機器學習中普遍存在的異構系統(tǒng)。這意味著一種具有強大的編譯時元編程的編程語言，整合自適應編譯技術，在整個編譯流程中進行緩存，以及其他現有語言不支持的東西。

盡管加速器很重要，但最普遍的、有時被忽視的加速器之一是主機 CPU。今天，CPU 有很多類似張量核心的加速器塊和其他 AI 加速單元，但它們也是專門加速器無法處理的運算的后備力量，如數據加載、前后處理以及與國外系統(tǒng)的集成。因此，很明顯，我們不能用一種只與特定處理器一起工作的「加速器語言」來提升人工智能。應用 AI 系統(tǒng)需要解決所有這些問題，我們認為沒有理由不通過一種語言來完成。

在這種情況下，Mojo 誕生了。

Mojo：比 Python 快 35000 倍的編程語言

在編程語言領域，Python 可以說是非常受歡迎了。如今，這個領域又迎來一位新的競爭者：Mojo。

Mojo 是一門新的編程語言，其將 Python 的易用性和 C 的性能結合起來，彌合了研究和生產之間的差距。使用 Mojo，用戶可以編寫比 C 語言更快的可移植代碼，并與 Python 生態(tài)系統(tǒng)無縫互操作，其目標是成為 AI 研究和生產的理想選擇。

我們先看一個示例。下圖展示的是 Mojo 與 Python 無縫互操作：

Mojo 語言具有以下特點：

首先是可用性和可編程性，只用 Mojo 一種語言就能編寫所有東西。例如可以編寫 Python、大量低級 AI 硬件程序，而不需要 C++ 或 CUDA。

第二是性能，Mojo 解鎖了 Python 性能。利用最先進的編譯器和異構運行時，Mojo 能夠充分利用硬件的全部功能，包括多核、向量單元和加速器單元。在任務不復雜的情況下實現與 C++ 和 CUDA 相當的性能。

并行化：Mojo 利用 MLIR，使 Mojo 開發(fā)人員能夠利用向量、線程和 AI 硬件單元。

此外，根據測試，Mojo 比 Python 快 35000 倍。

Mojo 第三個特點是互操作性，可以訪問整個 Python 生態(tài)系統(tǒng)，如可以訪問 Numpy、Matplotlib 以及用戶自定義代碼：

第四個特點是可擴展性。使用預處理和后處理操作就能輕松擴展模型，或者用自定義操作替換其他操作。此外，Mojo 還可以利用核融合、圖形重寫、形狀函數等。

模型的可擴展性，Mojo 可以升級模型中的現有操作。

Modular AI 表示，Mojo 仍在開發(fā)中，開發(fā)者現在可以在 Modular AI 基于 JupyterHub 的 Playground 中試用，用戶只需通讀教程便可編寫自己的 Mojo 代碼。

試用地址：https://docs.modular.com/mojo/get-started.html