危！比 Python 快 90,000 倍的 Mojo 官宣开源

AI 时代，在各大公司“卷”大模型之际，也有人从工具层“发力”编程语言。

2023 年，Swift 之父、编译器大神 Chris Lattner 和 Google 前员工 Tim Davis 带领其背后的初创团队 Modular 加入 AI 战局，先是火速发布了比 Python 快 35000 倍的 Mojo 编程语言，而后又拿下 1 亿美元的融资，进而推出围绕 Mojo 打造的商业人工智能平台 MAX，最终希望 Mojo 能成为一款所有 AI 程序员都在使用的编程语言。

现如今，Modular 再次展开布局，官宣开源 Mojo 核心组件（https://github.com/modularml/mojo）。基于开源开放的方式，这一项目在短短时间内迅速吸引全球开发者的关注，GitHub Star 数攀升到 19.2k，Fork 达 2.3k。

对此，不少网友持以期待：“Mojo 现已开源。Python 已经很棒了。Mojo 将其提升到了一个全新的水平。我们正在使用 Python 构建 AGI。想象一下当我们加快速度时的可能性！”

01 AI 编程语言 Mojo 正式开源标准库

Mojo 自 2023 年 5 月首次面世以来，一直在稳步迭代。它是一种专为 AI 设计的编程语言，可以将 Python 的易用性与 C 的性能相结合，释放 AI 硬件强大的可编程性和 AI 模型的可扩展性。

简单来看，使用 Mojo 可以编写比 C 更快、可移植的代码，并与 Python 生态系统无缝交互。最重要的是，Mojo 具备了使用 Python 库整个生态系统的能力。

之所以选择开源的方式，Modular 在官方公告中写道，“在 Modular，开源已根植于我们的 DNA 中。我们坚信，Mojo 要充分发挥其潜力，就必须开源。我们一直在逐步开源更多 Mojo 和 MAX 平台的部分内容，今天我们很高兴地宣布在 Apache 2 许可证下发布 Mojo 标准库的核心模块！我们始终相信，公开构建 Mojo 会带来更好的结果，因为它允许其设计受到更广泛社区的反馈的影响。”

Modular 开源的 Mojo 组件构成了该语言标准库。这是编程语言的一部分，包括其核心语法元素和其他基本功能。Mojo 的标准库包含优化 AI 超参数等任务的功能，这些设置决定神经网络如何处理数据。

和其他开源项目有所不同，Modular 团队这次除了提供标准库的源代码之外，还开放标准库的修订历史记录、发布 Mojo 编译器的夜间构建版本（软件的每日构建版本），提供了公共持续集成服务（public CI ），并通过 GitHub 拉取请求允许外部贡献。

02 遵循 Apache 2 LLVM 许可

在遵循的开源协议上，Mojo 使用的 Apache 2，它包含了专利授权条款，为软件的用户和贡献者提高了法律保护。

不过，在使用 Apache 2 许可证时，Modular 团队基于 LLVM 项目经验也发现了两个问题：
    其一，有人担心 Apache 2 许可证可能无法与 GPL2 代码（例如 Linux 内核）不太兼容；
    其二，Apache 2 许可证要求你承认在衍生项目中使用了代码。

对此，Modular 团队表示，“我们希望你可以在不需要承认使用 Modular 或 Mojo 的情况下使用 Mojo，并且明确表明与 GPL2 代码混合是可以接受的。因此，我们包含了专门设计用于解决这些问题的 LLVM exception。

我们认为这代表了语言和工具项目的开源许可证的最新技术水平，并建议其他 Mojo 开源项目采用相同的方法。我们已经在我们现有的开源代码中使用了这种方法，并将继续以相同的方式发布更多的代码。”

03 对标 Python？也许搞错了

Mojo 作为一门新语言，如今选择开源的方式吸引全球开发者参与其中，无疑对其生态发展有极大的好处，但是就这门语言而言，也有不少人存有争议，毕竟自其发布以来，也有不少人将其对标因 AI 发展而风生水起的 Python 语言，而 Mojo 官方也多次将其与 Python 的运行速度相比较：

    2023 年 5 月，在用最先进的编译器和异构运行时，Mojo 能够利用硬件的全部功能，包括多核、向量单元和加速器单元，在不复杂的前提下，实现与 C++ 和 CUDA 相当的性能。与此同时，根据官网测试结果，Mojo 比 Python 快 35000 倍。

同年 9 月 7 日，Modular 公司宣布 Mojo 初步登陆 Linux 系统之际介绍称，Mojo 将动态与静态语言的优点结合起来，一举将性能提升达 Python 的 68000 倍。

在 10 月，Mojo 推出了支持 Mac 平台的版本，Chris Lattner 发文表示：Mojo + Apple Silicon 是强强联合，强上加强。

彼时 Mojo 团队fa，Mojo 语言可以充分利用 Mac CPU 内核和矢量单元来实现加速。根据他们提供的测试 —— 使用 matmul.mojo 运行一个矩阵乘法示例。在 Apple MacBook Pro M2 Max 上，与纯 Python 实现的版本相比，Mojo 的速度大约比 Python 快 90,000 倍。

基于此，也有人担心自己刚学了 Python，难道又要开始学 Mojo？

其实对于这个问题，Mojo 之父 Chris Lattner 早些时候也直率地回应过，「Mojo 对 Python 没有威胁：它提升了 Python 的水平并赋予 Python 程序员超能力。如果有人应该害怕的话，那就应该是 C++ ，这种很难使用加速器语言。Python 是开发人员所喜爱的：当你需要性能时，C++ 基本上是一种实用的必要之恶。」

现实来看，也确实如此，Mojo 可以视为是 Python 的一个超集，甚至视为 Python++，它弥补了 Python 的一些不足之处。

要知道过往 20 年间，Python 凭借其简单的语法和广泛的生态系统，巩固了其作为 AI 领域主导语言的地位。然而，性能不佳是它的一个重大缺陷，尤其是在人工智能等计算密集型领域。

至于 Python 性能为什么不好，主要还是和它最初的设计有关，Python 起初优先考虑了生产力和简单的语法，导致它：

    是一门解释性语言。解释性语言本质上较慢，因为解释器执行代码而不是直接与硬件交互。相比之下，编译型语言生成机器码，直接由硬件执行，使它们快了几个数量级。

    Python 的动态类型意味着变量数据类型在运行时确定，引入了类型检查和处理的开销，这导致了语言的慢速。

    Python 使用引用计数来管理内存。虽然对编程很方便，但解释器必须跟踪内存并清理未使用的对象，这会产生额外开销。

    现代 CPU 具有多个核心，要最大化性能需要利用这些多个执行线程。虽然 Python 支持多线程，但全局解释器锁（GIL）阻止多个线程同时运行，使大量性能提升未能实现。不过，Python 正在逐步尝试缩小 GIL 的范围，例如在 Python 3.12 中引入了针对每个解释器的 GIL，这意味着各个 Python 解释器不再共享同一个 GIL。

    一些如数值计算等操作，在 Python 中可能比 C 或 FORTRAN 等编译型语言慢。

针对其中一些问题有解决方法。例如，性能关键的代码可以用 C 或 C++ 等编译型语言编写，并从 Python 调用。许多机器学习库，如 Numpy、Scipy、TensorFlow 和 PyTorch，就是这样做的。由于这些库是用 C/C++ 实现的，它们还利用 SIMD 指令来改善执行数值计算的性能。

不过，并非所有人都精通 C 语言编写。即使他们能写一些 C，优化以实现最大硬件输出的技能也是极少数人拥有的。诸如 Cython 和 Numba 之类的工具已被开发出来以简化这些问题，但它们无法保证在所有情况下进行优化，也无法针对如今用于部署人工智能应用的各种硬件目标进行优化，比如 CPU、GPU、TPU和定制 FPGA。

后来，Modular 使 Mojo 成为一种更方便的替代方案。它提供了与 Python 类似的相对易于使用的语法，但运行代码的速度快了数千倍。结果是开发人员可以编写快速的 AI 模型，而无需学习 C++ 等复杂技术。

在性能方面，Mojo 提供与 C、Rust 一样快的性能，同时还提供了 Python 的易用性。Mojo 是静态类型的，这可以让编译器能够进一步优化代码，并在编译时执行错误检查。此外，它还支持强大的编译时元编程，允许将通用代码编译成多个由类型参数化的专门版本，类似于其他语言中的泛型，但更强大。

与此同时，Mojo 构建在 MLIR 框架之上，进而可以移植到广泛的硬件设备上，包括 CPU、GPU 和 TPU。这种兼容性使得可以在不同的设备上编译相同的代码而无需修改，使 Mojo 成为构建 AI 应用的优秀选择。


05 Mojo 开源初起步

截至目前，对于发布不足一年的 Mojo 而言，有数据显示，其已经建立超过 175000 名开发者和 50000 个组织的用户群，可见它的演进速度并不慢。鉴于此次标准库的开源，也有不少用户翘首期盼 Mojo 编译器开源的那一天。

此次，Modular 团队虽未明说，但是其在公告中透露，“我们认为这是我们开源之旅的一个重要起点，而不是终点。当我们与社区一起学习时，我们逐步发展和迭代我们的开发和贡献流程。随着时间的推移，我们将开放更多代码，包括更多 Mojo 和更广泛的 MAX 平台的部分内容。”

06 AI 时代是否还有“卷”编程语言的必要？

最后，在提及 Mojo 语言之际，也有开发者陷入怀疑之中，发出「AI 时代究竟是否还有必要学习编程语言」的灵魂一问。

回看过往一段时间，3 月初，百度 CEO 李彦宏说，以后不会存在程序员了，只要会说话就能具备程序员能力，而未来的编程语言，只会剩下两种，一种叫英文，一种叫中文。

英伟达 CEO 黄仁勋在对孩子的最新寄语中说，生成式 AI 的未来发展大幅降低了学习编程的意义，人类应该专注于更重要的技能，如生物学、教育学、制造业或农业。我们的工作就是创造计算技术，让所有人都不需要编程。而且编程语言可以普及成为人类的语言，现在世界上每个人都是程序员，这就是人工智能的奇迹。

就在昨日阿里云官宣了 AI 员工——通义灵码，工号 AI 001 号。它擅长 Java、Python、Go、JavaScript、TypeScript、C/C++、C# 等 200 多种编程语言，可以辅助程序员写代码、读代码、查 Bug、优化代码等。

所以，学编程语言究竟是否还有必要，尤其是 Mojo 这样的新语言。带着这样的问题，我们也询问了 ChatGPT，它给出的答案是：

  尽管 AI 工具在编程领域的发展和应用可以提供帮助，但程序员仍然需要学习编程语言。以下是几个原因：
1、理解和创造性思维
学习变成语言不仅仅是为了掌握语法和规则，更重要的是理解编程的基本原理和思维方式，这种理解是程序员能够进行创造性思考和解决问题的关键
2、定制化需求
虽然AI工具可以生成代码片段，但在实际项目中，通常需要根据具体的需求进行定制化开发。程序员需要根据项目要求选择合适的算法、数据结构和设计模式，并将其转化为可执行的代码。
3、质量控制和调试
编程语言的学习使得程序员能够编写高质量的代码，并进行必要的调试和优化。尽管AI工具可以提供建议和检查错误，但程序员仍然需要进行代码审查和调试，以确保代码的正确性和稳定性。
4、新技术的应用
编程语言的学习使得程序员能够更好的理解和应用新技术。尽管AI工具可以帮助提升效率，但要想真正掌握新技术并将其应用到实际项目中，仍然需要学习相应的编程语言和框架。

综上所述，尽管AI工具的发展可能改变了编程的方式，但编程语言仍然是程序员必须学习的重要基础。学习变成语言不仅有助于提高编码的效率，更重要的是培养了程序员的思维方式和解决问题的能力。

基于此，你如何看待新出现的开源 Mojo？以及 AI 时代的编程语言是否有必要上手？欢迎留言分享。

参考：

https://www.modular.com/blog/the ... in-mojo-open-source

https://github.com/modularml/mojo/tree/nightly?tab=readme-ov-file

https://codeconfessions.substack ... e-of-ai-programming
————————————————
                        
原文链接：https://blog.csdn.net/csdnnews/article/details/137364547