它可与 Python 无缝衔接，但克服了很多 Python 的缺点。Jeremy Howard 试用后表示：「Mojo 可能是几十年来最大的编程进步。」
对于全球各地开发者来说，Chris Lattner 这个名字绝对不陌生。他曾是许多大型技术项目的领导者，包括 LLVM 编译器基础结构项目、Clang C 和 C++ 编译器、MLIR 机器学习基础结构等编译器技术，以及为苹果生态系统提供支持的程序设计语言 Swift。此外，Chris Lattner 还为 Google Brain 和 TensorFlow 建立和管理了一系列与 AI 相关的编译器、运行时和编程语言团队。十多年来，Chris Lattner 的职业履历算是相当丰富，变动也算频繁：- 2011-2017 年，任苹果开发部高级总监、架构师
- 2017.1-2017.6，任特斯拉副总裁，负责自动驾驶
- 2017.8-2020.1，任谷歌 Google Brain 高级总监
- 2020.1，加入芯片创业公司 SiFive 负责平台工程
2022 年 1 月，Chris Lattner 正式宣布创业，和 Tim Davis 共同建立了「Modular AI」，希望自下而上重建全球 ML 基础设施。在这家新生的公司中，Chris Lattner 以 CEO 身份领导团队。其实，Chris Lattner 每一次跳槽的选择都颇受关注。对于「Modular AI」，业界也是寄予厚望。近日，Chris Lattner 的创业之路有了重要动态。这一次，他官宣的是全新的编程语言「Mojo」。「Mojo 结合了 Python 的可用性与 C 的性能，释放了 AI 硬件无与伦比的可编程性和 AI 模型的可扩展性」—— 它与 Python 一样易于使用，但具有 C++ 和 Rust 的性能。此外，Mojo 提供了利用整个 Python 库生态系统的能力。Mojo 的出世，在 AI 领域迅速引起了热议。Jeremy Howard 试用后，在一篇博客文章中表示，Mojo 可能是几十年来最大的编程进步。「感觉编程被颠覆了。」在 Jeremy Howard 的记忆中，上次有这样的感觉，还是他首次上手 Visual Basic v1.0。而在 Mojo 中编写代码，让他重温了这种「神奇」的感觉。关于「Mojo」这项工作的背景，Chris Lattner 和 Tim Davis 在博客中进行了详细的说明：机器学习基础设施已经为数十亿美元的商业提供动力，并且正在迅速增长。但是，它要么由硬件团队为特定的设备集合构建，要么是由工业研究实验室构建，许多系统是不兼容技术的集合。现有的单体系统很难在其最初的领域目标之外进行扩展或通用，这种情况迫使硬件制造商建立自己的技术栈。造成的结果就是，人工智能部署行业是非常分散的，工具链就有几十个，各自有不同的权衡和限制。更重要的是，这些设计模式也因其可用性、可移植性和难以扩展而减缓了创新的步伐。
不幸的是，我们也看到，构建和部署这些应用程序的技术复杂性仍然太高。部署人工智能仍然是全栈专家的领域，而最前沿的应用只有那些自己建立 ML 技术的最大科技公司的人可以使用。
大一统的设想注定会失败吗？今天人工智能的现实世界的复杂性是否使得它不可能解决这个问题？Chris Lattner 并不这么认为。他表示，软件行业会经历周期，我们以前也见过并解决过这样的问题：20 世纪 90 年代的软件世界有过类似于我们今天看到的人工智能的碎片化问题。当时，C 和 C++ 已经建立起了社区，但却被分散在几十个专有编译器中。每一个都有供应商的扩展、粗糙的边缘、奇怪的边角案例和不完整的实现。当时，构建跨平台的软件是如此困难，以至于推动业界出现了一些工具来帮助开发者应对碎片化，使其更容易安装、构建和配置软件（例如 autoconf）。
「GCC」就是其中一员。凭借其对跨平台的支持、良好的性能和稳定性，以及免费性，GCC 在 90 年代获得了巨大的成功。GCC 的成功推动了工具行业的整合浪潮，由此产生的碎片整理使其功能成为事实上的标准，从而带来了一波新的创新。它催化了软件（直接促成了 Linux 等开放源码软件社区的迅速崛起）和硬件（促成了指令集架构和新商业模式的创新）的革命，使前者从零散的 C/C++ 实现中解放出来，使后者不必追赶快速发展的 C/C++ 语言标准。
当我们创办 Modular 时，我们没有打算建立一种新的编程语言。但是，当我们在建立我们的平台，打算统一世界上的 ML/AI 基础设施时，我们意识到，在整个堆栈中编程太复杂了。另外，我们用手写了很多 MLIR，但并不愉快。我们想要的是一个创新的、可扩展的编程模型，可以针对加速器和其他机器学习中普遍存在的异构系统。这意味着一种具有强大的编译时元编程的编程语言，整合自适应编译技术，在整个编译流程中进行缓存，以及其他现有语言不支持的东西。
尽管加速器很重要，但最普遍的、有时被忽视的加速器之一是主机 CPU。今天，CPU 有很多类似张量核心的加速器块和其他 AI 加速单元，但它们也是专门加速器无法处理的运算的后备力量，如数据加载、前后处理以及与国外系统的集成。因此，很明显，我们不能用一种只与特定处理器一起工作的「加速器语言」来提升人工智能。应用 AI 系统需要解决所有这些问题，我们认为没有理由不通过一种语言来完成。
Mojo：比 Python 快 35000 倍的编程语言在编程语言领域，Python 可以说是非常受欢迎了。如今，这个领域又迎来一位新的竞争者：Mojo。Mojo 是一门新的编程语言，其将 Python 的易用性和 C 的性能结合起来，弥合了研究和生产之间的差距。使用 Mojo，用户可以编写比 C 语言更快的可移植代码，并与 Python 生态系统无缝互操作，其目标是成为 AI 研究和生产的理想选择。我们先看一个示例。下图展示的是 Mojo 与 Python 无缝互操作：
首先是可用性和可编程性，只用 Mojo 一种语言就能编写所有东西。例如可以编写 Python、大量低级 AI 硬件程序，而不需要 C++ 或 CUDA。
第二是性能，Mojo 解锁了 Python 性能。利用最先进的编译器和异构运行时，Mojo 能够充分利用硬件的全部功能，包括多核、向量单元和加速器单元。在任务不复杂的情况下实现与 C++ 和 CUDA 相当的性能。
并行化：Mojo 利用 MLIR，使 Mojo 开发人员能够利用向量、线程和 AI 硬件单元。此外，根据测试，Mojo 比 Python 快 35000 倍。Mojo 第三个特点是互操作性，可以访问整个 Python 生态系统，如可以访问 Numpy、Matplotlib 以及用户自定义代码：
第四个特点是可扩展性。使用预处理和后处理操作就能轻松扩展模型，或者用自定义操作替换其他操作。此外，Mojo 还可以利用核融合、图形重写、形状函数等。
模型的可扩展性，Mojo 可以升级模型中的现有操作。Modular AI 表示，Mojo 仍在开发中，开发者现在可以在 Modular AI 基于 JupyterHub 的 Playground 中试用，用户只需通读教程便可编写自己的 Mojo 代码。试用地址：https://docs.modular.com/mojo/get-started.htmlhttps://www.modular.com/blog/the-future-of-ai-depends-on-modularityhttps://www.modular.com/mojohttps://www.fast.ai/posts/2023-05-03-mojo-launch.html
