Chris Lattner 访谈：谈 Mojo 语言与 AI 时代的编程未来

写 Python 的 AI 工程师几乎都逃不过同一个别扭的现实：顶层写模型代码用 Python 确实爽快，但遇到性能瓶颈或者要部署到不同硬件时，又不得不切回 C++ 或底层算子去折腾。

Lex Fridman 播客第 381 期上线，这次的嘉宾正是编译器领域的传奇工程师 Chris Lattner。他曾主导过苹果的 Swift、LLVM 和 Clang，在 Google 负责过 MLIR 和 TPU 软件栈，还在特斯拉带过自动驾驶团队，如今创立了 Modular 并推出新编程语言 Mojo。

在长达三个多小时的对谈里，Lattner 系统性地拆解了 Mojo 的设计思路、软硬件结合的痛点，以及他对编程未来的判断。

为什么还要造一门新语言

AI 开发者面对的最大障碍之一就是语言割裂。Lattner 指出，现在的深度学习栈底层依赖 C++，顶层包装成 Python，中间还隔着 PyTorch 和 TensorFlow 等复杂框架。

他在对谈中把 Mojo 放在了与 CPython 正面对比的位置上。Mojo 并非另起炉灶建立完全陌生的语法，而是试图吸纳 Python 的易用性，同时补齐系统级编程语言的能力。

为了兼顾极高的运行性能与安全，Mojo 引入了强类型系统和不可变性设计。与传统静态语言不同的是，Lattner 还特别提到了自动调优能力，让编译器能够根据目标硬件架构自动寻找最优执行路径。

对谈中他还聊到了与 Python 之父 Guido van Rossum 的分歧与交集，并横向对比了 Swift 和 Julia 等语言在科学计算上的探索。为了让社区快速上手，Modular 还推出了 Mojo Playground，并拉来了 fast.ai 创始人 Jeremy Howard 参与合作，一步步推进其开源路线图。

编译器的底层逻辑与 AI 的未来

Lattner 在播客中回忆了自己在苹果、Google 和 SiFive 的工作经历。在他看来，现代硬件早就不再是单纯堆 CPU 算力，TPU、GPU 和各类加速器层出不穷，而底层的编译器工具链却严重脱节。

Mojo 的核心目标之一就是做分布式部署。它试图打通从单一芯片底层算子到大规模集群调度的全流程，消除不同硬件之间的壁垒。

除了具体的代码缩进、函数重载和错误处理机制，Lattner 还和 Fridman 探讨了 ChatGPT、AI 带来的安全风险以及商业化创业的挑战。面对大语言模型的火爆，他认为编程本身正在被重塑，但对底层系统工程和高性能执行的需求反而比以往任何时候都更加迫切。

为什么重要

对 AI 工程师和系统开发者来说，Mojo 试图解决的是一个长期被忍受的痛点。谁都知道双层语言架构痛苦，但很少有人真正具备重写一套编译器基础设施的技术积累，而 Lattner 恰好是极少数做成过 LLVM、Clang 和 Swift 的人。

如果 Mojo 能够兑现承诺，普通算法研究员或许不必再去死磕 C++ 甚至 CUDA 算子，写着类似 Python 的语法就能拿到系统级的硬件加速表现。不过从目前来看，它刚开放了 Playground 体验，整体路线图仍在推进中，生态也处在极早期，现在去把它用于关键生产环境显然还为时过早。

对整个行业而言，Modular 的切入点极其聪明。它没有直接去卷大模型本身的训练，而是卡位在算力硬件与上层框架之间的编译器中间件，试图吃下异构计算的红利。

但我们认为，Mojo 面临的最大挑战从来不是技术本身，而是 Python 历经几十年沉淀下来的极其庞大的生态系统。让开发者试用新玩具很容易，但要说服整个开源社区和工业界彻底切换一套底层工具链，还有极其漫长的一段路要走。