Chris Lattner 訪談：談 Mojo 語言與 AI 時代的程式設計未來

寫 Python 的 AI 工程師幾乎都逃不過同一個彆扭的現實：頂層寫模型程式碼用 Python 確實爽快，但遇到效能瓶頸或者要部署到不同硬體時，又不得不切回 C++ 或底層運算元去折騰。

Lex Fridman 播客第 381 期上線，這次的嘉賓正是編譯器領域的傳奇工程師 Chris Lattner。他曾主導過蘋果的 Swift、LLVM 和 Clang，在 Google 負責過 MLIR 和 TPU 軟體棧，還在特斯拉帶過自動駕駛團隊，如今創立了 Modular 並推出新程式語言 Mojo。

在長達三個多小時的對談裡，Lattner 系統性地拆解了 Mojo 的設計思路、軟硬體結合的痛點，以及他對程式設計未來的判斷。

為什麼還要造一門新語言

AI 開發者面對的最大障礙之一就是語言割裂。Lattner 指出，現在的深度學習棧底層依賴 C++，頂層包裝成 Python，中間還隔著 PyTorch 和 TensorFlow 等複雜框架。

他在對談中把 Mojo 放在了與 CPython 正面對比的位置上。Mojo 並非另起爐灶建立完全陌生的語法，而是試圖吸納 Python 的易用性，同時補齊系統級程式語言的能力。

為了兼顧極高的執行效能與安全，Mojo 引入了強型別系統和不可變性設計。與傳統靜態語言不同的是，Lattner 還特別提到了自動調優能力，讓編譯器能夠根據目標硬體架構自動尋找最優執行路徑。

對談中他還聊到了與 Python 之父 Guido van Rossum 的分歧與交集，並橫向對比了 Swift 和 Julia 等語言在科學計算上的探索。為了讓社群快速上手，Modular 還推出了 Mojo Playground，並拉來了 fast.ai 創始人 Jeremy Howard 參與合作，一步步推進其開源路線圖。

編譯器的底層邏輯與 AI 的未來

Lattner 在播客中回憶了自己在蘋果、Google 和 SiFive 的工作經歷。在他看來，現代硬體早就不再是單純堆 CPU 算力，TPU、GPU 和各類加速器層出不窮，而底層的編譯器工具鏈卻嚴重脫節。

Mojo 的核心目標之一就是做分散式部署。它試圖打通從單一晶片底層運算元到大規模叢集排程的全流程，消除不同硬體之間的壁壘。

除了具體的程式碼縮排、函式過載和錯誤處理機制，Lattner 還和 Fridman 探討了 ChatGPT、AI 帶來的安全風險以及商業化創業的挑戰。面對大語言模型的火爆，他認為程式設計本身正在被重塑，但對底層系統工程和高效能執行的需求反而比以往任何時候都更加迫切。

為什麼重要

對 AI 工程師和系統開發者來說，Mojo 試圖解決的是一個長期被忍受的痛點。誰都知道雙層語言架構痛苦，但很少有人真正具備重寫一套編譯器基礎設施的技術積累，而 Lattner 恰好是極少數做成過 LLVM、Clang 和 Swift 的人。

如果 Mojo 能夠兌現承諾，普通演算法研究員或許不必再去死磕 C++ 甚至 CUDA 運算元，寫著類似 Python 的語法就能拿到系統級的硬體加速表現。不過從目前來看，它剛開放了 Playground 體驗，整體路線圖仍在推進中，生態也處在極早期，現在去把它用於關鍵生產環境顯然還為時過早。

對整個行業而言，Modular 的切入點極其聰明。它沒有直接去卷大模型本身的訓練，而是卡位在算力硬體與上層框架之間的編譯器中介軟體，試圖吃下異構計算的紅利。

但我們認為，Mojo 面臨的最大挑戰從來不是技術本身，而是 Python 歷經幾十年沉澱下來的極其龐大的生態系統。讓開發者試用新玩具很容易，但要說服整個開源社群和工業界徹底切換一套底層工具鏈，還有極其漫長的一段路要走。