Chris Lattner , pencipta LLVM dan Swift , telah mencipta gelombang dengan Mojo , bahasa pengaturcaraan baharu yang direka untuk merapatkan jurang antara kemudahan penggunaan Python dan prestasi yang diperlukan untuk pengkomputeran GPU moden. Walau bagaimanapun, walaupun mempunyai keupayaan teknikal yang menjanjikan dan sokongan daripada veteran industri, Mojo menghadapi tentangan yang ketara daripada komuniti pembangun.
Gambaran Keseluruhan Status Bahasa Mojo
| Aspek | Keadaan Semasa |
|---|---|
| Lesen | Proprietari (sumber terbuka dijanjikan menjelang 2026) |
| Keserasian Python | Sintaks seperti Python, bukan superset penuh |
| Sokongan Kelas | Matlamat jangka sederhana (belum dilaksanakan) |
| Sokongan GPU | CUDA/NVIDIA disokong, pemecut lain memerlukan lesen komersial |
| Penggunaan | Terhad walaupun tersedia untuk kegunaan umum |
Kebimbangan Pelesenan Mencipta Halangan Utama
Halangan paling ketara yang dihadapi Mojo nampaknya adalah model pelesenan proprietari. Tidak seperti asas sumber terbuka yang membina kejayaan Lattner sebelum ini dengan LLVM dan Swift , Mojo kini beroperasi di bawah lesen komersial yang terhad. Lesen tersebut membezakan antara perkakasan CPU dan NVIDIA di satu pihak, dan pemecut lain seperti TPU atau GPU AMD di pihak lain, memerlukan perjanjian komersial berasingan untuk kategori yang terakhir.
Walaupun Modular telah berjanji untuk menjadikan Mojo sebagai sumber terbuka menjelang 2026, ramai pembangun masih ragu-ragu. Komuniti telah menyatakan kebimbangan mengenai potensi perubahan lesen pada masa hadapan, membuat perbandingan dengan alat proprietari lain yang pada mulanya mendapat penerimaan sebelum melaksanakan model pelesenan yang terhad.
Janji Superset Python Berkembang
Pada asalnya dipasarkan sebagai bertujuan untuk menjadi superset Python , matlamat Mojo telah menjadi lebih bernuansa dari masa ke masa. Pasukan pembangunan telah mengakui bahawa keserasian penuh Python adalah lebih mencabar daripada yang dijangkakan pada mulanya. Peta jalan semasa mencadangkan bahawa walaupun Mojo akan mengekalkan sintaks seperti Python dan kebolehoperasian, ia mungkin tidak mencapai status superset yang lengkap.
Peralihan ini telah mencipta kekeliruan dalam komuniti, dengan sesetengah pihak melihatnya sebagai pivot strategik dan bukannya keperluan teknikal. Bahasa ini masih kekurangan ciri asas seperti sokongan kelas, yang kekal sebagai matlamat jangka sederhana mengikut perbincangan terkini.
Pertukaran Prestasi Berbanding Ekosistem
Mojo berjanji untuk menyelesaikan masalah dua bahasa dalam pembelajaran mesin, di mana pembangun biasanya menggunakan Python untuk orkestrasi peringkat tinggi dan C++ / CUDA untuk kernel kritikal prestasi. Walau bagaimanapun, perdebatan komuniti mendedahkan ketegangan asas: walaupun bahasa baharu boleh menawarkan peningkatan prestasi, mereka mengorbankan kelebihan ekosistem yang luas yang menjadikan Python dominan dalam ML .
Kekuatan Python bukan sahaja terletak pada perpustakaan pengkomputeran berangka, tetapi dalam ekosistem komprehensifnya yang merangkumi pemprosesan data, API web, visualisasi, dan alat penggunaan. Mencipta semula ekosistem ini mewakili usaha besar yang melangkaui reka bentuk bahasa.
Ciri-ciri Teknikal Utama
- Syntactic sugar berbanding MLIR (Multi-Level Intermediate Representation)
- Bertujuan untuk dikompil kepada prestasi natif sambil mengekalkan sintaks seperti Python
- Direka untuk pengaturcaraan kernel GPU dan beban kerja ML
- Pengendalian pengecualian dilaksanakan sebagai syntactic sugar untuk jenis Result
- Kompilasi yang lebih pantas berbanding Swift (menangani isu reka bentuk bahasa sebelumnya)
Persaingan Daripada Penyelesaian Sedia Ada
Perbincangan menyerlahkan bahawa Mojo menghadapi persaingan dari pelbagai front. Julia sudah menangani banyak kebimbangan prestasi yang sama sambil mengekalkan ekosistem yang lebih matang. Sementara itu, penyelesaian berasaskan Python seperti Triton , JAX , dan PyTorch terus berkembang, dengan syarikat utama seperti OpenAI dan Meta menggunakan Triton untuk kernel GPU kritikal.
Triton adalah backend untuk PyTorch . Kebelakangan ini ia adalah backend. Jadi ia pasti peratusan dua digit jika tidak melebihi 50%.
Kebimbangan Komuniti
- Pelesenan: Terma komersial yang terhad untuk pemecut bukan- NVIDIA
- Ekosistem: Terhad berbanding dengan tumpukan ML/sains data Python yang matang
- Kelengkapan: Kehilangan ciri bahasa asas seperti kelas
- Kepercayaan: Keraguan mengenai komitmen sumber terbuka pada masa hadapan
- Persaingan: Penyelesaian sedia ada ( Triton , JAX , Julia ) sudah menangani keperluan yang serupa
Semakan Realiti Pasaran
Walaupun inovasi teknikal, Mojo telah menyaksikan penerimaan terhad sejak pelancarannya. Gabungan sekatan pelesenan, ciri bahasa yang tidak lengkap, dan cabaran membina ekosistem baharu dari awal telah mencipta halangan ketara untuk masuk. Ramai pembangun mengambil pendekatan tunggu dan lihat, terutamanya memandangkan kadar inovasi yang pesat dalam rangka kerja ML sedia ada.
Situasi ini mencerminkan cabaran yang lebih luas dalam penerimaan bahasa pengaturcaraan: merit teknikal sahaja tidak mencukupi tanpa menangani kebimbangan praktikal mengenai pelesenan, kematangan ekosistem, dan daya maju jangka panjang. Walaupun teknologi asas Mojo nampak kukuh, laluan kepada penerimaan meluas masih tidak pasti sehingga isu-isu asas ini diselesaikan.
Rujukan: Why ML Needs a New Programming Language with Chris Lattner