Mojo 刚刚融了1个亿，号称在 AI 负载方面比 Python 快 3.6万倍
Modular Mojo 是一种专为 AI 开发者设计的新型编程语言，据该语言的研发团队说它将 Python 的可用性与 C 的性能完美地结合起来。
此外，他们在一段矩阵乘法代码运行负载上的性能是 Python 的 3.6万倍以上。
起初，模块化 Mojo 编程语言并不在Modular AI公司的最初计划中，而是当时公司的创始人Chris Lattner 和 Tim Davis 专注于构建一个平台来统一世界的 ML/AI 基础设施时的附加品。
在开发AI平台过程时，他们意识到跨整个技术堆栈的编程过于复杂，最后也的确出现了这种情况，需要手工编写大量 MLIR（多级中间层表示）。
“加速超过Python 36,000 倍”的说法是这样的：有一个matmul.py 脚本，它在 Python 运行时中执行 128×128 矩阵乘法，吞吐量为 0.00215 GFLOP/s，另一个脚本在 Mojo 中以 79.636 GFLOP/s 执行 512×512 矢量化 + 并行矩阵乘法。
这个说法看起来很有趣，奇怪的是他们用了不同的矩阵大小。
有些投资机构已经准备好在该公司上投入大量资金，有一家称为 Monitor 的机构声称已经筹集了 1 亿美元，并已经打入Modular的帐户。
Twitter/X 上的一条讨论线索显示。
Mojo创始人回复此贴子说：
Mojo 没有对 Python 造成威胁，它不仅提升了 Python 的地位，还为 Python 程序员提供了 “超能力”。 如果真的要说感到恐惧，那应该是 C++ 和其他难以提升速度的语言。
其实正如Sachin Shekhar所说：所有机器学习库都在底层使用 C。
而Python 也只是C语言一个接口。鉴于 C 语言仍在使用，替代这个编程语言并不容易。你需要给予一些特别的东西。很少有人在生产中使用原生 Python 运行超大循环体。
目前开发者还不能重现上面的测试，因为 Mojo SDK在 9 月份才会发布，但是它的技术文档已经可用，并且里面包含一个关于矩阵乘法的文档。
有网友根据文档做了一部分复现。可以看到 Mojo 是 Python 的超集，因此两个模拟脚本是相同的：
%%pythondef matmul_python(C, A, B):for m in range(C.rows):for k in range(A.cols):for n in range(C.cols):C[m, n] += A[m, k] * B[k, n]
他们只是在 Mojo 脚本中将函数名称更改为“matmul_untyped”。以下是 Python 矩阵乘法脚本代码：
import numpy as npfrom timeit import timeitclass Matrix:def __init__(self, value, rows, cols):self.value = valueself.rows = rowsself.cols = colsdef __getitem__(self, idxs):return self.value[idxs[0]][idxs[1]]def __setitem__(self, idxs, value):self.value[idxs[0]][idxs[1]] = valuedef benchmark_matmul_python(M, N, K):A = Matrix(list(np.random.rand(M, K)), M, K)B = Matrix(list(np.random.rand(K, N)), K, N)C = Matrix(list(np.zeros((M, N))), M, N)secs = timeit(lambda: matmul_python(C, A, B), number=2)/2gflops = ((2*M*N*K)/secs) / 1e9print(gflops, "GFLOP/s")return gflopspython_gflops = benchmark_matmul_python(128, 128, 128).to_float64()
其文档中显示吞吐量为 0.0016717199881536883 GFLOP/s。
下面我们来看 Mojo 脚本，它还导入特定于 Mojo 语言的模块：
from benchmark import Benchmarkfrom sys.intrinsics import strided_loadfrom utils.list import VariadicListfrom math import div_ceil, minfrom memory import memset_zerofrom memory.unsafe import DTypePointerfrom random import rand, random_float64from sys.info import simdwidthoffn matrix_getitem(self: object, i: object) raises -> object:return self.value[i]fn matrix_setitem(self: object, i: object, value: object) raises -> object:self.value[i] = valuereturn Nonefn matrix_append(self: object, value: object) raises -> object:self.value.append(value)return Nonefn matrix_init(rows: Int, cols: Int) raises -> object:let value = object([])return object(Attr("value", value), Attr("__getitem__", matrix_getitem), Attr("__setitem__", matrix_setitem),Attr("rows", rows), Attr("cols", cols), Attr("append", matrix_append),)def benchmark_matmul_untyped(M: Int, N: Int, K: Int, python_gflops: Float64):C = matrix_init(M, N)A = matrix_init(M, K)B = matrix_init(K, N)for i in range(M):c_row = object([])b_row = object([])a_row = object([])for j in range(N):c_row.append(0.0)b_row.append(random_float64(-5, 5))a_row.append(random_float64(-5, 5))C.append(c_row)B.append(b_row)A.append(a_row)@parameterfn test_fn():try:_ = matmul_untyped(C, A, B)except:passlet secs = Float64(Benchmark().run[test_fn]()) / 1_000_000_000_ = (A, B, C)let gflops = ((2*M*N*K)/secs) / 1e9let speedup : Float64 = gflops / python_gflopsprint(gflops, "GFLOP/s, a", speedup.value, "x speedup over Python")benchmark_matmul_untyped(128, 128, 128, python_gflops)
该脚本输出结果为：
0.029258 GFLOP/s, a 17.501798 x speedup over Python
可以看到，当使用相同的 128 x 128 矩阵时，Mojo 比 Python 快了 17.5 倍，它说的 3.6万 倍似乎有点不诚实……不过，17.5 倍的加速仍然相当不错，这可能是由于Mojo是多线程的原因。
由于 Mojo 是 Python 的超集，因此它在任何 Linux 平台上应该没问题。
作者：场长
本文为 @ 场长 创作并授权 21CTO 发布，未经许可，请勿转载。
内容授权事宜请您联系 webmaster@21cto.com或关注 21CTO 公众号。
该文观点仅代表作者本人，21CTO 平台仅提供信息存储空间服务。
评论
