AI时代的编程语言

作者：你好赵伟 | 2024-04-06 20:43:10

踩

xlang 开发语言 ai 物联网

明天(12月16日），开源语言XLang就要举办第一次Meetup。XLang的壮志雄心是成为物联网和人工智能的编程语言。通过这篇小文快速扫描一下AI时代的一些编程语言，虽然不免浅尝辄止，也算是帮XLang Meetup暖暖场。祝愿Meetup举办成功，XLang的勇士们顺利启航。

12月16日XLang Meetup的中文海报

Python：以人为本的编程语言

Python可能是AI最重要的编程语言。在2017年Python大会的一个演讲中，撰写过多本Python书籍的Jake Vanderplas为什么Python在科学领域是如此有效，提到了四点：

截图：Slides from 《The unexpected effectiveness of Python in Science》by Jake VanderPlas at PyCon 2017

1. Python是"胶水"语言，具备与其他语言的"互操作性"。Python语言更高级和抽象的语法封装了底层的C/Fortran库，而这些库（大多数情况下）负责完成主要的计算。

2. Python有大量的工具库。Python的标准库提供了广泛的模块和工具，Python社区活跃，提供大量的第三方库，极大地扩展了Python的应用范围和能力。从网站开发、数据科学、人工智能到科学计算和系统运维，使其能够处理各种各样的任务。Python凭借其对大数据处理和机器学习领域的深入应用，成为了这一时代不可或缺的工具。HuggingFace创建了 Transformers机器学习开源框架，提供API和工具，帮助开发者和组织减少集成大语言模型的成本，降低技术门槛，不但公司获得了关键性的成功，帮助AI民主化，打破OpenAI、Google等头部企业的垄断。而HuggingFace的技术，就是基于Python构建的。

3. Python的人性化

Python的设计是非常人性化的。The Zen of Python （"Python之禅”）概括了Python编程语言的哲学：“美丽胜于丑陋。显式胜于隐式。简单胜于复杂 ...”这些原则反映了Python对编写，理解和阅读代码的容易性的强调。对于生手或非专业（科学）编程人员而言，无疑更容易上手、能够更快出活。

截图：CPython的设计者Tim Peters总结的Python之禅。19条原则的每一条都反映出以人的体验和价值为中心。Python是以人为中心设计的语言。

4. Python的开放文化和科学精神的契合

Python从诞生之初就是一个开源项目。其发展在很大程度上依赖于其活跃、多样化的社区。Python之禅强调简单、明确和可读性也有助于了社区成员的互动。由于其易学性和清晰的语法，成为许多初学者学习编程的首选语言。Python社区对教育资源的投入，如在线教程、开源书籍和社区论坛，进一步推广了这种开放文化。Python在多个领域都有广泛的应用促进了来自不同背景和专业的人才加入Python社区，进一步丰富了其多元化和开放性。

C/C++：机器的资源和性能

有了语言的“简”和“易”还不够，运算不能“慢”和“贵”。一些以机器为中心的编程语言在这些方面表现得更加优秀。比如C/C++, Java，Rust等。

截图：C++的创造者BJarne Stroustrap编写的C++编程和实践一书封面

以C++为例，其设计者BJarne Stroustrap指出C++优先考虑性能、资源的使用和对抽象的控制。通过C/C++，程序员可以编写精细的程序，并对计算资源（特别是内存和CPU）进行精确的管理，从而完成复杂而高效和大规模的计算。

最为常用的Python实现是CPython，就是通过C语言实现的解释器和Python虚拟机，解析Python代码和执行机器码，完成程序的运行。

NVIDA CUDA：并行计算

NVIDIA CUDA（Compute Unified Device Architecture）是一种由NVIDIA开发的并行计算平台和编程模型。CUDA允许开发者使用NVIDIA的GPU（图形处理单元）进行通用计算。CUDA允许程序利用GPU的多个核心同时执行计算任务，极大提升了处理大型数据集或执行复杂算法的速度。

CUDA提供编程工具和库，允许开发者使用类似于C/C++的语言来编写程序，对NVIDIA图形卡上的计算资源（特别是GPU和图形卡上内存）进行控制，为需要处理大量数据和复杂计算任务的领域提供了强大的工具，使之能够充分利用GPU的强大计算能力。

要执行任何 CUDA 程序，需要三个主要步骤：

将输入数据从主机内存复制到GPU设备内存，也称为主机到设备传输。
加载 GPU 程序并执行，在片上缓存数据以提高性能。
将结果从设备内存复制到主机内存，也称为GPU设备到主机传输。
截图：用C/C++进行CUDA编程，在GPU设备上并行执行

AI编程语言的底层逻辑

我们可以简单比较以下Python，C/C++和CUDA之间的异同：

	PYTHON	C & C++	NVIDIA CUDA
设计理念	强调简单性、可读性和明确性。'Python之禅'	侧重于发挥强大性能和灵活性	为NVIDIA GPU上的并行计算而设计。
语法和易用性	清晰、易于理解的语法。非常适合初学者，并强制使用缩进来提高可读性。	相对复杂的语法，提供更大的控制能力，但对初学者来说可能具有挑战性	扩展了C++的并行编程能力。需要理解C++和并行计算概念。
内存资源管理	自动内存管理和垃圾收集。减轻了程序员的负担，但提供较少的控制。	对内存管理的完全控制，导致效率提高但增加了内存相关错误的风险。	管理CPU和GPU内存，需要显式的内存管理和主机与设备之间的数据传输。
性能	通常由于是解释型语言而较慢。适用于快速开发和原型制作。	作为一种编译语言，执行速度更快。非常适合对性能要求严格的应用程序。	对于可并行化的任务高效率，对于适合的应用程序如大规模模拟、深度学习等，速度显著更快。
数据类型Typing	动态类型，允许更多的灵活性，但可能导致运行时错误。	静态类型，编译时进行严格的类型检查，能够早期捕捉类型错误，但需要更明确的类型声明。	继承了C++的静态类型特性，由于并行执行上下文增加了复杂性。

可以看到，以Python为代表的动态类型解释型脚本化语言以人为本，解决的是开发效率问题；以C和C++为代表的静态类型编译语言围绕计算机资源（CPU和内存）的高效使用，解决的是复杂计算任务的效率的问题；而已NVIDIA Cuda为代表的编程模型，则围绕GPU设别和设备内存资源的使用，解决的是大规模并行计算的效率问题。

AI时代的新编程语言，必须要解决AI应用开发+复杂任务执行+大规模并行计算的综合效率。

Mojo：一个案例

截图：mojo语言官网主页 https://www.modular.com/max/mojo

Mojo是由Modular公司开发，旨在为人工智能等领域的软件开发提供统一的编程框架。Mojo语言为Python语言的超集，故也被称为Python++ 。同时，它还具有C++的速度与Rust的安全性。

Mojo最近发布了一系列博文，解释了Mojo语言效率如何比Python提高了35000~68000倍。

Mojo博文截图：https://shriramsivanandhan.medium.com/mojo-programming-language-68000x-faster-than-python-programming-in-mojo-part-ii-d162740a2f67

从Mojo的多篇博文中大致可以看出，Mojo尽可能地兼容Python的语法，使之也能够与Python生态系统兼容。但Mojo是编译语言。在Mojo编译中进行了大量的性能优化，包括：

简化数学运算以减少计算量：比如通过优化，避免使用需要6个flop的昂贵的平方根运算。
向量化代码：实现SIMD，让一个指令能够操作更多的数据。
增加每个循环迭代的工作量: 尽量增加SIMD的宽度，让一个指令能够操作尽可能多的数据。
使代码并行执行：使程序更加适合GPU运算。

可以看到，通过以编译优化，Mojo在将前面提到的三方面的优点结合起来，使AI程序又好写，又高效，而且尽可能发挥并行算力的能力。

XLang：期待创新

XLang的主要创造者Shawn Xiong告诉我，除了将多种语言的优势结合起来优化性能以外，XLang还有一些较大的创新。比如，一般语言在层层编译的过程中，不断将一套指令用另一套指令来表达，这往往会导致不必要的复杂性和性能损失，过程中也有信息损失。而XLang的编译则不在指令层面完成，而是在"表达式"的层面完成，表达式的传递是以一个简洁而且信息无损的过程。此外，XLang在与其他编程语言的融合和编译原理方面也都有独特之处，将使得XLang有望成为“超级胶水”语言，方便地支持与其他编程语言集成，也能支持AMD、Intel以及其他厂家的异构GPU，帮助打破NVIDIA在这方面的一家独大的局面。

非常期待XLang的创新实现！

XLang官网截图：https://xlangfoundation.org/，请朋友们关注和支持XLang

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/你好赵伟/article/detail/374207