اگر امروز در حال توسعه زیرساختهای هوش مصنوعی هستید، احتمالاً با کابوس بازنویسی کدهای پایتون به C++ برای رسیدن به سرعت عملیاتی آشنا هستید. شرکت Modular در ۱۱ اوت ۲۰۲۶ با معرفی Mojo 1.0 اعلام کرد که دوران آزمایشهای ناپایدار به پایان رسیده و اکنون ابزاری برای استقرار در مقیاس صنعتی در اختیار توسعهدهندگان است. این انتقال به معنای پایان دوره نوسانی بتا است و محیطی ثابت را برای توسعهدهندگانی فراهم میکند که میخواهند سیستمهای با کارایی بالا بسازند، بدون اینکه نگران تغییرات مداوم در نحو (Syntax) زبان باشند.
به نقل از مستندات رسمی Modular، جامعه هوش مصنوعی سالهاست با «مسئله دو زبانی» دستوپنجه نرم میکند؛ یعنی نوشتن پژوهشها و نمونههای اولیه با پایتون و سپس بازنویسی آنها با C++ یا CUDA برای افزایش سرعت در محیط تولید. Mojo قصد دارد با ترکیب سهولت و کاربردپذیری پایتون با عملکرد در سطح زبان C، این شکاف را پر کند. با رسیدن به نسخه ۱.۰، شرکت Modular سیگنال میدهد که این زبان دیگر یک آزمایش نیست، بلکه موتور محرک واقعی محصولات تجاری این شرکت، از جمله MAX و Modular Cloud است.
همانطور که در تحلیلهای پیشین ما درباره بهینهسازی لایههای استنتاج اشاره کردیم، حذف لایههای واسط بین زبان پژوهشی و عملیاتی، کلید کاهش تأخیر در مدلهای زاینده است. Mojo اکنون ابزاری است که اجازه میدهد کد پژوهشی مستقیماً به کد تولیدی تبدیل شود.
تکامل و مسیر رشد
زبان Mojo از زمان اولین عرضه در سال ۲۰۲۳ رشد بسیار سریعی داشت. اگرچه این سرعت رشد اجازه نوآوریهای سریع را میداد، اما تغییرات مکرر باعث شد که جامعه توسعهدهندگان برای نگهداری پروژههای بلندمدت با دشواریهای زیادی روبرو شوند. هدف اصلی از عرضه نسخه ۱.۰، فراهم کردن یک بنیاد پایدار است که به توسعهدهندگان اجازه دهد برای آیندهای دورتر و با اطمینان بیشتر برنامهریزی و ساخت کنند.
این نقطه عطف، یک دستاورد جمعی و collaborative است. از زمانی که کتابخانه استاندارد این زبان متنباز شد، نزدیک به ۲۰۰ مشارکتکننده بیش از ۱۱۰۰ درخواست تغییر (Pull Request) را به ثبت رساندهاند. این تلاش جمعی منجر به اصلاح و بازنویسی بیش از ۲۰۰ هزار خط کد در هسته زبان شد تا دقت و کارایی آن بهبود یابد. علاوه بر این، بیش از هزار توسعهدهنده دیگر با ثبت گزارش خطاها (Issues)، به شکلگیری محصول نهایی کمک کردند.
اصلاحات فنی در نسخه ۱.۰
تمرکز اصلی نسخه ۱.۰ بر سادگی و پیشبینیپذیری است. در نسخههای پیشین، Mojo چندین راه مختلف برای بیان یک ایده یا مفهوم برنامهنویسی ارائه میداد، اما اکنون تیم توسعه بر یک روش واحد و منسجم توافق کرده است. تغییرات کلیدی در این بخش عبارتاند از:
- نحو یکپارچه (Unified Syntax): تعریف متغیرها اکنون بهطور ثابت و در سراسر زبان با استفاده از کلمه کلیدی
varانجام میشود. همچنین بستارها (Closures) یکپارچه شدهاند و اکنون تنها یک نوع اشارهگر (Pointer type) واحد وجود دارد. علاوه بر این، چندین تغییر در نامگذاریها اعمال شده تا واژگان Mojo دقیقتر و تخصصیتر شوند. - ایمنی حافظه (Memory Safety): زبان اکنون قادر است مشکلات ایمنی حافظه مربوط به ابطال ارجاعات (Reference Invalidation) را تشخیص دهد. برای مثال، Mojo اکنون میتواند تشخیص دهد که چه زمانی متد
List.appendباعث ابطال یک ارجاع به داخل لیست میشود و از بروز خطاهای حافظه جلوگیری کند. - تجربه توسعه (Developer Experience): سرور LSP (پروتکل زبان) مربوط به Mojo اکنون بسیار پایدارتر و قابلاعتمادتر شده است که این امر تجربه کار با VS Code و سایر ویرایشهای کد را به شدت بهبود میبخشد. علاوه بر این، Mojo اکنون از نحو «لامبدا» (lambda) مشابه پایتون برای بستارهای داخلی (Inline Closures) پشتیبانی میکند.
- کتابخانه استاندارد: استفاده از عبارتهای "where" در سراسر کتابخانه استاندارد یکسان شده است. این عبارتها اکنون اجازه میدهند پیامهای توصیفیتری برای خطاها نوشته شود تا عیبیابی و رفع شکستها برای برنامهنویس راحتتر و عملیاتیتر باشد.
- مهارتهای AI: بخش AI Skills اکنون برای نسخه ۱.۰ آماده است. این مهارتها حوزههایی چون برنامهنویسی GPU، ایجاد پروژههای جدید و نحوه انتقال کد از زبانهای دیگر به Mojo را پوشش میدهند.
قابلیتهای جدید MAX 26.5
در کنار تکامل زبان، بهروزرسانی MAX 26.5 بهبودهای زیرساختی قابلتوجهی را معرفی کرده است. فرآیند نصب MAX اکنون بسیار منعطفتر شده است؛ کاربران میتوانند با استفاده از دستورات max["serve"] و max["benchmark"] (یا دستورات max-serve و max-benchmark در محیط conda) تنها وابستگیهای خاص و مورد نیاز خود را نصب کنند. برای کسانی که به تمام ابزارها نیاز دارند، دستور max["all"] در دسترس است. لازم به ذکر است که بسته modular در نسخه ۲۶.۶ بازنشسته خواهد شد و جای خود را به این سیستم جدید میدهد.
همچنین MAX اکنون از دو خانواده جدید مدلهای ترکیبی Mamba-2 شامل GLM-5.2 و Nemotron-H پشتیبانی میکند. علاوه بر این، مدل Kimi 2.5 اکنون با Module V3 سازگار است؛ Module V3 در واقع مسیر بهینهشده و سادهشده شرکت Modular برای نویسندگی و طراحی مدلهای هوش مصنوعی است. این بهینهسازیها در راستای ترند کلی صنعت برای اجرای مدلهای بزرگتر روی سختافزارهای محدودتر است، مشابه آنچه در اجرای مدلهای ۳۰ میلیارد پارامتری روی GPUهای خانگی توسط متا مشاهده کردیم.
برای کمک به توسعهدهندگان در شروع کار، Modular مجموعهای از مهارتهای عامل (Agent Skills) متنباز را منتشر کرده است. این مهارتها که پیش از این در داخل شرکت برای تسریع در راهاندازی کامل چرخه حیات مدلها استفاده میشدند، تاکنون بیش از ۷۲۰۰ بار از طریق وبسایت skills.sh دانلود شدهاند.
انتقال به چرخه انتشار نسخه ۱.x به این معناست که بهروزرسانیهای آینده عمدتاً افزودنی (Additive) خواهند بود. اگرچه تغییرات ساختاری که باعث شکست کدها (Breaking Changes) شوند همچنان ممکن است، اما Modular متعهد شده است که این تغییرات را با همان سختگیری و دقتی مدیریت کند که در زبانهای سیستمی بالغ مانند C++ دیده میشود. این تعهد تضمین میکند که پروژههای سطح سازمانی بهطور ناگهانی و شبانه از کار نیفتند.
برای مدیران کسبوکار و رهبران تکنولوژی، این لحظه دقیقاً زمانی است که Mojo از یک «ابزار تماشایی» به یک «ابزار قابل استقرار» تبدیل میشود. ریسک بدهی فنی (Technical Debt) که همواره با استفاده از یک زبان در مرحله بتا همراه بود، اکنون از بین رفته است و Mojo به انتخابی معتبر و عملی برای مقیاسدهی به برنامههای شتابیافته با GPU تبدیل شده است. این رویکرد به دنبال بهینهسازی حداکثری برای سختافزارهای لبه است، مشابه تلاشی که PrismML برای جا دادن هوشمندی مدلهای کلاس ۲۷ میلیارد پارامتری در گوشیهای موبایل به کار گرفته است.
نقشه راه Modular اکنون به سمت تبدیل Mojo به یک زبان سیستمی واقعاً همهمنظوره حرکت میکند. اولویتهای آینده این شرکت شامل ایجاد یک مدل برنامهنویسی ناهمگام (Asynchronous) قدرتمند و معرفی قابلیتهای Pattern Matching و Unions است.
توسعهدهندگان میتوانند جزئیات کامل این انتقال را از طریق لیست تغییرات رسمی در mojolang.org دنبال کنند یا خود را برای متنباز شدن کامل کامپایلر و زنجیره ابزارهای (Toolchain) Mojo آماده کنند که شرکت وعده داده است در سال ۲۰۲۶ اتفاق بیفتد. همچنین جزئیات بیشتر درباره آینده Mojo و MAX در کنفرانس ModCon در تاریخ ۱۸ اوت در سانفرانسیسکو به اشتراک گذاشته خواهد شد.
گام بعدی شما
- اگر پروژهای با پایتون دارید که گلوگاه سرعت در بخش استنتاج (Inference) — یعنی لحظهای که مدل واقعاً جواب تولید میکند، شبیه خودِ آشپزی و نه دورهی آموزش آشپز — دارد، بررسی Mojo 1.0 را آغاز کنید.
- ابزارهای جدید MAX 26.5 را برای بنچمارک کردن مدلهای Mamba-2 تست کنید.
- مستندات AI Skills را برای یادگیری برنامهنویسی مستقیم GPU مطالعه کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما درباره تراشههای Blackwell مراجعه کنید.
گفتگو