MLPL：受APL启发的Rust优先机器学习编程语言

MLPL是一个专为机器学习设计的数组和张量编程语言，融合了APL家族的简洁语法与Rust的系统级性能，提供浏览器REPL、自动微分和编译到原生代码的完整工具链。

• 原作者/维护者: sw-ml-study
• 来源平台: GitHub
• 原始标题: sw-mlpl: Machine Learning Programming Language inspired by post-APL languages
• 原始链接: https://github.com/sw-ml-study/sw-mlpl
• 发布时间: 2026年5月23日

---

在深度学习框架百花齐放的今天，Python凭借PyTorch和TensorFlow几乎垄断了ML开发。但Python的动态类型和解释执行特性也带来了性能瓶颈和部署复杂性。与此同时，Julia、Mojo等新兴语言试图在科学计算领域开辟新天地。

MLPL（Machine Learning Programming Language）选择了一条独特的路径：它从APL、J、BQN等数组编程语言中汲取灵感，以Rust作为实现基础，打造了一个专为机器学习设计的领域特定语言（DSL）。这种组合既保留了数组语言表达复杂张量操作的简洁性，又获得了Rust的性能和可靠性保证。

---

APL语言以其独特的符号系统和强大的数组操作能力闻名，但传统APL的实现往往受限于专有环境和过时工具链。MLPL重新诠释了这一范式：

• 零索引设计：与现代编程习惯保持一致，避免APL传统的一索引带来的混淆
• 标量广播机制：自动处理标量与数组之间的算术运算，无需显式扩展
• 命名轴系统：通过 X : [batch, feat] 的语法为张量维度赋予语义标签，在形状不匹配时提供清晰的错误信息

MLPL将张量操作作为语言的一等公民，而非库函数：

mlpl> [1, 2, 3] * 10
10 20 30

mlpl> X : [batch, feat] = reshape(iota(6), [2, 3])
0 1 2
3 4 5

mlpl> reduce_add(X, "feat")
3 12

这种语法让复杂的张量变换变得直观可读，同时编译器可以进行深度优化。

---

MLPL实现了完整的自动微分系统，支持反向模式求导：

mlpl> mdl = chain(linear(2, 4, 11), relu_layer(), linear(4, 2, 12))
mlpl> :describe mdl
mdl -- model
 shape: chain(linear -> relu -> linear)
 params:
   __linear_W_0: [2, 4]
   __linear_b_0: [4]
   __linear_W_1: [4, 2]
   __linear_b_1: [2]

param[shape] 声明可训练参数，grad(expr, wrt) 计算梯度，这种显式设计让开发者对计算图有完全的控制权。

语言内置的模型DSL提供了从简单层到复杂网络的自然构建方式：

• 基础层: linear, relu_layer, softmax_layer
• 组合器: chain 用于顺序连接，residual 支持残差连接
• 训练循环: train N { body } 构造自动处理步进和损失记录

这种分层设计让研究人员可以从高层抽象快速实验，必要时也能深入底层实现细节。

---

MLPL提供两种执行模式，适应不同开发阶段的需求：

解释模式：通过 cargo run -p mlpl-repl 启动交互式REPL，支持快速原型和调试。解释器保留了完整的元信息和错误追踪。

编译模式：使用 mlpl! 过程宏和 mlpl build 命令将代码编译为独立原生二进制文件。编译路径消除了运行时开销，适合生产部署。