Bahasa pemrograman Mojo telah mengambil langkah maju yang signifikan dengan menambahkan dukungan untuk GPU Apple Silicon dalam rilis nightly terbaru mereka. Perkembangan ini bertujuan untuk membuat pemrograman GPU lebih mudah diakses dengan menargetkan perangkat keras yang sudah ada di tangan jutaan pengembang - komputer Mac modern. Namun, pengumuman ini telah memicu perdebatan sengit dalam komunitas pemrograman tentang apakah Mojo dapat mengatasi hambatan substansial untuk adopsi yang luas.
Membuat Pemrograman GPU Lebih Demokratis
Dukungan GPU Apple Silicon yang baru dari Mojo merupakan upaya untuk menurunkan hambatan dalam pemrograman GPU. Alih-alih memerlukan perangkat keras NVIDIA yang mahal untuk menulis kernel kustom, pengembang kini dapat bereksperimen dengan akselerasi GPU menggunakan komputer Mac yang sudah mereka miliki. Implementasi ini bekerja dengan semua chip seri M1-M4 yang menjalankan macOS 15 atau yang lebih baru, meskipun memerlukan alat pengembangan khusus termasuk Xcode 16.
Pendekatan teknis melibatkan kompilasi kode Mojo ke bitcode Apple Intermediate Representation (AIR), yang kemudian dikonversi ke format yang kompatibel dengan Metal untuk eksekusi. Proses ini terjadi di belakang layar melalui MetalDeviceContext khusus yang mengelola seluruh pipeline dari kompilasi hingga eksekusi.
Catatan teknis: AIR (Apple Intermediate Representation) adalah format kode tingkat rendah Apple yang digunakan untuk pemrograman GPU Metal, sementara Metal adalah API grafis dan komputasi Apple yang mirip dengan CUDA atau OpenCL.
Persyaratan Sistem untuk Dukungan GPU Apple Silicon Mojo:
- Mac Apple Silicon (chip seri M1-M4)
- macOS 15 atau yang lebih baru
- Xcode 16 atau yang lebih baru
- Metal Shading Language 3.2 (versi bitcode AIR 2.7.0)
Kemampuan Terbatas Saat Ini Menimbulkan Pertanyaan
Meskipun dukungan awal menjanjikan, implementasi saat ini memiliki keterbatasan yang signifikan. Grafik MAX dasar belum berfungsi, yang berarti model AI tidak dapat berjalan pada GPU Apple Silicon. Banyak fitur canggih seperti operasi atomik, intrinsik tertentu, dan interoperabilitas PyTorch masih hilang. Bahkan contoh sederhana seperti operasi reduksi belum fungsional.
Keterbatasan ini telah membuat beberapa anggota komunitas mempertanyakan apakah upaya tersebut mengatasi kebutuhan pengembang yang nyata. Diskusi mengungkap perpecahan fundamental: sementara beberapa melihat potensi dalam membuat pemrograman GPU lebih mudah diakses, yang lain berpendapat bahwa sebagian besar pengembang mengandalkan pustaka yang sudah ada dan sangat dioptimalkan daripada menulis kernel kustom.
Keterbatasan Saat Ini:
- Tidak ada dukungan untuk intrinsik untuk banyak kemampuan perangkat keras
- Contoh reduction.mojo dan perkalian matriks kompleks tidak berfungsi
- Teka-teki GPU 16+ memerlukan fitur perangkat keras yang lebih canggih
- Tidak ada dukungan grafik MAX dasar
- Tidak ada ops kustom MAX
- Tidak ada interoperabilitas PyTorch
- Belum dapat menjalankan atau melayani model AI
Perdebatan Tantangan Adopsi
Diskusi komunitas telah mengungkap ketidaksepakatan tajam tentang prospek masa depan Mojo. Kritikus menunjuk pada jumlah kecil pengembang yang benar-benar menulis kernel GPU kustom, menunjukkan bahwa sebagian besar pekerjaan machine learning mengandalkan pustaka yang sudah dibuat dan sangat dioptimalkan dari framework seperti PyTorch. Mereka berpendapat bahwa peningkatan performa 30% dari kernel kustom sangat kecil dibandingkan dengan peningkatan perangkat keras atau optimisasi infrastruktur.
Peningkatan 30% yang Anda dapatkan dari kernel dan trik kompiler benar-benar tidak berarti dibandingkan dengan peningkatan 500%+ yang Anda dapatkan dari upgrade perangkat keras, menambahkan load balancing dan routing, KV dan prefix caching, operasi kolektif yang dioptimalkan, dll.
Pendukung membantah bahwa membuat pemrograman GPU lebih mudah dapat memperluas kumpulan pengembang yang mampu menulis kernel kustom. Mereka menunjuk pada potensi Mojo untuk kompatibilitas lintas platform dan janjinya untuk menyamai performa C++ sambil mempertahankan sintaks seperti Python.
Kekhawatiran Model Bisnis dan Pertanyaan Open Source
Tema berulang dalam diskusi komunitas berpusat pada sifat komersial Mojo. Tidak seperti CUDA, yang datang gratis dengan perangkat keras NVIDIA, Mojo dikembangkan oleh perusahaan komersial yang perlu menghasilkan pendapatan. Ini telah menciptakan keraguan di antara pengembang yang khawatir membangun di atas platform yang mungkin memerlukan biaya lisensi atau dapat mengubah arah berdasarkan kebutuhan bisnis.
Perbandingan dengan bahasa lain yang didukung secara komersial seperti Swift (Apple) dan Go (Google) telah muncul, dengan beberapa berpendapat bahwa adopsi yang sukses dimungkinkan meskipun ada kepemilikan korporat. Namun, yang lain menunjuk pada upaya yang gagal seperti Swift for TensorFlow sebagai kisah peringatan.
Catatan teknis: CUDA adalah platform komputasi paralel NVIDIA yang datang gratis dengan GPU mereka tetapi bukan open source, sementara Mojo berencana menjadi sepenuhnya open source pada akhir 2025.
Kesimpulan
Dukungan GPU Apple Silicon dari Mojo merupakan pencapaian teknis yang menarik, tetapi perdebatan komunitas menyoroti tantangan kompleks yang dihadapi bahasa pemrograman baru mana pun di ruang AI/ML. Meskipun kemampuan teknisnya mengesankan, pertanyaan tentang adopsi, pengembangan ekosistem, dan keberlanjutan model bisnis tetap belum terpecahkan. Keberhasilan inisiatif ini kemungkinan akan bergantung pada apakah Modular dapat mengatasi kekhawatiran ini sambil terus memperluas kemampuan dan keunggulan performa Mojo.
Referensi: Apple Silicon GPU support in Mojo