《Born》第2章：Born 的设计哲学与架构全景

在写第一行代码之前，我们先回答一个问题：一个从零开始的深度学习框架，应该长什么样？

这个问题没有标准答案。PyTorch 选择了「Pythonic 的动态图」，TensorFlow 选择了「静态计算图 + XLA」，JAX 选择了「函数式变换」。Born 的选择是：Go 风格的生产优先架构。

核心设计哲学

1. 纯 Go，零 CGO

Born 的每一个算子、每一层反向传播、每一次 GPU 调度，都是纯 Go 代码。没有 #cgo LDFLAGS，没有 import "C"。

这意味着什么？

• go build 就是全部——不需要 CMake、不需要 conda、不需要 Docker
• 交叉编译 trivial：GOOS=linux GOARCH=arm64 go build
• 静态链接——部署时只需要一个二进制文件

2. 泛型张量：Tensor[T, B]

Born 的核心数据结构是一个泛型张量：

type Tensor[T DType, B Backend] struct {
    shape  Shape
    dtype  DType
    data   []T
    backend B
}

T 是数据类型（f32、f64、i32），B 是后端（CPU、WebGPU）。编译期就能捕获 f32 张量和 f64 张量混用的错误。

3. 装饰器模式 Backend 抽象

type Backend interface {
    Add(a, b Tensor) Tensor
    MatMul(a, b Tensor) Tensor
    ReLU(x Tensor) Tensor
    // ...
}

CPU 后端和 WebGPU 后端实现同一接口。你的模型代码写一次，backend := cpu.New() 或 backend := webgpu.New() 就能切换。

4. 延迟求值（Lazy Evaluation）

WebGPU 后端不立即执行每个算子，而是将操作加入命令队列，在需要读取结果时批量提交。这隐藏了 CPU↔GPU 的通信延迟。

架构分层

Born 的代码库分为五个层次：

┌─────────────────────────────────────┐
│  Layer 5: 应用层 (examples/, cmd/)   │  MNIST, LLaMA 聊天机器人
├─────────────────────────────────────┤
│  Layer 4: 模型层 (models/, tokenizer/)│  LLaMA, Mistral, GGUF 加载
├─────────────────────────────────────┤
│  Layer 3: 神经网络 (nn/)              │  Linear, Conv2D, Transformer
├─────────────────────────────────────┤
│  Layer 2: 张量引擎 (tensor/)          │ 张量分配、算子调度、内存管理
├─────────────────────────────────────┤
│  Layer 1: 后端实现 (backend/)         │  CPU (AVX2 SIMD) / WebGPU (WGSL)
└─────────────────────────────────────┘

每一层只依赖下一层，没有跨层调用。

关键架构决策（ADR）

Born 用 ADR（Architecture Decision Record）记录每一个关键设计决策：

• ADR-001：选择纯 Go 而非 CGO — 为了单二进制部署
• ADR-002：选择 WebGPU 而非 CUDA — 为了零依赖跨平台 GPU 加速
• ADR-003：泛型张量 Tensor[T, B] — 编译期类型安全
• ADR-004：装饰器模式 Backend — 同一模型跑在不同硬件上
• ADR-005：延迟求值 — 隐藏 GPU 通信延迟
• ADR-006：梯度 Tape 自动微分 — 反向传播 = 正向算子组合

与 Burn（Rust）的对照

Burn 和 Born 共享同一个架构理念：类型安全的多后端深度学习框架。区别只在于语言生态和侧重点。

📘 《Born》连载技术书，第 2/22 章。