-
2011-2017 年，任苹果开发部高级总监、架构师 -
2017.1-2017.6，任特斯拉副总裁，负责自动驾驶 -
2017.8-2020.1，任谷歌 Google Brain 高级总监 -
2020.1，加入芯片创业公司 SiFive 负责平台工程
机器学习 基础设施已经为数十亿美元的商业提供动力，并且正在迅速增长。但是，它要么由硬件团队为特定的设备集合构建，要么是由工业研究实验室构建，许多系统是不兼容技术的集合。
现有的单体系统很难在其最初的领域目标之外进行扩展或通用，这种情况迫使硬件制造商建立自己的技术栈。造成的结果就是， 人工智能 部署行业是非常分散的，工具链就有几十个，各自有不同的权衡和限制。更重要的是，这些设计模式也因其可用性、可移植性和难以扩展而减缓了创新的步伐。
不幸的是，我们也看到，构建和部署这些应用程序的技术复杂性仍然太高。部署 人工智能 仍然是全栈专家的领域，而最前沿的应用只有那些自己建立 ML 技术的最大科技公司的人可以使用。
20 世纪 90 年代的软件世界有过类似于我们今天看到的 人工智能 的碎片化问题。当时，C 和 C++ 已经建立起了社区，但却被分散在几十个专有编译器中。每一个都有供应商的扩展、粗糙的边缘、奇怪的边角案例和不完整的实现。当时，构建跨平台的软件是如此困难，以至于推动业界出现了一些工具来帮助开发者应对碎片化，使其更容易安装、构建和配置软件（例如 autoconf）。
「GCC」就是其中一员。凭借其对跨平台的支持、良好的性能和稳定性，以及免费性，GCC 在 90 年代获得了巨大的成功。GCC 的成功推动了工具行业的整合浪潮，由此产生的碎片整理使其功能成为事实上的标准，从而带来了一波新的创新。它催化了软件（直接促成了 Linux 等开放源码软件社区的迅速崛起）和硬件（促成了指令集架构和新商业模式的创新）的革命，使前者从零散的 C/C++ 实现中解放出来，使后者不必追赶快速发展的 C/C++ 语言标准。
当我们创办 Modular 时，我们没有打算建立一种新的编程语言。但是，当我们在建立我们的平台，打算统一世界上的 ML/AI 基础设施时，我们意识到，在整个堆栈中编程太复杂了。另外，我们用手写了很多 MLIR，但并不愉快。
我们想要的是一个创新的、可扩展的编程模型，可以针对加速器和其他 机器学习 中普遍存在的异构系统。这意味着一种具有强大的编译时元编程的编程语言，整合自适应编译技术，在整个编译流程中进行缓存，以及其他现有语言不支持的东西。
尽管加速器很重要，但最普遍的、有时被忽视的加速器之一是主机 CPU。今天，CPU 有很多类似 张量 核心的加速器块和其他 AI 加速单元，但它们也是专门加速器无法处理的运算的后备力量，如数据加载、前后处理以及与国外系统的集成。因此，很明显，我们不能用一种只与特定处理器一起工作的「加速器语言」来提升 人工智能 。应用 AI 系统需要解决所有这些问题，我们认为没有理由不通过一种语言来完成。
