Mojo 的设计目标是为了解决什么问题？

1. 缓解 AI 软件栈的碎片化

Modular 在设计整套技术栈时发现，横跨编译器、算子库、推理框架、服务层等多层环境进行编程过于复杂，不同厂商、不同层级的组件各自为政，形成难以扩展也难以优化的脆弱堆栈。Mojo 的出发点正是用一个语言层把这些层级串起来，降低跨层开发与调优的成本。

2. 统一 CPU 与 GPU 的编程模型

Mojo 的目标之一是提供灵活且可扩展的编程模型，使其能够面向 CPU、GPU、AI 加速器以及其他在 AI 领域普遍存在的异构系统，让开发者不必为每一种加速器重写代码，从而统一 AI 软件基础设施。

3. 补齐传统语言缺失的编译能力

Mojo 官方明确指出，现有语言未能很好地支持其所需要的能力，包括强大的编译期元编程、自适应编译技术的集成，以及编译流程缓存等特性。这些能力被作为语言的原生组成部分纳入设计，而非事后追加的外部工具。

4. 保持与 Python 生态的共存而非替代

Mojo 并不打算一开始就与 Python 生态切割。它采用接近 Python 的语法，支持直接导入并调用 Python 模块，并提供从 Python 调用 Mojo 的绑定机制，使项目可以按模块粒度逐步迁移，而不是一次性重写。