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 CGOBorn 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 trivialGOOSlinux GOARCHarm64 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typeTensor[T DType,B Backend]struct{shape Shape dtype DType data[]T backend B}T是数据类型f32、f64、i32B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typeBackendinterface{Add(a,b Tensor)TensorMatMul(a,b Tensor)TensorReLU(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 EvaluationWebGPU 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ADRBorn 用 ADRArchitecture 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 BurnRust的对照维度Burn (Rust)Born (Go)语言RustGo后端抽象装饰器模式装饰器模式借鉴 BurnGPU 后端WGPU (Rust)WebGPU (Go)类型系统泛型 Trait泛型 Interface并发模型async/awaitgoroutine部署形态静态二进制静态二进制核心差异科研生产兼顾生产优先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。