Python多线程长期存在一个有些矛盾的现实：开发者经常被提醒“线程有竞态风险”，可在传统CPython里，全局解释器锁（GIL）又让大量Python字节码无法真正同时在多个CPU核心上执行。结果是，一部分原本存在设计缺陷的共享状态代码，在GIL带来的隐式串行化下多年没有明显暴露问题；另一部分真正涉及I/O、C扩展或主动释放GIL的代码，则仍然可能遇到复杂的竞争条件。GIL从来不是共享状态正确性的完整保证。
Python 指导委员会要求，在相关标准流程 PEP 获得接受之前，CPython 主分支暂停 JIT 编译器的新功能开发，只接收缺陷和安全修复。Python 3.15 仍保留实验性 JIT，正式版计划于 2026 年 10 月 1 日发布；若约六个月内没有形成可接受的长期方案，JIT 代码可能移出主仓库。争议的核心并不是“Python 要不要更快”，而是实验机制何时成为受支持功能：性能收益如何衡量，平台覆盖到什么程度，调试、构建与维护成本由谁承担，兼容性承诺如何兑现。
Python 早就是 AI 和科学计算的主语言，但长期以来，它和 GPU 的关系有一个明显断层。大多数开发者通过 PyTorch、CuPy、RAPIDS 等高层库使用 GPU，只有当这些库暴露的能力不够时，才不得不跳到 CUDA C++、编译扩展、维护绑定和处理复杂构建链。结果是 Python GPU 生态很繁荣，底层却长期由许多不同 binding layer 拼接而成：每个库都有自己的 st
Modular将Mojo编译器与工具链以Apache 2.0正式开源，解决了这门语言长期以来最敏感的可信与可持续性问题。但Mojo 1.0并不是“更快的Python”终于完成，而是一次路线澄清：保留类Python体验，放弃以100%兼容为前提，成为面向异构计算的独立语言层。
Mojo 1.0建立了首批稳定性边界，并继续押注Python互操作、所有权与生命周期、CPU/GPU统一表达。本文分析其性能口径、开源边界、工程风险和适合落地的真实位置。