Taichi Lang
新一、简介
Taichi Lang 是一门开源的命令式并行编程语言,为高性能数值计算而设计,嵌入 Python 之中,采用 Apache 2.0 许可。它起源于一个图形学研究团队,2019 年在 SIGGRAPH Asia 首次公开发表。它的设计命题狭窄而实用:写在 Python 语法里的仿真核函数与数值核,应当被编译成原生的 GPU 或 CPU 机器码,程序员无需离开 Python 生态,也无需手写 CUDA 内核。
这篇指南写给需要判断 Taichi 在物理 AI 技术栈中处于什么位置的工程师,它不重复安装教程。它解释编译模型、稀疏数据结构层与自动微分机制,然后回答更难的问题:哪些问题 Taichi 处理得好,哪些处理得差,以及它与 JAX、NVIDIA Warp、手写 CUDA 或经典求解器相比处于什么位置。
默认读者技术基础较强,需要熟悉连续介质力学到知道物质点法一个时间步包含哪些动作的程度,也要能顺畅读懂带装饰器的核函数。读完应得到的是一组判断准则,因为真正有用的问题在于这个问题的数据布局、时间推进结构与梯度需求,是否与该语言的执行模型匹配。
语言的出身也值得留意。它源于图形学场景,那里对帧率的硬性要求逼出了编译器一侧的持续投入:稀疏数据结构、内存布局的自动优化、编译期消除冗余遍历,都是在这一压力下长出来的能力。这解释了它为何在粒子与网格类仿真上表现突出,也解释了为何在通用数值计算上,它并不追求成为通用计算框架。
二、原理与工作方式
Taichi 在运行时编译 Python 函数。带 @ti.kernel 装饰器的函数被解析为中间表示,经过若干优化传递后,由 LLVM 为 CPU 目标生成机器码,或经 SPIR-V 路径为 Vulkan 与 Metal 目标生成代码。编译器对遍历 field 的 for 循环做自动并行化,程序员写逐元素代码,线程映射由编译器决定。
数据层是它最有辨识度的部分。SNode 对象描述层次化的多维 field 布局,其中包含空间稀疏的情形,只有被占据的区域才消耗内存。声明在 SNode 之上的 field 可选择行优先或列优先排布,这一选择可以在不改动数值代码的前提下翻转。这正是最初论文所主张的算法与数据结构解耦机制背后的实现。
自动微分实现在同一个编译器内。ti.ad 记录前向仿真的 tape 并反向重放以产生梯度,微分后的代码路径复用同一批核函数与同一套 field 布局。这是 DiffTaichi 形式化的设计,也正因为如此,一个 Taichi 仿真既能充当前向模型,也能充当自身的梯度来源。
其上另有两项面向部署的特性。提前导出把 Taichi 程序经由 C 接口转成自包含二进制,运行期不再依赖 Python。GGUI 则是基于 Vulkan 的跨平台查看器,用于开发期检视仿真状态。
编译本身发生在首次调用某个核函数时,这也是初学者常遇到的第一个现象:脚本启动很快,第一个仿真步却有明显停顿。编译器会把核函数连同它访问的 field 布局一并固化,因此修改 field 的形状或布局通常意味着重新编译。
三、适用边界与前提
Taichi 假定的计算问题形状,比任何一项基准都更有参考价值。工作负载应当是数据并行且逐元素或模板式的:大量结构相似的单元,各自访问有界的邻域,循环结构在运行前已知。时间步进、粒子到网格的传递,以及规则网格求解器都符合这一形状。数据依赖分支密集的数据流、符号操作,以及在大型动态结构上的不规则聚集模式则不符合。
其次,问题应当能够用 Taichi 支持的布局表达。规则网格、稀疏网格与层次化 SNode 树覆盖了物理仿真的很大一部分。不规则非结构网格、动边界几何重网格化,以及来自 CAD 的拓扑,需要由上游网格层负责,Taichi 此后只处理该网格上的场量求值。
第三,可微分用途要求公式本身的梯度具有意义。接触不连续、摩擦锥与塑性切换会在切换点产生未定义或不稳定的梯度。DiffTaichi 自身的工作讨论了连续碰撞检测,作为改善刚体场景梯度质量的一种手段。Taichi 提供 tape 与梯度,公式的合理性仍由工程师负责。
第四,默认数据类型为单精度。双精度可用,代价是带宽与寄存器压力。要求全程双精度的项目,应在定型之前先验证默认精度带来的数值后果。
第五是平台前提。上游 README 列出 Windows、Linux 与 macOS,Python 版本仍写作 3.6 至 3.10,后端涵盖 x64 与 ARM CPU、CUDA、Vulkan、OpenGL 4.3 及以上、Apple Metal 以及实验性的 WebAssembly 目标。PyPI 上的包元数据声明的 Python 要求为 3.9 及以上且低于 4.0。
四、上手路径
安装只需一条 pip install taichi,随后执行 ti gallery 可打开内置示例库。最小的核函数要声明一个 field,用 @ti.kernel 装饰函数并遍历该 field,循环会被自动并行化,field 可以从 Python 读回,也可以推到 GUI 窗口显示。
第一个项目宜选粒子仿真并非合成基准。上游发行版自带物质点法示例,周边生态还有维护中的材料库与 Houdini 桥接。在笔记本上跑通一个 MPM 示例,会立刻暴露两个影响排期的事实:编译发生在首次调用核函数时,所以第一次运行很慢;粒子数量随手选取时,内存占用相当可观。
做可微分工作时的路径是:先写前向仿真并确认它给出物理上合理的轨迹,再开启 tape,检查某个标量目标的梯度是否与有限差分估计一致。按这个顺序检查能尽早暴露公式错误,因为前向模型正确时梯度异常通常源于公式本身,并非编译器。
面向部署时,应尽早规划提前导出路径。若仿真最终要在没有 Python 的环境运行,field 布局与核函数结构从一开始就要与导出工具兼容,因为导出路径支持的特性面比解释执行路径更窄。
开发环境的选择同样值得提前决定。同一套核函数可以在 CPU 与 GPU 后端之间切换,这为结果一致性检查提供了便利:先在 CPU 上跑出可信基准,再在 GPU 上核对加速比,比一开始就只在 GPU 上调参要稳妥得多。
五、横向对比
与手写 CUDA 或 C++ 相比,Taichi 的优势是工程速度:带装饰器的 Python 核函数可以替代大量底层工作。代价是编译器关于并行化、内存合并与寄存器分配的决策无法直接操控,一旦某个核函数错过了硬件层面的特定优化点,就无法在不脱离该语言的前提下手工挽回。
与 JAX 等数组式框架相比,Taichi 保留了命令式、面向循环的写法与任意索引能力,这正是粒子与网格代码的自然形态。数组框架在稠密张量程序上给出更强的微分叙事,在机器学习一侧的工具链也更完整。可微物理方案的取舍可参见神经算子选型指南与物理信息深度学习条目。
与 NVIDIA Warp 的差别主要在生态与作者哲学:Warp 是以 GPU 优先、图形学导向设计的 Python 嵌入式语言,并配有整合紧密的仿真工具链;Taichi 强调稀疏结构上的编译器研究,以及围绕可微仿真形成的长期研究谱系。两者对驻留 GPU 的仿真都属可信选择,判定因素落在配套工具链与部署目标上。
与 OpenFOAM、FEniCS、SU2 等经典求解器相比,这是研究工具与生产代码库之间的对照。经典求解器带来经过验证的离散格式、成熟的收敛行为、网格生成器与工业支持;Taichi 提供迭代速度、对数值核的直接访问,以及对仿真求导的能力。生产工程上的常见答案是让经典求解器负责出结果,让 Taichi 承担探索,或作为可微的内层循环。
六、基准与数据
最常被引用的数字来自项目自身论文,阅读时应带上这一出处。DiffTaichi 论文发表于 ICLR 2020,报告称用 DiffTaichi 写的可微弹性物体仿真器比 TensorFlow 实现快 188 倍,速度与手工 CUDA 版本持平,代码长度短至其 4.2 倍。配套的 DiffTaichi 仓库收录了十个可微仿真器,其 README 说明其中大部分可在两到三小时内实现。最初的 SIGGRAPH Asia 2019 论文主张,在 x86-64 与 CUDA 上,Taichi 程序以约十分之一的代码量取得平均 4.55 倍于手工优化稀疏计算基线的速度,基线覆盖物质点法、有限元仿真、多重网格泊松求解、真实感渲染与稀疏卷积网络。
项目官网另外报告了单 GPU 十亿粒子物质点法仿真,运行在一块 80 GB 显存的 GPU 上,并称其为世界上规模最大的单 GPU 粒子仿真。这是项目方口径并非独立测量,公开材料也未附配置细节。
发布说明提供了规模较小但可核对的工程数据。v1.7.0 发布记录:Cornell box 示例从内联函数切换到 real function 后,在 i9-11900K 上编译时间由 2.34 秒降至 1.01 秒;同一次发布还记录动态显存分配把三维可微 MPM 示例的内存占用由 3866 MB 降至 3190 MB,把 NeRF 训练示例由 5618 MB 降至 4664 MB。
社区博客中流传着数量级的加速倍数、六成内存下降以及每帧粒子数等数字。这些属第三方报告,测量设置未作说明,宜作为轶事线索看待。
同一批材料点法基准在官方示例库中亦可自行复算,因此并不依赖二手转述。若选型要落到具体硬件与规模,把候选方案在同一台机器上重跑一遍,是比跨来源拼接数字更可靠的做法。
七、物理 AI 场景中的用法
最有辨识度的用法是可微内层循环。当下游目标需要穿过物理模型优化时,Taichi 允许该模型留在梯度计算内部,无需被当作黑盒采样。可变形物体的控制优化、从观测反演材料参数的反问题,以及面向逆向图形的可微渲染,都是可微编程工作最初瞄准的场景。
第二个角色是数据生成。Taichi 求解器可以批量产出带标签的物理轨迹,这正是训练学习型仿真器所需的数据形态。SNode 层让稀疏粒子分布的内存行为可控,同一套代码路径既服务生产运行,也服务数据集生成。
第三个角色是探索与教学。因为学生可以用一个装饰器写出物质点法的一个时间步,读论文与跑起来之间的距离被压得很低,该语言已被图形学课程采用。
在更完整的物理 AI 技术栈中,Taichi 通常占据三个位置之一:可微物理组件、快速数据生成引擎,或者开发代理策略与控制器的原型沙箱,之后再移植到生产求解器。它与代理模型天然协同,相关背景可参考代理建模与降阶模型与数值方法与求解器两个合集。
与学习型方法的结合点还落在代理模型的训练数据上。先用 Taichi 生成物理可信的轨迹,再由神经算子或图网络学习其中的映射,这类组合在流体与固体的代理建模中已有成熟范式,可参见神经算子合集与物理信息深度学习条目。
八、不适用场景与失效模式
第一种失效模式是梯度质量。接触、摩擦与塑性引入不连续点,导数在此未定义,天真的实现会给出无意义的梯度。项目自身的可微工作讨论了这一点,并提出连续碰撞检测作为一种缓解手段。接手既有可微 Taichi 代码库的团队常发现,真正困难的部分是梯度本身,并非编译器。
第二种是反向模式的内存占用。覆盖长时间步的 tape 按步数比例存储中间状态,千步量级的时间跨度叠加大尺寸 field 会耗尽显存。检查点与重算可以缓解,代价是时间。可微编程论文中的相关数字提到这种线性内存增长仍属待解问题。
第三是调试与报错。编译核函数的失败以编译器诊断呈现,科学用户的迭代节奏比解释执行的 Python 更慢。v1.7.0 发布明确把错误信息质量与覆盖面的改进列为变更项,这反映出当时的状况。
第四是发布节奏与生态成熟度。公开版本历史从 2022 年末的 v1.3.0 走到 2025 年 7 月的 v1.7.4,其中 v1.7.3 到 v1.7.4 跨越整一年,而 v1.7.3 本身仅含一条面向用户的变更。功能工作多已转向配套项目与从该研究团队发展出的独立商业实体。依赖上游新语言特性的项目应对这一节奏留出预算。仓库本身呈现同样的形态:默认分支上的最新提交日期为 2025 年 7 月 30 日,项目约有 28,460 个 star,收录十个可微仿真器的 DiffTaichi 仓库自 2023 年起未再更新。
第五是范围蔓延。Taichi 是一门编程语言,不是求解器库,它没有经过验证的有限元单元库、没有网格生成器,也没有收敛性验证框架,需要这些的项目必须自行补齐。
九、版本与口径核对
公开版本历史依次为:v1.3.0(2022 年 11 月 30 日)、v1.4.0(2023 年 1 月 16 日)、v1.4.1(2023 年 2 月 2 日)、v1.5.0(2023 年 3 月 27 日)、v1.6.0(2023 年 5 月 12 日)、v1.7.0(2023 年 11 月 27 日)、v1.7.1(2024 年 4 月 17 日)、v1.7.2(2024 年 8 月 22 日)、v1.7.3(2024 年 12 月 23 日)、v1.7.4(2025 年 7 月 31 日)。PyPI 包显示当前发布版为 1.7.4,上传于 2025 年 7 月 31 日,声明的 Python 要求为 3.9 及以上且低于 4.0,许可为 Apache Software License 2.0。
有两处差异需要记录。其一,v1.7.1 发布说明中含有一条把 Taichi 版本号提升到 v1.8.0 的提交,而公开版本历史中并不存在 v1.8.0 发布条目,PyPI 当前版本仍是 1.7.4;该提号动作看来发生在 1.7.1 线内的版本号字符串变更,并非一次正式发布。其二,README 的前置条件仍写 Python 3.6 至 3.10,而包元数据要求 3.9 及以上,v1.7.4 说明新增 Python 3.13 构建并放弃 3.9 以下版本支持,README 文本相对打包元数据已过时。
v1.7.4 说明还记录了一组不寻常的构建变更:OpenGL 构建的移除与在同一版本内立即回退,同时更新统一分配器与 Vulkan 头文件至 Vulkan 1.3,修复统一分配器的重复分配缺陷,并移除冗余控制流图优化以修掉一处崩溃。
本指南各项主张的出处:版本事实与行为变化来自上游发布说明与包元数据;架构与特性描述来自上游文档与 README;论文中的性能数字出自 DiffTaichi 与 SIGGRAPH Asia 2019 两篇论文,并标注为作者自身的结果;社区博客数字标注为第三方报告。
需要留意的另一点是量化扩展 QuanTaichi 已被并入 Taichi 主仓库,其同名 GitHub 仓库按项目 README 的说明只保留示例代码,AOT 导出能力也内置在主仓库的 aot 模块中;引用这些能力时应指明具体仓库与提交,而不宜笼统归入 Taichi 的版本序列。
十、参考资料
-
Taichi 项目 README,GitHub 仓库 taichi-dev/taichi,语言概览、稀疏数据结构、支持的后端与安装前置条件。
-
Taichi v1.7.4 发布说明,2025 年 7 月 31 日,OpenGL 构建移除与回退、Vulkan 1.3 头文件更新、统一分配器修复与 Python 3.13 构建。
-
Taichi v1.7.3 发布说明,2024 年 12 月 23 日,通过改进密钥生成加速编译。
-
Taichi v1.7.2 发布说明,2024 年 8 月 22 日,动态索引指针的循环不变量缓存修复、矩阵标量强制化配置项、NumPy 2.0 兼容与 CUDA 流选择。
-
Taichi v1.7.1 发布说明,2024 年 4 月 17 日,矩阵套矩阵的控制流图别名错误修复与自动微分比较语句类型修复。
-
Taichi v1.7.0 发布说明,2023 年 11 月 27 日,real function 稳定化、核函数多返回值、参数包、动态显存分配、稀疏网格辅助接口与提前导出扩展。
-
Taichi v1.6.0 发布说明,2023 年 5 月 12 日,长期弃用接口的清理清单及其替代写法。
-
PyPI 上 taichi 1.7.4 的包元数据,上传日期、Python 要求与 Apache 2.0 许可分类。
-
Taichi 官方文档站,稀疏数据结构、可微编程与提前导出章节。
-
DiffTaichi: Differentiable Programming for Physical Simulation,ICLR 2020,arXiv 1910.00935,可微仿真器的性能与工程效率数字。
-
Taichi: A Language for High-Performance Computation on Spatially Sparse Data Structures,ACM Transactions on Graphics 38(6),SIGGRAPH Asia 2019,编译器设计与稀疏计算基准对照。
-
QuanTaichi: A Compiler for Quantized Simulations,SIGGRAPH 2021,项目所引用的量化计算扩展。