Google 的函数式数值计算库，靠自动微分和 XLA 编译把 NumPy 代码直接跑上 TPU/GPU。

JAX 是什么，谁该用它

如果你写过 NumPy，又想把这些代码直接丢到 GPU 或 TPU 上跑，还想顺手拿到自动微分——JAX 就是干这个的。它由 Google 维护，文档在 docs.jax.dev，定位很明确：一个函数式数值计算库，把 NumPy 风格的数组运算、自动求导（autodiff）和 XLA 编译三者焊在一起。

它不是 NumPy 的替代品，也不是又一个深度学习框架。你写的还是 jnp.array、jnp.dot 这类熟悉的接口，但执行路径完全不同：代码先被追踪成计算图，交给 XLA 编译成针对具体硬件（CPU/GPU/TPU）的机器码，再跑。同一个函数，换个设备就是另一份编译产物。

它到底解决了什么问题

写 NumPy 的人都有体会：循环慢，向量化难写，梯度得手推。JAX 用几个核心变换把这三件事拆开了。

• jax.grad：对任意纯函数求导，不用改函数本身
• jax.jit：把函数编译成 XLA 可执行体，循环和逐元素操作都能被融合优化
• jax.vmap：自动向量化，你写单样本逻辑，它帮你批处理
• jax.pmap / shard_map：多设备并行，TPU 集群上尤其顺手

这几个变换可以任意组合。比如 jit(vmap(grad(f)))，一行套出「批量求梯度并编译」的行为，这在 NumPy 里得手写一大堆。

代价是函数式约束。JAX 要求被变换的函数尽量是纯的——不能有随机的副作用，随机数得显式传 PRNG key，状态更新要靠函数返回值。这套写法一开始别扭，习惯了反而清晰，尤其是调试梯度问题时。

谁适合上手

做研究的人最该看它。需要频繁改模型结构、试新算子、算高阶导数的场景，JAX 的函数式组合比命令式框架灵活得多。物理模拟、贝叶斯推断、强化学习这类「数学公式即代码」的领域，它是主力工具之一。

已经熟悉 NumPy 的工程师迁移成本不高，接口几乎一致。但如果你要的是开箱即用的训练循环、现成的层和优化器，JAX 生态里的 Flax、Equinox、Optax 能补上，只是拼装感比 PyTorch 强一些。

不太适合的：需要大量动态控制流、频繁 host-device 同步、或者依赖 Python 副作用的老代码。JIT 编译有预热开销，小规模计算反而可能变慢。

上手路径

官方文档结构清楚，从「JAX 基础」到「自动微分」「并行计算」逐层展开，示例都能直接跑。建议顺序是先拿 jnp 改写一段 NumPy 代码感受接口，再试 grad 和 jit 的组合，最后碰 vmap 和多设备。文档里对「纯函数」「静态形状」「PRNG」这几个坑讲得比较实在，遇到报错先回去翻对应章节，多半能找到原因。

一句话：想把数值代码写得像数学、跑得像编译产物，JAX 值得花一个下午试试。

常见问题

JAX 是什么？

Google 的函数式数值计算库，靠自动微分和 XLA 编译把 NumPy 代码直接跑上 TPU/GPU。

JAX 的官方网站是什么？

JAX 的官方网站是 https://docs.jax.dev/，可直接在浏览器中打开使用。