MLX Swift：用 像數學的 Swift 寫 GPU 數值運算
這場 session 說明 MLX Swift 在 Apple 數值運算生態的位置，並用 power iteration、Mandelbrot、heat distribution、SOR 與 curve fitting 展示 n-dimensional arrays、lazy evaluation、GPU execution 與 automatic differentiation。
MLX Swift 的價值是把 NumPy-style array programming、GPU 加速與 autodiff 帶進 Swift：你可以用接近數學式的程式描述矩陣、卷積與梯度，不必在 Swift app 與 Python prototype 之間來回搬運核心邏輯。
這支影片在回答四個選型問題
何時該選 MLX Swift？
Accelerate、BNNS、MPS、Swift Numerics 各有強項；若目標是用 Swift 寫接近數學式、可利用 GPU、可 autodiff 的 numerical code，MLX Swift 是更高階的選擇。
n-dimensional arrays 是核心模型
像 NumPy 一樣，MLX Swift 用 array 而不是單一 scalar 當主要操作單位。矩陣加法、transpose、matmul、norm、broadcasting 都讓程式碼讀起來更接近公式。
Lazy evaluation 讓 GPU 與 grad 成立
操作先建立 compute graph，直到 eval 或讀值才執行。這同時支援 automatic GPU execution 與 grad 這類 function transformation。
Swift 不是孤島
MLX 有 Swift、Python、C++、C front-ends，共享概念與 lazy-evaluation model；可以 Python prototype、Swift ship，也能參考 mlx-swift-lm 與 mlx-swift-examples。
從數學式到 MLX Swift 的導入路徑
先把問題表成 array 操作
把 scalar loops 改寫成矩陣、向量或 grid。Mandelbrot 範例把每個 pixel 的迭代改成對整個 complex grid 一次操作。
讓核心公式留在程式表面
Power iteration 裡的 A = B.T + B、matmul(A, v)、norm(Av) 都直接對應線性代數，不被索引 bookkeeping 淹沒。
用 conv2d 表達鄰域運算
Heat distribution 的 Jacobi iteration 把四鄰域平均寫成 stencil kernel 與 conv2d，boundary condition 則用 elementwise ternary 保留固定熱源與牆。
選演算法，而不只換框架
SOR 與 Jacobi 程式形狀相近，但用 omega overshoot 與 red/black checkerboard 模擬 in-place update，從 N² 收斂改善到 N 級別。
用 grad 轉成最佳化迴圈
Curve fitting 範例定義 loss 後，讓 grad(loss) 自動產生相對參數的梯度，再用 gradient descent 更新，不手寫導數。
重點 1：MLX Swift 解的是「數學可讀性 + Apple 平台執行」
影片不是把 MLX Swift 包裝成所有數值任務的替代品，而是明確放在 Apple 生態中：Accelerate 適合 CPU vector primitives，BNNS 是神經網路 building blocks，Metal Performance Shaders 給低階 GPU kernels，Swift Numerics 補泛型數值型別。MLX Swift 的主場是高階 array computing。
判斷方式：如果你的程式正在寫大量 index loops、手動管理矩陣形狀，或先用 Python / NumPy prototype 再重寫 Swift，MLX Swift 值得評估。
重點 2：Lazy evaluation 是效能與 autodiff 的共同基礎
MLX Swift 操作 array 時先建立 compute graph，不會每一行立即執行。這讓框架可以把計算放到 GPU，也讓 grad 這類 transformation 從同一個 graph 推導梯度。但在 loop 裡要適時呼叫 eval，避免 graph 無限制變大。
重點 3：影片用三個例子展示不同計算形狀
Mandelbrot 是 embarrassingly parallel：每個點獨立，可一次套到整個 grid，官方示範指出視演算法而定可有 10x 等級加速。Heat distribution 則是鄰域問題，透過 convolution 表達 stencil。Curve fitting 則從 forward computation 轉成 optimization problem，用 autodiff 取得梯度。
重點 4：演算法選擇仍然比框架更重要
SOR 範例是影片最重要的工程提醒。Jacobi iteration 易懂但收斂慢，通常需要 N² iterations；SOR 用 omega overshoot 與 checkerboard update 模擬 in-place 更新，達到 N iterations 等級。MLX 讓兩者都好寫，但真正的效能差距來自演算法。
風險與遷移注意事項
不要把 NumPy 逐行翻譯當終點
API 熟悉不代表最佳。要重新檢查 shape、broadcasting、eval 邊界與是否真的適合 GPU。
loop 裡要管理 lazy graph
長迭代若忘了 eval，graph 可能成長過大；影片在 power iteration 與 gradient descent 都示範每步 flush。
邊界條件是數值程式的真風險
Heat distribution 範例的 heatMask 與 boundary condition 是 correctness 關鍵；不要只看 conv2d kernel 是否能跑。
Swift/Python 雙路線要定義 ownership
MLX 多 front-end 方便 prototype 與 ship，但團隊仍要決定哪個語言是 source of truth，避免兩份數值邏輯漂移。
來源
主要來源為 Apple Developer 官方影片頁、官方 transcript、章節與 code snippets；YouTube 影片頁用於 iframe 與發布 metadata。官方頁：Explore numerical computing in Swift with MLX - WWDC26。YouTube：WWDC26: Explore numerical computing in Swift with MLX | Apple。
- 01MLX Swift 適合想用 Swift 寫 high-level array computing、GPU execution 與 autodiff 的 app / research code。
- 02Lazy evaluation 很強，但 loop 內要明確 eval，避免 compute graph 失控。
- 03框架讓數學更好寫，真正的效能仍來自選對演算法，例如 SOR 勝過單純 Jacobi。