正在接入 Apple HLS 视频源…
David Koski（MLX 团队）开场：数值计算（numerical analysis/scientific computing）是 MLX 的核心场景。MLX Swift 提供了类 NumPy 的数组运算接口，专为 Apple Silicon 优化。
矩阵加法、转置、矩阵乘法（matmul）、L2 范数（norm）等操作在语法上接近数学表达式。.T 表示转置，+ 表示矩阵加法——与数学符号几乎一致。
MLX 在数组级别操作而非标量级别。代码看起来像数学表达式且在 GPU 上并行处理所有数据点。具体加速比取决于算法，但 10x 是可行的。
以 Poisson 方程求解为例：基于网格大小的 optimal omega 计算→迭代求解→GPU 并行加速。展示 MLX 在科学计算中的实际应用路径。
梯度下降演示——小步前进，eval 刷新计算图防止无限增长。抛物线快速接近并 overshoot 数据点。MLX 的自动微分（autograd）为 ML 训练提供基础能力。
MLX 提供接近数学表达式的 API（转置 .T、矩阵加法 +、matmul、norm），在 GPU 上并行处理。Swift 开发者不学 Python 即可进行 ML 工作。
MLX 在数组级别操作而非标量，代码更简洁且在 GPU 上并行。10x 加速是典型值。科学计算场景（Poisson 方程）可直接利用此优势。
梯度下降 + eval 刷新计算图的模式是 ML 训练的核心。MLX 的 autograd 使研究者可快速验证模型，再通过 Core AI 优化部署。
328 提供计算基础（数组运算/autograd），232 提供 agentic 集成（本地运行），233 提供分布式扩展（多机推理）。三层覆盖 MLX 从单机到分布式的完整能力。
MLX Swift 的数组级操作 vs Python NumPy——语法更贴近原生 Swift。自动微分和 GPU 加速使 MLX 成为 Swift 生态中 ML 研究的首选框架。