苹果公司的AXLearn：让AI巨型模型训练变得像搭积木一样简单

这项由苹果公司的Mark Lee领导的研究团队发表于2025年7月的arXiv:2507.05411v1，研究内容涉及一个名为AXLearn的深度学习系统。有兴趣深入了解的读者可以通过arXiv:2507.05411v1访问完整论文。

当我们谈论现代AI时，很多人都会想到ChatGPT、Gemini这样的智能助手。但很少有人知道，训练这些超级智能的AI模型就像建造一座摩天大楼一样复杂。苹果公司的工程师们面临着一个让人头疼的问题：如何让AI模型的训练变得更加灵活和高效？

考虑这样一个场景：假设你是一位建筑师，需要设计各种不同的建筑——有时是住宅，有时是办公楼，有时是商场。传统的做法是每次都从头开始设计，这不仅耗时费力，还容易出错。但如果你有一套标准化的积木系统，每个积木都有明确的接口，可以随意组合，那建造过程就会变得轻松很多。

这正是苹果公司的研究团队想要解决的问题。他们开发了一个名为AXLearn的系统，就像是为AI模型训练设计的"超级积木"。这个系统的核心理念是模块化——每个功能都被设计成独立的组件，可以像积木一样自由组合。

传统的AI训练系统就像早期的电脑程序，所有功能都紧密耦合在一起。如果你想改变其中一个小功能，往往需要修改整个系统的代码。这就好比想要换掉房子里的一个灯泡，却发现必须重新布线整个房子。而AXLearn的设计理念完全不同，它采用了严格的封装原则，每个模块都是独立的，有着清晰的输入输出接口。

为了量化这种模块化的优势，研究团队创造了一个全新的衡量标准——"代码行复杂度"。这个概念听起来很技术化，但实际上很好理解。回到我们的积木比喻，当你想要在现有的积木建筑中加入一个新功能时，需要修改多少个现有的积木？如果是一个设计良好的积木系统，你只需要添加新的积木，而不需要修改任何现有的积木。这就是"常数复杂度"——无论你的建筑有多复杂，添加新功能的工作量都是固定的。

相比之下，传统的AI训练系统就像一个设计不良的积木系统。每次添加新功能时，你可能需要修改很多现有的积木，工作量随着系统规模的增长而线性甚至指数级增长。这就是为什么在其他系统中，添加一个新功能可能需要修改数百行代码，而在AXLearn中只需要10行代码就能完成。

一、模块化设计的威力

为了证明AXLearn的模块化优势，研究团队做了一个很有趣的实验。他们选择了两个在AI领域非常重要的技术：旋转位置编码（RoPE）和专家混合模型（MoE）。这两个技术听起来很复杂，但可以用简单的比喻来理解。

旋转位置编码就像是给文字添加"座位号"。当AI处理一段文字时，它不仅要理解每个词的含义，还要理解这些词在句子中的位置关系。传统的方法就像给每个座位贴上固定的标签，而RoPE则像是使用了一种更巧妙的编号系统，可以更好地处理长文本。

专家混合模型则像是组建了一个专家顾问团。传统的AI模型就像一个全能专家，什么问题都要自己解决。而MoE模型则像是有一群专门的专家，每个专家都有自己的特长领域。当遇到问题时，系统会选择最合适的专家来处理，这样既提高了效率，又保证了质量。

研究团队测试了在不同的AI训练系统中集成这两个技术需要多少工作量。结果令人惊讶：在传统系统中，集成RoPE需要修改200-600行代码，集成MoE需要修改400-4000行代码。但在AXLearn中，两种技术都只需要10行代码就能完成集成。

这种差异就像是比较两种不同的装修方式。传统方式就像是硬装修，想要改变房间的布局需要砸墙重建。而AXLearn就像是模块化装修，所有的墙都是可移动的，重新布局只需要重新组合现有的模块。

研究团队还发现，这种模块化设计的优势会随着系统规模的增长而变得更加明显。在他们的内部测试中，同样的10行代码配置被用于超过1000个不同的实验配置中，而如果使用传统方法，这些配置需要修改超过4000行代码。

二、支持异构硬件的必要性

现代AI训练面临的另一个挑战是硬件多样性。这就像是一个厨师需要在不同的厨房里烹饪同样的菜肴——有些厨房有燃气灶，有些有电磁炉，有些有烤箱。每种设备都有自己的特点和限制，厨师需要根据不同的设备调整烹饪方法。

在AI训练领域，硬件多样性的问题更加突出。目前市场上主要有三种类型的AI训练硬件：GPU（图形处理器）、TPU（张量处理器）和Trainium（亚马逊开发的AI芯片）。每种硬件都有自己的优势和特点。GPU就像是多功能的瑞士军刀，适用性强但在某些特定任务上可能不是最优的。TPU则像是专门为AI设计的工具，在特定任务上表现出色。Trainium则是亚马逊的新产品，试图在成本和性能之间找到平衡。

对于像苹果这样的大型科技公司来说，不能依赖单一的硬件供应商是一个重要的战略考虑。硬件供应可能会受到各种因素影响，包括供应链问题、价格波动、技术发展等。因此，拥有一个能够在不同硬件平台上运行的AI训练系统就变得至关重要。

AXLearn的设计理念就像是创造了一个通用的"翻译器"。这个翻译器可以将同样的AI模型训练任务转换成不同硬件平台能够理解的"语言"。研究团队基于XLA（加速线性代数）编译器构建了这个系统，XLA就像是一个智能的翻译工具，能够将高层次的计算描述转换成针对特定硬件优化的低层次代码。

但仅仅有编译器还不够。就像翻译一本书不仅需要懂得两种语言，还需要理解两种文化的差异一样，要在不同硬件平台上获得最佳性能，还需要针对每种硬件的特点进行专门的优化。

研究团队引入了"网格规则"的概念来解决这个问题。网格规则就像是为不同硬件平台量身定制的"食谱"。同样是做蛋糕，在燃气灶上和在电磁炉上的做法会有所不同——温度设置、时间控制、容器选择都需要调整。网格规则允许用户为不同的硬件平台指定不同的配置策略，而这些配置可以自动应用，不需要修改核心的模型代码。

例如，当在TPU上训练时，系统会自动使用一种名为"片内数据并行"的策略，同时启用INT8量化训练来提高效率。当切换到GPU时，系统会自动改用"节点内张量并行"的策略，并启用FP8量化训练。这种自动切换就像是智能汽车能够根据路况自动调整驾驶模式一样。

三、层次化配置系统

AXLearn的另一个重要创新是它的配置系统。传统的AI训练系统通常使用"扁平化"的配置方式，就像是把所有的设置都放在一个巨大的控制面板上。这种方式在系统简单时还可以管理，但随着系统复杂度的增加，控制面板会变得越来越难以使用。

AXLearn采用了层次化的配置方式，就像是现代汽车的多层级菜单系统。最顶层可能是"驾驶模式"，下面分为"舒适模式"、"运动模式"、"节能模式"等。每个模式下面又有更细致的设置，比如"悬挂硬度"、"转向灵敏度"等。这种层次化的设计让用户可以在不同的抽象层次上进行配置，既可以进行高层次的快速配置，也可以深入到细节进行精细调整。

在AXLearn中，一个Transformer模型的配置就像是一棵树。根节点是整个模型，下面分为"注意力层"、"前馈网络"、"嵌入层"等子节点。每个子节点又可以有自己的子节点，形成了一个清晰的层次结构。这种设计的好处是，当用户想要替换某个组件时，只需要替换对应的子树，而不需要修改整个配置。

研究团队还创造了一个巧妙的"配置遍历"机制。这就像是有一个智能助手，可以遍历整个配置树，找到所有符合特定条件的节点，并对它们进行批量修改。例如，如果用户想要将所有的前馈网络都替换为专家混合模型，只需要写一个简单的遍历函数，系统就会自动找到所有的前馈网络节点并进行替换。

这种设计的威力在实际应用中得到了充分体现。研究团队展示了如何用仅仅10行代码就能将任何模型转换为专家混合模型：

首先，定义一个遍历函数，这个函数会访问配置树中的每个节点。然后，检查每个节点是否是前馈网络类型。如果是，就将其替换为专家混合模型的配置。最后，调用这个遍历函数处理整个配置树。

这种方法的优雅之处在于，它完全不需要了解模型的具体结构。无论是GPT、BERT还是其他任何架构，只要使用了AXLearn的配置系统，都可以用同样的方式进行修改。这就像是有了一个万能的"改装工具"，可以对任何汽车进行同样的改装，而不需要了解每种汽车的具体结构。

四、从配置到JAX程序的转换

AXLearn的另一个技术亮点是它如何将用户友好的配置转换为高效的执行程序。这个过程就像是将建筑师的设计图纸转换为实际的建筑施工指令。

JAX是Google开发的一个科学计算库，它的特点是可以将Python代码转换为在各种硬件上高效运行的程序。但直接使用JAX就像是直接用汇编语言编程——虽然性能很好，但编写和维护都很困难。AXLearn在JAX的基础上构建了一个更加用户友好的抽象层。

这个转换过程包含几个关键步骤。首先是"配置实例化"，系统会根据用户的配置创建相应的模块实例。这就像是根据设计图纸准备建筑材料。然后是"并行化策略生成"，系统会自动决定如何在多个硬件设备上分布计算任务。接着是"内存优化"，系统会决定哪些计算结果需要保存，哪些可以在需要时重新计算。最后是"硬件特定优化"，系统会针对目标硬件平台进行专门的优化。

并行化策略的生成特别有趣。现代AI模型训练通常需要使用数百甚至数千个硬件设备。如何在这些设备之间分配工作就像是在一个大型工厂里安排生产线。AXLearn支持多种并行化策略的组合。

"数据并行"就像是多条生产线同时生产同样的产品。每条生产线都有相同的设备和工人，处理不同批次的原材料。"模型并行"则像是将一个大型产品的生产过程分解成多个步骤，每个步骤在不同的生产线上进行。"流水线并行"类似于汽车装配线，每个工作站负责装配的一个环节，产品从一个工作站流向下一个工作站。

AXLearn的智能之处在于，它可以自动决定最佳的并行化策略组合。用户只需要指定可用的硬件资源和期望的性能目标，系统就会自动生成最优的并行化方案。这就像是有一个智能的生产调度系统，可以根据订单需求和工厂资源自动安排最优的生产计划。

内存优化是另一个关键技术。训练大型AI模型需要大量的内存，但硬件的内存是有限的。AXLearn采用了一种名为"重新材料化"的技术，这就像是一个智能的仓库管理系统。系统会分析哪些中间计算结果使用频繁，需要保存在快速访问的内存中；哪些结果使用较少，可以在需要时重新计算；哪些结果可以暂时存储在较慢但容量更大的存储设备中。

五、调用上下文的创新设计

AXLearn面临的一个技术挑战是如何在函数式编程范式下维护状态信息。JAX要求程序是"纯函数式"的，也就是说，所有的函数都不能有副作用，不能修改全局状态。这就像是要求厨师在烹饪过程中不能使用任何会被污染的工具，所有的工具使用前都必须是干净的，使用后也必须保持干净。

但AI模型训练本质上是一个有状态的过程。模型参数需要不断更新，训练统计信息需要收集，随机数生成器需要维护状态。如何在纯函数式的框架下处理这些有状态的操作是一个技术难题。

研究团队的解决方案是创造了一个名为"调用上下文"的抽象。这就像是为每个函数调用创建了一个临时的"工作台"。当一个函数被调用时，系统会自动为它准备好所需的所有状态信息，包括模型参数、随机数生成器的状态、输出收集器等。函数执行完毕后，系统会自动收集所有的状态更新和输出结果。

这种设计的巧妙之处在于，它对开发者是透明的。开发者可以像在传统的命令式编程中一样编写代码，访问模型参数、生成随机数、收集输出，而不需要关心底层的状态管理机制。这就像是有一个贴心的助手，在你开始工作前为你准备好所有需要的工具和材料，在你工作结束后自动收拾和整理。

调用上下文还支持层次化的状态管理。当一个模块调用子模块时，系统会自动为子模块创建一个新的上下文，这个上下文继承了父上下文的部分状态，但也有自己独立的部分。这就像是公司的组织架构，每个部门都有自己的资源和责任，但也需要与上级部门协调。

这种设计还有一个重要的好处：它允许第三方库的无缝集成。即使是那些不是专门为AXLearn设计的库，也可以通过调用上下文访问系统的状态信息。这就像是有了一个通用的"翻译器"，可以让不同语言的程序员在同一个项目中协作。

六、分布式运行时系统

AXLearn的运行时系统负责在真实的分布式环境中执行训练任务。这个系统就像是一个复杂的交响乐团的指挥，需要协调数百甚至数千个"演奏者"（硬件设备）同时工作，确保它们的"演奏"（计算）是同步和协调的。

监控和性能分析是运行时系统的重要功能。在大规模分布式训练中，性能瓶颈可能出现在任何地方：数据加载、网络通信、计算执行、内存管理等。AXLearn提供了多层次的监控系统，就像是医院的体检系统，可以从不同角度检查系统的健康状况。

硬件层面的监控类似于检查身体的基本指标——心率、血压、体温。系统会监控每个硬件设备的利用率、温度、内存使用情况等。网络层面的监控则像是检查血液循环系统，确保数据在不同设备之间的传输是畅通的。应用层面的监控类似于检查各个器官的功能，确保训练过程的每个环节都正常工作。

检查点保存是另一个关键功能。大型AI模型的训练可能需要数天甚至数周的时间，在这个过程中，硬件故障、网络中断、软件错误都可能发生。检查点保存就像是电子游戏中的存档功能，定期保存当前的训练状态，一旦出现问题就可以从最近的检查点恢复。

AXLearn的检查点系统特别智能。传统的检查点保存就像是简单的文件复制，所有设备都需要将自己的状态保存到远程存储。但在大规模训练中，这种方式会造成巨大的网络负载。AXLearn采用了"数据分片序列化"的方法，就像是将一个大文件分割成多个小块，每个设备只负责保存自己的那一部分。这样不仅减少了网络负载，还提高了保存速度。

故障检测和恢复可能是运行时系统最复杂的部分。在一个包含数千个硬件设备的系统中，故障是常态而不是异常。就像在一个大型工厂中，总会有一些机器出现故障，关键是如何快速识别故障并采取应对措施。

AXLearn实现了多种故障检测机制。"看门狗"系统会持续监控每个设备的健康状态，如果发现某个设备的计算速度异常缓慢或者停止响应，就会触发警报。"静默数据损坏检测"会定期进行一致性检查，确保不同设备上的数据是一致的。"网络连接检测"会监控设备之间的通信状况，及时发现网络问题。

当检测到故障时，系统会自动启动恢复流程。对于轻微的故障，系统可能只是重启出问题的设备。对于严重的故障，系统可能需要重新调度计算任务，将故障设备的工作分配给其他健康的设备。在最极端的情况下，系统可能需要从最近的检查点完全重启训练过程。

七、统一训练和推理

AXLearn的一个意外发现是，同一个系统可以既用于训练也用于推理。这就像是发现一个原本为生产设计的工厂，稍作调整后也可以用于产品展示和销售。

传统上，AI模型的训练和推理被认为是两个完全不同的任务，需要不同的系统和优化策略。训练就像是学习过程，需要大量的计算资源和时间，目标是让模型从数据中学习知识。推理则像是应用过程，需要快速响应用户的请求，目标是尽可能快地产生结果。

但AXLearn的模块化设计使得这种统一成为可能。训练和推理使用了很多相同的组件：模型结构、参数管理、计算内核等。不同的只是工作流程和优化目标。这就像是同一个厨房既可以用来学习烹饪技巧，也可以用来为客人准备餐点。

研究团队发现，在TPU上，AXLearn作为推理引擎的性能甚至超过了专门的推理系统vLLM。在7B参数的模型上，AXLearn的首个令牌生成时间比vLLM快500倍，每个令牌的生成时间快6倍。在70B参数的模型上，AXLearn的吞吐量比vLLM高60%。

这种性能提升的原因是多方面的。首先，AXLearn的模块化设计使得推理时可以使用与训练时相同的优化组件，比如高效的注意力计算内核。其次，AXLearn对不同硬件平台的深度优化在推理时同样有效。最后，统一的系统设计减少了不必要的抽象层，提高了整体效率。

八、性能评估和对比

为了验证AXLearn的性能，研究团队进行了全面的对比测试。这就像是汽车的性能测试，需要在不同的路况和条件下测试车辆的表现。

测试使用了两个标准的AI模型：Llama2 7B和Llama2 70B。这两个模型就像是性能测试中的标准跑车，被广泛用于评估不同系统的性能。测试在三种不同的硬件平台上进行：H100 GPU、TPU v5p和AWS Trainium2，覆盖了当前主流的AI训练硬件。

测试结果显示，AXLearn在不同硬件平台上都表现出色。在H100 GPU上，AXLearn的性能与Megatron-LM和MaxText相当，在某些配置下甚至更优。在TPU上，AXLearn的性能明显优于其他系统，特别是在内存效率方面。在AWS Trainium2上，AXLearn是唯一能够运行的系统，展现了其出色的硬件适应性。

研究团队还进行了大规模的扩展性测试。他们测试了两个内部模型：一个70B参数的模型和一个150B参数的模型。结果显示，AXLearn在扩展到数千个设备时仍能保持良好的性能。70B模型从256个设备扩展到4096个设备时，计算效率只下降了约10%。150B模型从8192个设备扩展到32768个设备时，计算效率下降了约3%。这种线性扩展性对于大规模训练来说是非常重要的。

九、模块化复杂度的量化分析

研究团队对不同系统的模块化程度进行了详细的量化分析。这就像是对不同建筑的设计灵活性进行评估，看看在现有建筑中添加新房间需要多少工作量。

分析使用了两个具体的例子：集成旋转位置编码（RoPE）和专家混合模型（MoE）。这两个技术在现代AI模型中非常常见，为分析提供了很好的基准。

结果显示，不同系统的模块化程度差异巨大。在Megatron-LM中，集成RoPE的代码复杂度随模型数量和变体数量成线性增长，集成MoE的复杂度则随模型数量线性增长。在DeepSpeed中，两种技术的集成复杂度都呈平方级增长。在TorchTitan中，复杂度同样呈平方级增长。

只有AXLearn实现了常数级的复杂度。无论系统有多少个模块，也无论需要集成多少个技术变体，所需的工作量都是固定的。这就像是有了一个完美的积木系统，添加新积木的工作量总是固定的，不会随着现有积木数量的增加而增加。

为了验证这个分析，研究团队进行了实际的代码行数统计。在一个包含20个模型变体的生产环境中，使用传统系统集成RoPE需要修改200-600行代码，集成MoE需要修改400-4000行代码。而在AXLearn中，两种技术的集成都只需要0行代码修改——因为可以使用完全相同的10行配置代码。

十、生产环境的实际应用

AXLearn不仅是一个研究原型，更是一个在生产环境中得到广泛应用的实际系统。苹果公司的工程师们已经使用AXLearn训练了数千个模型，支持了数百名工程师的日常工作。

系统的发展历程也很有趣。最初，团队使用的是PyTorch，但随着模型规模的增长和硬件平台的多样化，他们意识到需要一个更加灵活和高效的解决方案。选择JAX/XLA作为基础是一个战略性决策，虽然当时这个技术栈还不够成熟，但团队相信编译器优先的方法是未来的趋势。

这个决策最终被证明是正确的。随着JAX/XLA生态系统的成熟，AXLearn获得了对多种硬件平台的原生支持，包括当时还不存在的AWS Trainium2。这就像是提前投资了一个有潜力的技术，最终获得了丰厚的回报。

在实际应用中，AXLearn显示出了强大的适应性。系统目前支持超过10000个并发的实验配置，运行在数十个不同的异构硬件集群上。这些实验涵盖了从小型研究模型到大规模生产模型的各种场景。

一些使用AXLearn训练的模型已经部署到了苹果的产品中，为超过10亿用户提供服务。这些应用包括智能助手、多模态理解和生成、代码智能等。从研究原型到生产应用的成功转化证明了AXLearn设计的实用性和可靠性。

十一、面临的挑战和解决方案

在AXLearn的开发和部署过程中，团队遇到了许多挑战。资源竞争是一个重要问题。由于云端计算资源有限，特别是新型硬件如TPU的容量限制，如何有效利用有限的资源成为了关键。

团队的解决方案是深度集成提前编译（AOT）技术。这就像是在真正开始烹饪之前，先在脑海中完整地演练一遍整个过程。AOT编译允许开发者在本地机器上验证训练程序的正确性，包括内存使用、计算复杂度等，而不需要实际占用昂贵的云端资源。

测试实践也是一个挑战。传统的软件测试方法在机器学习系统中往往不够用。模型的行为可能会因为微小的配置变化而产生意想不到的改变，而这些变化很难通过传统的单元测试或集成测试发现。

团队开发了"黄金配置"测试的概念。这就像是为重要的菜谱建立标准版本，任何修改都需要与标准版本进行比较。关键的训练配置会被序列化成人类可读的格式，并与代码一起提交到版本控制系统中。这样，任何可能影响训练行为的代码修改都会产生可审查的配置差异。

云端基础设施的不稳定性是另一个挑战。与内部管理的集群不同，公共云环境可能会出现各种不透明的故障。硬件故障、网络问题、文件系统限制等都可能在没有明确错误信息的情况下影响训练过程。

为了应对这些挑战，团队构建了多层次的容错机制。这就像是为房屋建造多重保险：火灾报警器、自动喷淋系统、紧急疏散通道等。系统包含了硬件故障检测、网络连接监控、静默数据损坏检查等多种保护机制。

十二、与现有系统的详细对比

研究团队对AXLearn与其他主流AI训练系统进行了详细的对比分析。这种对比就像是评估不同品牌的汽车，需要从多个维度考虑：性能、可靠性、易用性、维护成本等。

Megatron-LM是NVIDIA开发的GPU优化系统，在GPU性能方面表现出色。但它的设计紧密耦合了GPU特定的优化，难以移植到其他硬件平台。这就像是一辆专门为高速公路设计的跑车，在高速公路上表现完美，但在乡间小路上就显得不太适用。

DeepSpeed是微软开发的训练系统，提供了丰富的内存优化技术。但它的配置系统采用了扁平化设计，随着系统复杂度的增长，配置变得越来越难以管理。这就像是一个功能强大但控制面板混乱的音响系统，虽然能产生很好的音效，但调试起来很复杂。

TorchTitan是PyTorch团队开发的新系统，在设计理念上与AXLearn有一些相似之处，都强调模块化和可组合性。但TorchTitan仍然采用了配置扁平化的方法，这在一定程度上限制了其扩展性。这就像是两个都想要建造模块化房屋的建筑师，但一个使用了更先进的设计方法。

MaxText是Google开发的JAX生态系统中的训练库，与AXLearn使用了相似的技术栈。但MaxText更像是一个参考实现，而不是一个完整的生产系统。它缺乏AXLearn中的许多生产级特性，如复杂的故障处理、多云支持等。

通过这些对比，可以看出AXLearn的独特价值：它结合了各个系统的优点，同时避免了它们的局限性。在保持高性能的同时实现了真正的模块化，在支持多种硬件的同时保持了易用性。

说到底，AXLearn的成功不仅仅在于它的技术创新，更在于它对实际问题的深入理解和系统性解决。在AI技术快速发展的今天，拥有一个既灵活又高效的训练系统变得越来越重要。AXLearn的模块化设计理念和异构硬件支持能力，为AI研究和应用提供了强大的基础设施。

这项研究对普通人的意义可能不会立即显现，但它的影响将是深远的。更高效的AI训练系统意味着更快的模型开发速度，更低的训练成本，以及更广泛的AI应用。这最终会转化为更智能的语音助手、更准确的翻译软件、更强大的代码辅助工具等，直接改善我们的日常生活体验。

对于技术研究者来说，AXLearn提供了一个可以借鉴的系统设计范例。它展示了如何在保持系统性能的同时实现真正的模块化，如何在支持多种硬件的同时保持系统的一致性，如何在构建复杂系统的同时保持良好的可维护性。这些设计理念不仅适用于AI训练系统，也可以应用到其他类型的大规模分布式系统中。

有兴趣深入了解这项研究的读者，可以访问AXLearn的开源项目（https://github.com/apple/axlearn）或查阅完整的论文（arXiv:2507.05411v1）。这项研究不仅是技术创新的成果，也是对软件工程最佳实践的深入思考，值得每一个关心AI技术发展的人认真研读。

Q&A

Q1：AXLearn的核心创新是什么？为什么它比其他AI训练系统更好？ A：AXLearn的核心创新是真正的模块化设计和异构硬件支持。它就像搭积木一样，每个组件都可以独立替换，添加新功能只需要10行代码，而传统系统需要数百行。同时它能在GPU、TPU、Trainium等不同硬件上运行，让用户不再被单一硬件供应商绑定。

Q2：普通开发者能使用AXLearn吗？学习成本高不高？ A：AXLearn已经在GitHub上开源，普通开发者可以免费使用。由于采用了Python配置系统和层次化设计，学习成本相对较低。就像使用乐高积木一样，你可以先用现有的模块快速搭建，然后逐步学习更复杂的自定义功能。

Q3：AXLearn会不会让AI训练变得更便宜？ A：是的，AXLearn通过多种方式降低训练成本：支持多种硬件平台让用户选择性价比最高的方案；高效的并行化和内存优化减少了硬件需求；模块化设计减少了开发和维护成本。苹果的实际使用证明了这些优势在大规模应用中是显著的。