虽然 Taichi 早期面向高性能计算机图形学，但是其应用场景已经很快得渗透到了各种我们没有想到的领域。很多用户已经将 Taichi 作为一套 “在 Python 中编写高性能程序的工具” 或者 “（移动端）部署 compute shader 的开发系统”。（文末有 Taichi 面向的两类用户人群的讨论。）其实这些使用方式和 Taichi 的愿景是吻合的：

并行计算程序只要轻松地编写一次以后，能够高性能地部署在几乎任何地方。
总结下来，Taichi 有如下三个核心特质：

优雅开发
语法简单：Python 用户可直接上手编写
与 Python 生态（如 Numpy、PyTorch）自然结合
自动并行和自动微分大大降低程序开发难度
仅用 99 行代码，就可以开发精彩的图形程序
高效运行
面向多核 CPU 与大规模并行 GPU 设计
将 Python 即时编译（Just-in-time, JIT）为二进制可执行代码
空间稀疏数据结构：不在空白空间浪费计算资源
量化数据类型：加速移动端计算
随处部署
Taichi 支持包含 x64, ARM CPUs, CUDA, Vulkan, Metal 和 OpenGL Compute Shaders 等后端
提前（Ahead-of-time, AOT）编译允许 Taichi 在 PC、移动设备、浏览器中脱离 Python 运行

带图片的 Taichi 项目的全家福


过去的一年中 GitHub 上的 ”import taichi as ti“ 数量增长了 4 倍：


Taichi 简史
在未来，我们希望实现 “哪里有并行计算的需求，哪里就有 Taichi”。单纯看一个增长数字或许并不能帮我们了解用户到底用 Taichi 做了什么。下面我们分各个领域简单讨论一下！

领域和场景
图像处理

嗯，论如何把眼睛无缝缝合到手心...


Poisson Image Editing [Perez03] 也算是经典论文了。Jiayi Weng (jiayiwen), Zixu Chen (zixuc) 两位同学实现了这个经典算法，支持 Taichi 作为后端。用 Taichi 作为后端有几个好处：

跨后端，写一遍以后 AMDGPU、CUDA、多线程CPU都能跑了；
Taichi 自带 JIT，不需要在用户机器上编译 CUDA、C++ 文件，很省事儿；
开发可以完全在 Python 中完成，用 @ti.kernel 标记一下需要在并行设备上运行的部分就好。
基于 taichi 开发 Python 库是很值得推广的方式，当然也存在一些需要优化的地方，如果有别的同学尝试了欢迎告诉我（和社区）你的使用体验！taichi https://taichi-lang.cn/