35.000-mal schneller – mit dieser beachtlichen Zahl trat die Programmiersprache Mojo im Jahr 2023 erstmals an die Öffentlichkeit und verglich sich direkt mit Python, der weltweit populärsten Programmiersprache. Drei Jahre später, am 11. August 2026, hat die Sprache, die einst mit diesem gewaltigen Leistungssprung warb, offiziell die Version 1.0 erreicht. Für Außenstehende mag das wie die Ankündigung eines weiteren neuen Werkzeugs klingen. Doch dieses Release bietet die Gelegenheit, zwei grundlegende Fragen zu klären: Warum ist Python eigentlich langsam, wie erzielt Mojo seine Geschwindigkeit und wie viel Wahrheit steckt wirklich hinter der Zahl 35.000?
Abb.: Mojo 1.0 Ankündigungs-Header. Quelle: modular.com
Warum Python langsam ist: Wie ein Dolmetscher, der jeden Satz live übersetzt
Zunächst eine wichtige Klarstellung: Wenn Entwickler davon sprechen, dass „Python langsam ist“, beziehen sie sich speziell auf reine Rechenoperationen, nicht auf das Starten einer Software. Bei Aufgaben wie dem Lesen von Dateien oder Netzwerkanfragen unterscheidet sich Python kaum von anderen Sprachen – hier bilden Festplatte und Netzwerkbandbreite den Nadelöhr. Ein drastischer Leistungsunterschied entsteht erst, wenn der Computer schwere mathematische Algorithmen berechnen muss, wie etwa bei der Bildverarbeitung oder beim Training von Modellen. Pythons Trägheit geht auf drei grundlegende Architekturentscheidungen zurück.
Erstens ist Python eine „interpretierte“ Sprache. Stellen Sie sich eine Programmiersprache wie ein Kochrezept und den Computer als Koch vor. Compilierte Sprachen wie C übersetzen das gesamte Rezept einmalig vollständig in Maschinencode. Danach führt der Koch die Anweisungen bei jedem Durchlauf direkt aus. Python hingegen agiert wie ein Simultandolmetscher: Jede Zeile des Programms muss vor der Ausführung in Maschinencode übersetzt werden – und das bei jedem einzelnen Durchlauf. Dieser ständige Übersetzungs-Overhead bildet das Fundament des Geschwindigkeitsunterschieds.
Zweitens sind Variablen in Python dynamisch typisiert („ohne festes Etikett“). Ob eine Variable eine Zahl oder einen Text enthält: Die Variable selbst deklariert ihren Datentyp nicht im Voraus. Jedes Mal, wenn das Programm auf einen Wert zugreift, muss die Laufzeitumgebung erst prüfen, um welchen Datentyp es sich handelt. Das gleicht einer Kommode ohne Beschriftung: Jedes Mal muss jede Schublade erst geöffnet werden, um zu sehen, was darin liegt. Statisch typisierte Sprachen besitzen dagegen klar beschriftete Schubladen, sodass Zugriffswege im Voraus optimiert werden können.
Drittens besitzt Python die globale Interpretersperre GIL (Global Interpreter Lock). Vereinfacht gesagt erlaubt das GIL reinem Python-Code, zu jedem Zeitpunkt nur auf einem einzigen Thread zu arbeiten. Selbst wenn ein Prozessor über 32 Kerne verfügt, arbeitet reiner Python-Code Aufgaben nacheinander ab – vergleichbar mit einer Großküche voller Herdplatten, in der aber nur ein einziger Koch arbeitet.
Das Zusammenspiel dieser drei Faktoren macht Python bei reinen Rechenaufgaben extrem langsam. Es erklärt auch, warum fast alle wissenschaftlichen Bibliotheken in Python – darunter NumPy und PyTorch – im Hintergrund auf nativen C/C++-Code setzen. Python dient als benutzerfreundlicher Orchesterdirigent, während die schwere Rechenarbeit an C delegiert wird. Pythons geringe Ausführungsgeschwindigkeit ist der Preis für seine größte Stärke: Maximale Entwicklerfreundlichkeit und einfache Lesbarkeit. Diese Abwägung verhalf Python drei Jahrzehnte lang zum Aufstieg, bleibt jedoch eine unvermeidbare Schwachstelle.
Warum Mojo schnell ist: Der Wechsel auf eine völlig neue Schiene
Mojo wurde von der Firma Modular im Mai 2023 angekündigt. Mitbegründer Chris Lattner ist der Schöpfer der Programmiersprache Swift sowie der Compiler-Infrastruktur LLVM – das Erstellen von Compilern gehört somit zur Kernkompetenz des Teams. Mojos Performance resultiert aus der systematischen Beseitigung von Pythons drei Schwachstellen.
Mojo ist eine compilierte Sprache. Das gesamte Programm wird vor der Ausführung in Maschinencode übersetzt, sodass der Übersetzungsaufwand nur ein einziges Mal anfällt. Über die reine Compilation hinaus nutzt Mojo die Compiler-Infrastruktur MLIR (Multi-Level Intermediate Representation). MLIR ermöglicht eine zweite Optimierungsebene: Aus demselben Quellcode generiert der Compiler maßgeschneiderte Maschinenbefehle für unterschiedlichste Hardware-Architekturen – egal ob Standard-CPUs, GPUs oder spezialisierte KI-Beschleuniger. Während klassische Compiler für jeden Küchentyp ein eigenes Rezept erforderten, passt MLIR ein einzelnes Rezept automatisch an jede Küche an.
Darüber hinaus führt Mojo statische Typisierung und ein Speichermanagement ähnlich wie Rust ein. Da der Compiler die Datentypen bereits vor der Ausführung kennt, kann er im Vorfeld umfangreiche Optimierungen vornehmen und verbreitete Speicherfehler bereits beim Compilieren abfangen. Für Entwickler bedeutet die Version 1.0 zudem Syntax-Stabilität: Der Code von heute bleibt auch morgen gültig, was die Sprache für langfristige Produktionsprojekte qualifiziert – ein Versprechen, das in der Ankündigung betont wird.
Hinzu kommt der Faktor Entwicklererfahrung: Mojos Syntax orientiert sich eng an Python, sodass Python-Entwickler keine völlig neue Sprache erlernen müssen. Allerdings hat Modular seine Roadmap im Laufe der Zeit angepasst: Während Mojo ursprünglich als „vollständiges Superset von Python“ angekündigt wurde, heißt es in der Dokumentation inzwischen zurückhaltender, dass ein vollständiges Superset „nicht garantiert“ sei. In der Praxis entwickelt sich Mojo eher zu einer eigenständigen Sprache mit Python-ähnlicher Syntax als zu einem bloßen „schnelleren Python“.
Die Geschwindigkeit von Mojo basiert auf einem vollständigen Wechsel der Infrastruktur: Übersetzungsmodell, Typsystem und Hardware-Anpassung wurden von Grund auf neu gestaltet. Ähnlich wie beim Bau einer Hochgeschwindigkeitsstrecke verändert sich die Geschwindigkeitsklasse drastisch, sobald das Schienennetz ausgetauscht wird. Mojos Hauptanwendungsfeld ist die Programmierung von KI-Chips. Bislang erfordert die GPU-Programmierung meist NVIDIAS proprietäre Sprache CUDA, was Entwickler an einen einzelnen Hersteller bindet. Mojo strebt an, eine herstellerunabhängige Alternative zu bieten, bei der ein einziger Code auf allen Chips läuft.
35.000x ist echt, aber man muss die Bedingungen kennen
Damit zur entscheidenden Frage: Wie wurde der Wert von 35.000x überhaupt gemessen?
Die Zahl stammt aus der offiziellen Präsentation bei Mojos Debüt 2023 und basierte auf einer Benchmark-Berechnung der Mandelbrot-Menge – einer intensiv verschachtelten mathematischen Schleife.
Abb.: Mandelbrot-Menge-Fraktal – diese Art intensiver mathematischer Berechnung wurde für den 35.000x-Benchmark verwendet. Quelle: Wikimedia Commons
Als Vergleichsbasis diente manuell geschriebener, reiner Python-Code mit verschachtelten Schleifen – genau das Szenario, in dem Python aufgrund von Interpreter-Overhead, dynamischer Typprüfung und Single-Thread-Bindung am schlechtesten abschneidet. Sobald Python jedoch C-optimierte Bibliotheken wie NumPy nutzt, schrumpft der Leistungsvorsprung von 35.000-mal auf etwa das 12-Fache zusammen. 12-mal schneller ist zwar immer noch beeindruckend, bewegt sich jedoch in einer völlig anderen Größenordnung. Auf diesen Kontext wiesen Tech-Communities wie Slashdot bereits bei der Erstvorstellung hin.
Was bedeutet das? Die Zahl 35.000x ist nicht erfunden, aber sie gleicht eher einer Urkunde für einen Disziplinsieg unter spezifischen Testbedingungen als einem universellen Versprechen für alle Anwendungsfälle. Bei den meisten alltäglichen Anwendungen liegen die Engpässe bei Festplattenzugriffen, Netzwerklatenzen oder Datenbankabfragen – hier bringt der Wechsel der Sprache kaum Performancegewinne. In den 108 Kommentaren auf Hacker News zur Version 1.0 äußerten sich viele Entwickler differenziert: Einige merkten an, dass die Ankündigung von 1.0 keinen direkten Benchmark-Vergleich mit PyTorch enthielt, was „für sich genommen bereits Bände spricht“; andere kommentierten süffisant den 1.0-Stempel als „die Entscheidung, das Projekt ab jetzt einfach 1.0 zu nennen“.
Der wahre Kampf einer neuen Sprache: Ökosystem, Open Source und 3,9 Milliarden Dollar
Reine Ausführungsgeschwindigkeit ist lediglich die Eintrittskarte. Python hat über drei Jahrzehnte hinweg ein Ökosystem aus Hunderttausenden ausgereiften Bibliotheken für Bildverarbeitung, Datenanalyse, Webentwicklung und KI aufgebaut. Eine neue Sprache mag noch so schnell sein – das gesamte Ökosystem zu ersetzen, erfordert enorme Ressourcen. Dies bildet Pythons stärksten Schutzwall und Mojos größte Hürde.
Mojos Community-Zahlen zeigen durchaus Dynamik: Seit der Quelltextfreigabe der Standardbibliothek haben knapp 200 Mitwirkende über 1.100 Änderungen eingereicht und mehr als 200.000 Zeilen Code überarbeitet. Der eigentliche Compiler bleibt jedoch bis heute proprietär; Modular hat eine Quelltextfreigabe noch für das Jahr 2026 zugesagt. Dies ist der zentrale Kritikpunkt in den Entwicklerforen: „Solange der Compiler nicht Open Source ist, werde ich die Sprache nicht einsetzen“, lautet ein häufiger Tenor. Am 18. August veranstaltet Modular die Konferenz ModCon in San Francisco, wo viele Entwickler auf Neuigkeiten zur Open-Source-Strategie warten.
Zudem gibt es eine wegweisende wirtschaftliche Entwicklung: Am 29. Juli 2026 schloss der Halbleiterkonzern Qualcomm die Übernahme von Modular für 3.9 Milliarden US-Dollar ab, wobei Gründer Chris Lattner in die Führungsebene von Qualcomm wechselte. Während einige Beobachter darin einen Talentkauf („Acqui-hire“) sehen, bei dem das Produkt in den Hintergrund rücken könnte, werten andere die hohe Summe als Vertrauensbeweis des Marktes. Für Beobachter zeigt die Transaktion vor allem eines: Eine einheitliche Programmierumgebung über unterschiedliche Hardware-Architekturen hinweg besitzt immensen wirtschaftlichen Wert.
Fazit
Ein abschließendes Urteil über Mojo wäre verfrüht. Version 1.0 ist ein Meilenstein, aber erst der Anfang eines langen Wettbewerbs. Sprachen-Wettkämpfe verändern die Softwarelandschaft nicht über Nacht: Python wird durch das Erscheinen einer neuen Sprache keineswegs verschwinden, da es das Fundament der modernen KI- und Datenwelt bildet. Ob Mojo langfristig erfolgreich ist, hängt davon ab, wie schnell sich das Ökosystem in den nächsten zwei Jahren entwickelt und ob das Versprechen der Open-Source-Freigabe des Compilers eingelöst wird.
Für nicht-programmierende Leser liegt der wesentliche Ertrag dieser Debatte in einer kritischen Haltung: Wenn spektakuläre Zahlen wie „35.000-mal schneller“ genannt werden, lohnt stets die Frage – unter welchen spezifischen Bedingungen, im Vergleich wozu und bei welcher konkreten Aufgabenstellung? Die Rahmenbedingungen hinter Benchmark-Zahlen sind meist ehrlicher als die Schlagzeilen selbst.
Referenzlinks:
- Modular Offizieller Blog: Modular 26.5: Mojo 1.0 is here!
- Hacker News Diskussion: Mojo 1.0 (item id 49261128)
- Wikipedia-Eintrag: Mojo (programming language)
- Slashdot Frühe Berichterstattung: Community-Diskussion zum Mojo-Release und der 35.000x-Zahl
- Berichte zur 3,9-Milliarden-Dollar-Übernahme von Modular durch Qualcomm
