1. 为什么在2025年前后,“跨语言原生”才对操作系统真正有意义
1.1 所有跨界方案都败在了一条边界上
先讲一个我真实的经历。前几年我在一家做工业控制软件的公司做技术顾问,团队里同时有C++、Java、Python三套技术栈。C++写实时采集模块,Java写业务服务,Python写算法模型。系统刚跑起来的时候性能还行,到了现场联调就出问题了:C++模块要调Java的服务,得走Thrift;Java要调Python的模型,得包一层HTTP接口;Python反过来要拿C++的实时数据,又得走共享内存加锁。整个系统里有二十多个进程在互相通信,三分之一CPU耗在序列化和反序列化上。这还只是“能用”,不是“好用”。
问题出在哪?出在操作系统根本不认识“语言”这个东西。内核只认识进程、文件、内存、网络,它不知道你这段数据是一个Java对象还是一个Python字典。所以跨语言调用只能在用户态用各种协议、各种框架去“翻译”,翻译一次就要损失一次性能、增加一次复杂度。说白了,今天所有跨语言方案,FFI、IPC、RPC、消息队列,本质都是在操作系统和语言运行时之间强行搭桥,桥搭得再多,也改变不了两端语言本身被OS割裂的事实。
这也是“跨语言原生操作系统”这个概念最吸引我的地方:它想做的不是再搭一座桥,而是直接把“语言”作为操作系统的一等公民,让不同的语言运行时在系统层就能互相理解、直接协同。这个概念放到十年前,技术上还不成熟,市场也未必买账。但放在2025年这个时间点,我认为时机已经成熟了,理由有三条,下面一个个说。
1.2 现有OS逼着开发者花了太多精力做“翻译官”
稍微展开一下“翻译”的代价。以最常见的FFI为例,Rust调用C库要写extern声明,Python调用C库要用ctypes或cffi,Java调用本地代码要走JNI。每一条路你都绕不开类型映射、内存布局对齐、异常传递、生命周期管理。
最难受的是内存模型不一致。Python里有GC,C++是手动管理,Rust是所有权机制。跨语言传一个对象,你经常得想:这个对象谁来释放?如果对方崩溃了,我的引用会不会悬空?这类问题已经耗尽了大厂无数资深工程师的头发。我见过一个项目,因为Java层和C++层对同一块内存的管理方式理解不一致,线上偶发段错误,查了一个多月,最后定位到是一个字符串的编码长度没对齐。纯属“翻译官”的锅。
如果操作系统本身提供一套原生、语言中立的ABI(应用二进制接口),各语言运行时直接跟这套ABI对接,那上面这些事根本不需要应用层操心。语言之间传对象就像在系统里传文件一样自然,该有的类型检查由ABI做,该有的内存管理由各语言自己的运行时配合系统来做。这才是“原生”二字的含义:不是用Web技术套壳,不是用虚拟机模拟,而是系统原生支持。
1.3 云原生、AI原生、多语言团队三股力量开始汇流
为什么是现在?三个变化在同时发生。
第一个变化是云原生把“多语言微服务”变成了默认架构。以前一个公司可能就一两种主力语言,现在Kubernetes集群里跑着Go写的控制面、Java写的业务、Rust写的数据面、Node.js写的BFF层,跨语言调用成了标配。然而云原生只解决了“部署和编排”,没解决“语言之间如何高效对话”的问题,服务网格里最耗性能的就是代理转发和协议转换。
第二个变化是AI原生应用把“异构多语言”推到了新的高度。一个标准的AI应用,训练端是Python,推理端是C++或CUDA,前端交互是TypeScript,工具链还经常涉及Rust和Go。我在好几个AI创业团队看到同样的情况:模型本身写得很好,但上线时要在Python服务、C++推理服务、Node.js API服务之间来回切换,性能损耗大且不说,调试链路还特别长。AI原生时代,多语言不是可选项,是必选项,而现有操作系统完全没有为此准备。
第三个变化是开发团队的技能栈已经碎片化到没法统一了。以前我们讲“最佳实践”是统一到一种语言,现在招人的现实是:你很难让一个搞算法的人去学C++,也很难让一个搞底层的人去写TypeScript。操作系统的立场应该是
