neanderthal.uncomplicate.org

Neanderthal 的速度声明建立在“把数值计算交给原生 BLAS/LAPACK 或 GPU 引擎，Clojure 只保留一层薄接口”这一架构上。按官网给出的数字，它在 GPU 上处理大矩阵时比优化过的 Clojure/Java 库快近 3000 倍，在 CPU 上比优化过的纯 Java 实现快 100 倍。这些倍数有明确前提：比较对象是“优化过的”Java/Clojure 数值库，且大矩阵、GPU 场景对应的是前一个数字。若你的矩阵很小、数据在 JVM 堆内频繁转换，或没有可用的 GPU/原生 BLAS 环境，实际收益会明显缩小，需要以自己的负载做基准测试。

速度来自哪里

计算下沉到原生 BLAS/LAPACK 与 GPU

Neanderthal 不重新实现矩阵乘法和分解算法，而是把数值计算部分交给原生 BLAS 和/或 GPU 完成，自己只提供一层很小的 Clojure 封装。官网的说法是“不拙劣地重新发明轮子”，并强调尊重 BLAS/LAPACK 数十年的标准化。这意味着它复用的是经过长期优化的底层内核，而不是 JVM 上逐元素循环的纯 Java 实现。

GPU 引擎支持 AMD、Nvidia、Intel 硬件，也支持 Mac OSX；LAPACK 支持已覆盖分解与求解器。官网称 GPU 上大矩阵可比优化过的 Clojure/Java 库快近 3000 倍，CPU 上比优化过的纯 Java 快 100 倍。

为 Clojure 设计的原始类型 map/reduce

除了底层内核，Neanderthal 还提供快速的原始类型（primitive）版本的 map 和 reduce。普通 Clojure 的序列抽象在数值密集循环中会带来装箱和序列开销，原始类型版本减少了这层开销，使函数式写法在数值计算路径上更可用。

可插拔引擎，按性能需求取舍

引擎实现是可插拔的，官网明确说“甚至可以把纯 Java 引擎插进来，用于速度不是优先级的场景”。这解释了一个关键机制：快不是库的固定属性，而是所选引擎的属性。选择原生/GPU 引擎获得性能，选择纯 Java 引擎获得可移植性或部署简单性。

一个具体例子

假设你要在 Clojure 中做一次大规模矩阵乘法。用普通 Clojure/Java 库，计算通常发生在 JVM 内，逐元素或分块循环由 Java 代码执行；用 Neanderthal 并选用 GPU 引擎，同样的乘法被下推到 GPU 上的 BLAS 内核执行，Clojure 侧只负责组织输入和取回结果。官网给出的“近 3000 倍”对应的正是这类大矩阵、GPU 可用的场景。反过来，如果矩阵规模很小，内核启动和数据传输的固定成本占比上升，倍数就失去参考意义。

这些数字怎么用

判断是否值得采用，最稳妥的方式是拿你自己的矩阵规模和硬件，对照官网的 benchmarks 页面跑一遍，而不是直接套用宣传倍数。官网提供了 Get Started、Benchmarks、API docs 和教程入口，代码与理论部分也以 BLAS/LAPACK 为中心，现有数值线性代数资料可以继续沿用。

需要注意的边界

官网页面没有给出具体版本号、支持矩阵类型清单或各引擎的安装步骤，这些需要查 API docs 和教程。价格方面，页面出现“subscription”字样，指的是新书可订阅，以及通过 Patreon 支持作者、获得 Discord 讨论邀请（付不起也可申请免费邀请）；这并不等于库本身的使用条款，采用前应自行确认许可与部署要求。

Neanderthal 是一个用 Clojure 编写的原生速度矩阵与线性代数库，要使用它，你需要 Clojure 开发环境，并按所选引擎准备硬件：GPU 引擎支持 AMD、Nvidia、Intel 显卡以及 macOS；CPU 侧依赖原生 BLAS/LAPACK 做数值计算。如果你的机器没有合适的 GPU，或暂时不想配置原生库，它的引擎实现是可替换的，官方页面明确提到“甚至纯 Java 引擎也可以接入”，只是速度不再是重点。

软件环境：以 Clojure 为中心

Neanderthal 的定位是“为 Clojure 而建，也用 Clojure 实现”。这意味着：

• 你的项目需要是 Clojure 项目，通过 Clojure 调用它的矩阵与线性代数函数。
• 接口按函数式风格设计，同时保留数值计算的现实需求，并提供 map、reduce 的快速原始类型版本。
• 它不试图重新发明底层数值轮子，而是把计算交给原生 BLAS 和/或 GPU，自己只提供一层轻量的 Clojure 封装。

因此，环境准备的重点不是安装某个独立软件，而是在 Clojure 工程中引入该库，并让底层引擎能找到对应的原生库或 GPU 运行时。

硬件支持：GPU 与 CPU 两条路径

官方给出的性能参照是：GPU 上大矩阵比优化的 Clojure/Java 库快近 3000 倍；CPU 上比优化的纯 Java 快 100 倍。这些数字对应的是原生 BLAS/LAPACK 或 GPU 路径，纯 Java 引擎不在此列。

功能层面还需要知道什么

• LAPACK 支持已可用：包括矩阵分解与求解器。如果你的任务涉及解线性方程组、特征值等，这是需要确认的能力点。
• 标准化兼容：数值部分遵循数十年的 BLAS/LAPACK 标准化，现有教材、文章和教程中以 BLAS/LAPACK 为中心的代码与理论，可以配合 Neanderthal 使用。
• 文档与教程：官方提供完整文档的 API 和一批教程，适合在确认环境后按教程跑通第一个矩阵运算。

怎么判断自己能不能用

可以按下面顺序核对：

1. 你是否在用 Clojure 开发？如果不是，这个库的接口风格和生态前提就不匹配。
2. 你的机器是否有 AMD、Nvidia、Intel GPU，或 macOS 环境？有则可以考虑 GPU 引擎。
3. 若走 CPU 路径，是否能提供原生 BLAS/LAPACK？能则获得原生速度。
4. 两者都不具备时，是否接受纯 Java 引擎的性能？接受则仍可接入，但不要期待页面宣传的加速倍数。

关于订阅与赞助：页面提到新书“available for subscription”，并有 Patreon 赞助与邮件列表入口，但这些属于作者的支持渠道，页面未说明库本身的使用是否受订阅或登录限制，不能据此推断为免费或无需登录。实际引入前，建议以官方文档中的安装说明为准。

Neanderthal 官网把“支持作者”和“获取学习资料”放在一起：页面提到有新书可供订阅（“New book available for subscription”），并再次出现“Another Book! New book available for subscription”；同时提供 Patreon 赞助入口，赞助者可获得专属 Discord 讨论服务器的邀请，无法负担赞助的人可以申请免费邀请。另有 dragan.rocks 邮件列表，用于接收项目消息。是否参与，取决于你想要的是书、社区讨论，还是单纯支持这个 Clojure 数值计算库的维护。

页面明确给出的参与方式

需要说明的是，页面只出现“subscription”一词，但没有给出书籍订阅的价格、支付平台或登录要求，因此不能据此推断书籍或社区访问是免费的；免费路径仅限页面明说的“申请免费 Discord 邀请”。

赞助和订阅分别解决什么问题

想要系统学习：看书籍订阅

Neanderthal 的定位是 Clojure 中的快速原生矩阵与线性代数库，页面强调它尊重 BLAS 和 LAPACK 标准化，数值计算交给原生 BLAS 和/或 GPU，Clojure 层只做轻量封装。这类库的学习曲线主要卡在“如何把线性代数概念映射到 API”。页面称代码和理论“以 BLAS 和 LAPACK 为中心”，现有书籍、文章和教程可配合 Neanderthal 使用，并配有完整文档 API 和一批教程。书籍订阅适合希望按作者整理的内容系统推进的人；如果你只想查函数用法，先看 API 文档和教程更直接。

想要提问和交流：看 Discord 邀请

Patreon 页面的核心回报是专属 Discord 讨论服务器邀请，页面还提到作者常驻 Slack 的 Clojurians 群组。也就是说，公开社区（Slack Clojurians、邮件列表、Twitter 账号 @Uncomplicateorg 和 @draganrocks）本身存在，Patreon 提供的是一个更集中的讨论入口。如果你的问题偏具体、希望得到作者或同好回应，这个邀请有价值；如果只是跟进版本消息，邮件列表足够。

只是想支持项目：Patreon 是明确入口

页面用“adopt a pet Neanderthal function in your name”这种趣味方式表达赞助回报，属于对个人维护者的直接支持。是否值得，取决于你是否长期使用这个库、是否希望它继续维护。页面没有承诺路线图、优先级支持或商业授权，不宜把赞助理解为购买服务等级。

一个具体判断场景

例如你正在用 Clojure 做需要 GPU 加速的大矩阵运算，已经跑通官网的 Get Started 和基准测试，接下来想深入理解 BLAS/LAPACK 在 Neanderthal 中的用法：可以先订阅 dragan.rocks 邮件列表跟进消息，再按需订阅书籍；遇到具体实现问题，再考虑 Patreon 或申请免费 Discord 邀请。反过来，如果你还没确认硬件是否被支持，页面写明 GPU 引擎支持 AMD、Nvidia、Intel 和 Mac OSX，CPU 路径也可用，应先解决环境问题，而不是先付费。

常见卡点

• 把“subscription”当成软件订阅：页面语境是书籍可订阅，不是 Neanderthal 库本身需要订阅才能使用；库的源码在 GitHub，文档和教程公开可查。
• 找不到价格就以为免费：页面未列价格，不等于免费，也不等于很贵，需在订阅或 Patreon 页面确认。
• 免费邀请的申请方式：页面只写“Ask for a free invite”，没有给出具体表单或邮箱，实际申请入口需从 Patreon 或社区渠道确认。
• 社区分散：Discord、Slack Clojurians、邮件列表、Twitter 并存，先选一个主渠道跟进，避免信息重复。

Neanderthal 是面向 Clojure 开发者的高性能矩阵与线性代数库，主打原生 CPU 和 GPU 加速。它适合已经使用 Clojure、需要在 JVM 上做大规模数值计算（矩阵运算、线性方程组、分解等）的开发者；如果你不写 Clojure，或者只是偶尔做小规模计算，它的优势并不明显。网站本身是该项目的主页，汇集了文档、教程、基准测试和社区入口。

它解决什么问题

Clojure 运行在 JVM 上，纯 Java/Clojure 实现的数值计算在大矩阵场景下性能有限。Neanderthal 的做法是：数值计算交给底层原生 BLAS 和/或 GPU 完成，Clojure 层只保留一层薄接口。按网站说法，GPU 上大矩阵运算比优化过的 Clojure/Java 库快近 3000 倍，CPU 上比优化过的纯 Java 快 100 倍。这些是项目方给出的基准数字，实际差距取决于矩阵规模、硬件和运算类型，建议用网站提供的基准测试入口自行核对。

关键特性

• 贴近 Clojure 的接口：按函数式风格设计，同时保留数值计算的现实需求，提供快速的原始类型版本 map 和 reduce。
• 可插拔引擎：计算引擎可替换，网站明确提到甚至可以接入纯 Java 引擎，用于不追求速度的场景。
• 尊重 BLAS/LAPACK 标准：不重新发明数值计算轮子，因此现有以 BLAS/LAPACK 为中心的教材、文章和教程中的代码与理论可以继续沿用。
• 硬件覆盖：支持 AMD、Nvidia、Intel 硬件；新闻中提到 GPU 引擎也支持 Mac OSX。
• LAPACK 支持：已提供分解与求解器（factorizations and solvers）。

适合谁

网站上有什么

• 入门与文档：Get Started 入口、完整 API 文档、若干教程。
• 基准测试：独立的 benchmarks 页面，可查看性能数据。
• 社区：Slack 的 Clojurians 群组（Uncomplicate group）、邮件列表、Twitter 账号 @Uncomplicateorg 和 @draganrocks。
• 书籍：网站提到有新书可供订阅（subscription），但未给出价格或访问限制细节，需要以站内实际页面为准。
• 支持方式：作者通过 Patreon 接受赞助，赞助者可认领一个函数命名并加入专属 Discord 讨论服务器；无法赞助的人可以申请免费邀请。

使用前要知道的

项目由 Dragan Djuric 开发维护，源码在 GitHub。由于依赖原生 BLAS/LAPACK 和 GPU 驱动，环境配置通常是主要门槛：需要先确保对应平台的本地库和驱动可用，再接入 Clojure 项目。具体安装步骤和版本要求，应以网站 Get Started 与 API 文档中的说明为准，而不是照搬通用教程。

Neanderthal 是 Clojure 的矩阵与线性代数库，主打原生 CPU 和 GPU 加速。开始使用它的路径很直接：从官网的 Get Started 入口进入，配合完整 API 文档和教程学习，用基准测试页面评估性能，再通过 Slack 的 Clojurians、邮件列表和 Twitter 跟进动态。源码在 GitHub，项目新闻发布在 dragan.rocks。下面按“上手—学习—评估—求助”的顺序说明每个入口能拿到什么。

上手入口：Get Started

官网首页提供 “Get Started!” 链接，是进入使用流程的起点。同一区域还有 “Check the benchmarks” 和 “Learn to use it.” 两个入口，分别对应性能评估和学习资料。

使用前需要了解的环境前提，官网给出了明确范围：

• 语言：Clojure，库本身用 Clojure 实现，接口按函数式风格设计。
• CPU 路径：基于原生 BLAS 和 LAPACK 做数值计算，外层是轻量的 Clojure 封装。
• GPU 路径：支持 AMD、Nvidia、Intel 硬件；最新动态中提到 GPU 引擎也支持 Mac OSX。
• 引擎可替换：引擎实现是可插拔的，官网明确说即使纯 Java 引擎也可以接入，用于不追求速度的场景。

也就是说，你需要一个可运行的 Clojure 环境，并按目标平台准备对应的原生 BLAS/LAPACK 或 GPU 驱动。具体依赖坐标和初始化代码，以 Get Started 页面和 API 文档为准，官网摘要未列出。

学习资料：API 文档、教程与书籍

官网称提供 “fully documented API” 和 “a bunch of tutorials”，这是系统学习的主要来源。建议顺序：

1. 先读教程，建立矩阵创建、基本运算、map/reduce 的使用习惯。
2. 再查 API 文档确认函数签名和参数。
3. 遇到分解、求解类需求时，查 LAPACK 相关部分——官网最新动态写明 “LAPACK support available: factorizations and solvers”。

官网还提到两本可通过订阅获取的新书（“New book available for subscription”）。这里只说明存在订阅形式，价格和获取条件官网未给出，需要自行到对应页面确认。

一个实用的学习思路：官网强调 Neanderthal 尊重 BLAS 和 LAPACK 数十年的标准化，现有教材、文章和教程中关于数值线性代数的代码与理论大多以 BLAS/LAPACK 为中心，可以直接迁移过来使用。例如需要实现一个矩阵分解练习时，可以先找 LAPACK 体系的讲解，再把调用换成 Neanderthal 的 Clojure 接口。

性能评估：基准测试怎么看

官网给出的性能说法有两个具体数字：

这些是官网自述的宣传性数据，判断是否适合自己时应以 “Check the benchmarks” 页面的具体测试条件为准：矩阵规模、硬件型号、对比库版本都会影响结论。官网同时说明支持 AMD、Nvidia、Intel 硬件，选型时先确认自己的 GPU 品牌在支持列表内。

社区与动态：去哪里提问和跟进

官网列出的渠道如下：

• Slack：Clojurians 工作区的 Uncomplicate 群组，作者本人常驻。
• 邮件列表：dragan.rocks mailing list，可订阅项目新闻。
• Twitter：@Uncomplicateorg 和 @draganrocks。
• 源码：GitHub 上的项目仓库，页面有 “Source on Github” 链接。
• 项目站点：dragan.rocks 发布更详细的文章和更新。

资助方面，官网提供 Patreon 赞助方式，赞助者可获得专属 Discord 讨论服务器邀请；官网也写明负担不起捐赠的人可以申请免费邀请。这属于支持项目和维护者的可选途径，不影响库的基本使用。

常见卡点

• 把宣传数字当基准：3000 倍和 100 倍是特定条件下的对比，先看基准页再决定是否值得引入 GPU 依赖。
• 忽略引擎选择：不追求速度时可以换用更简单的引擎实现，不必一上来就配置 GPU。
• 找错文档体系：Neanderthal 的接口是薄封装，遇到不熟悉的运算优先查 BLAS/LAPACK 的通用资料，再回到 API 文档找对应函数。
• 订阅信息不明：书籍为订阅制，具体条款官网摘要未说明，需到页面核实后再决定。