英特尔已经在社区许可证下发布了他们的MKL，该许可证是免费的，并且提供有限的技术支持。目前，在社区许可证下的MKL可用于Linux和Windows，并且预计他们将很快提供用于Mac OS X的版本。
https://software.intel.com/en-us/comment/1839012
在他们最近的一次网络研讨会上，我询问了他们在社区许可证下的Mac OS X MKL计划。他们说很快就会推出。

• • 更新2：**

Continuum为Anaconda Python提供了适用于所有平台的英特尔MKL。
https://www.anaconda.com/blog/developer-blog/anaconda-25-release-now-mkl-optimizations/
英特尔甚至简化了针对Anaconda Python发行版中MKL的编译和链接。
https://software.intel.com/en-us/articles/using-intel-distribution-for-python-with-anaconda

• • 更新日期：**

现在看来，英特尔有自己的Python版本，他们正在提供给测试人员。
https://software.intel.com/en-us/forums/intel-distribution-for-python/topic/581593

我知道这是一个老问题，但如果它出现的人谁是搜索：我建议你试试anaconda，只要29美元，他们就有一个附加组件，包括mkl优化的numpy + scipy。

MacPorts最近似乎在Numpy端口上添加了一个MKL变体。在我的16英寸MacBook Pro 2019上测试，搭载2.4GHz 8核英特尔酷睿i9和macOS Ventura 13.0.1，带MKL的Numpy明显比带Accelerate框架的Numpy更快，Accelerate框架是另一个内置于macOS中的OpenBLAS的快速替代品。我使用从Puget Systems获得的代码进行了测试：

import numpy as np
import time
n = 20000
A = np.random.randn(n,n).astype('float64')
B = np.random.randn(n,n).astype('float64')
start_time = time.time()
nrm = np.linalg.norm(A@B)
print(" took {} seconds ".format(time.time() - start_time))
print(" norm = ",nrm)

我的测试结果是，Numpy使用mkl大约花费了47秒，而Numpy使用accelerate大约花费了66秒。
要使用MacPorts安装此程序，您必须首先安装MacPorts，然后在终端中运行sudo port install py310-numpy -openblas +mkl。