MIT發布編程語言Julia 1.0版本

李雨蒙

近日，Julia編程語言的1.0新版本一經推出就受到整個人工智能界的關注，其中最主要的原因就是它史無前例地結合了C 語言的速度、Ruby 的靈活、Python 的通用性，支持并行處理，易于學習與使用，尤其適合科學和工程的計算。正如Julia的創始人之一，Viral Shah所說：“如果你是數學家、科學家或是工程師，那么從前當你選擇一門編程語言時，會從它的速度角度去考慮，比C++或Java，又或是從語言的易學程度出發，就像Matlab、R或者是Python。而我們創造了一種兩者兼備的語言，就是Julia。”

研發的初衷

隨著人工智能中機器學習的發展，科學界對于計算的速度和性能的要求越來越高，而目前許多編程語言都存在各自的局限性。Julia的研究團隊野心勃勃，希望能夠博采眾長，吸取各家編程語言的特點，正如 Julia 團隊發表的講話中所言：“我們想要一種擁有自由許可，開放源碼的語言，我們希望它擁有C語言的速度，R語言的動態；易于理解，帶有真實口語指令，同時擁有Matlab一樣清晰的數學符號，如Python一樣的通用，R簡捷的統計功能，Perl自然的字串，并且是交互式和可編譯的。”

為提高速度，Julia團隊研究了所有導致大多數動態語言變慢的因素，并仔細研究可以消除哪些因素。比如，動態語言通常允許數組元素和對象字段保存任何類型的值。然而，研究表明，即使在這些語言中，具有常量類型的同構數組和字段也非常普遍。所以，他們在設計 Julia 時利用了這一點，更容易添加類型限制，并在任何可能的情況下默認使用類型統一的集合。

Julia 1.0的新特性

一個充滿活力，欣欣向榮的地區往往是圍繞著一種語言而生的，世界各地的人們在不斷地精煉和塑造Julia，最終達到研究人員所期望的目標。Julia 項目由麻省理工學院教授 Alan Edelman 領導，其大部分關鍵發展成果都來自麻省理工學院的 Julia 實驗室，也有超過 700 名志愿者參與了 1.0 版本的制作。經過大量的修正完善，目前的1.0版本具有以下的特點：

快速：Julia自設計之初就施行最高標準操作， 通過LLVM 為多平臺編譯有效本地代碼。

通用性：運用多種調配手段，Julia可以更加簡單地表達多種以目標為導向、功能性的編程模式，比如提供異步I/O 、過程控制、登錄、性能分析、程序安裝管理等等。

動態： Julia 是被動態輸入的， 就像是一種腳本語言，對于互動作用有很強的支撐作用。

科技：Julia擅長帶有語法的數字運算，適用于數學領域，包含多種數值數據類型。Julia的多種調配是定義數字和類數組數據的一個自然適應過程。

可選擇性： Julia擁有豐富的描述性數據，選擇范圍多樣，可用于闡明和鞏固程序。

可組合：Julia的數據包可以自然地組合在一起工作。

圍繞著Julia 1.0 的新功能，研究人員有針對性地建立了一些新的外部程序包，比如數據處理，以及修補后的操作系統。利用新的缺損支持技術，Julia 1.0最重要的新功能就是承諾語言API（應用程序接口）的穩定性：在1.0系統中書寫的編碼在未來的1.1、1.2 系統中仍然可以繼續使用，語言可以被完全拷貝。

另外，異類結構支撐也得到大幅度的提升，Julia編譯器從內部構件被進一步的解耦。Intel KNL系列硬件可直接使用Julia，Nvidia的GPU 也可以通過CUDAnative.jl來直接編程（無須編寫CUDA代碼），而 支持Google TPU的接口也在進一步的研發中。

不過，Julia 1.0的新特點不僅僅體現在穩定性方面，同時還推出了多種新型、強大的創新語言功能。比如：

全新的嵌入程序包極大地提升了性能，相比過去安裝程序和其他操作更加便捷。同時，支持單項程序的環境，記錄正在工作程序的精準狀態，可能是與他人共享的程序，亦或是與未來的工作有關。最后，重新設計的部分包括對私人程序包和程序儲藏進行無縫技術支持。用戶可以使用常用的開源程序體系中的工具安裝和管理私人程序包。

Julia 對于缺失值擁有全新的規范表示。能夠代表和處理缺失數據對于統計和數據科學是至關重要的部分。在過去版本的Julia中，聯合體的性能較慢，1.0版本中的速度已經可以匹敵C或C++系統中缺失數據表示的速度，同時更加通用和靈活。

帶有適當語法的傳播是語言的核心特點之一。Julia1.0很容易擴展傳播范圍，在GPUs（圖形處理器）和其他向量化硬件上定制類別，完善最有效的技術指令，為未來進一步的性能升級奠定基礎。

除了高性能，Julia 還有一些與眾不同的特性。比如，Julia 能夠訪問異常廣泛的編程堆棧。你可以利用良好的性能操作比特和字節（并查看匯編代碼），同時也可以處理高階函數、設計宏定義、進行面向對象編程，所有這一切都可以很好地融合在一起。

機器學習領域的應用

除了上述特點， 研究人員為Julia的代碼轉換注入重要機制，可以使Julia進行事后分析（post-hoc analysis）并且實現原有代碼的擴展。越過程序員的指令，如分析、調試，最終可以完成機器學習中的自動微分（Automatic Differentiation），對于機器學習而言，Julia還可以對硬件加速器上的原生代碼生成，提供很好的支持。無論是深度學習、機器學習還是 AI 方面，Julia 的數學語法使其成為理想的表達算法，支持 GPU 加速和處理數 TB 的數據。同時，豐富的機器學習生態系統還提供監督學習算法（如回歸、決策樹）、無監督學習算法（如聚類）、貝葉斯網絡和馬爾可夫鏈蒙特卡羅包等。

從實際應用來說，Julia 已經用于自動駕駛汽車、機器人和 3D 打印機，還廣泛應用于精準醫療、增強現實、基因組學及風險管理。在用戶方面，Julia 的下載量已經超過 200 萬次。作為一種開放源碼語言，很難將這個數字轉換為真實用戶數量。此外，在 Julia Computing 方面，已經有來自 700 所大學和 1000 多家公司的用戶下載或使用了 Julia。

根據 Julia 研究人員所說，在7項基礎算法的測試中，Julia 比 Python 快 20 倍，比 R 快 100 倍，比 Matlab 快 93 倍。現在，Julia 語言主要應用在科學領域，下載對象包括谷歌、臉書和美國能源部等機構。未來，Julia 很可能擴展其目標人群，應用于更多領域，成為世界主流的編程語言。

編譯自Julialang官網

（責任編輯 姜懿翀）