資料科學語言新選擇，Julia女神風也吹進臺灣了

歷經10多年默默無聞的折騰和耕耘，2018年才釋出1.0版的開源程式語言Julia，終於站上大型企業程式碼現代化的舞臺中心。

至今，全球已有1萬多家企業採用這個年輕語言，包括科技巨頭Google、微軟、IBM，還有製藥大廠莫德納、AZ和輝瑞，以及全球第5大的保險公司英傑華、紐約聯邦儲蓄銀行、NASA、思科、德勤和澳洲政府。這些重量級用戶都以Julia取代舊有程式語言，來加速各領域的複雜模型運算。

程式語言後浪推前浪，Python的禪意催生Julia

在IT界，新程式語言的誕生，不外乎是要保留舊語言的好，改善舊語言的不足。Python就在這個脈絡下誕生。1980年代，在程式語言ABC開發團隊任職數年的Guido van Rossum，深知這個語言的強項與侷限，於是決定發展一款新語言，既要保留ABC容易上手的好處，又要彌補它難以實用的缺陷。

這就是Python的雛形。在另一位Python創始人Tim Peters撰寫的「Python的禪意」中，也清楚點明這個宗旨：簡單優於複雜，複雜好過繁瑣，稀疏勝於密集，可讀性是關鍵。於是，Python兼具簡單易懂又實用這兩大優點，成為系統管理專用的腳本語言，專門解決日常系統管理工作。

但當時，Python之父從沒想過，這個專為系統工作設計的腳本語言，會在30年後成為另一個目的的專用語言：資料科學，而且還在今年10月的TIOBE熱門程式語言排行中拿下冠軍，擊敗蟬聯榜首20多年的Java和C語言。

Python入門門檻低、功能強大、擁有豐富的套件生態系和社群支援，但它終究不是資料科學而生，因此有著先天的缺陷。比如，Python本身執行效率差，執行模型運算時，得靠其他工具或C語言加速，而且仍存在程式語言界長久難治的雙語言問題，無法兼具好讀好寫、執行效能又高的兩大優點。

Julia的野心：保留Python好讀好寫哲學，還兼具高效能執行力

這些不足，再加上資料科學AI大浪掀起，催生出新一代程式語言Julia。

它是麻省理工學院（MIT）在2009年發起的專案，由一位教授和三位學生組成的團隊負責。他們發豪語要打造一款資料科學專用的程式語言，要簡潔易懂，又要能高效執行，要一次終結雙語言痛點。

四位創始人Viral B. Shah、Alan Edelman、Stefan Karpinski和Jeff Bezanson在Julia正式開源的2012年，開宗明義就說：「我們很貪婪。我們要打造一個開源語言，要擁有自由的版權。它具備C的速度和Ruby的動態性，要像Python一樣用於通用程式任務，像R一般輕鬆處理統計學，像Perl自然地處理字串，要像MatLab般擁有處理線性代數的強大能力，也要像Shell一樣擅長不同程式的串接。我們要它容易上手，也要它讓最厲害的高手愛用。我們要它可以互動，還要能編譯。」

因此，在設計之初，開發團隊就全心全力投注在Julia編譯器上，希望透過編譯器的講究設計，讓程式開發者能以接近人類語言的方式撰寫程式，達到如Python般簡潔易懂，又能以平行編譯技術加速執行效率，來兼顧效能表現。

它還解決雙語言問題。一般來說，開發機器學習應用時，開發者得先使用MatLab、Python、R這類高階語言來測試、建模和建立原型，但到了正式上線或擴展時，得用更快、更有效率的低階語言來改寫程式。但若用Julia，一個語言就能搞定兩種工作。

可以說，Julia一開始就為複雜運算的資料科學設計，與以系統管理為出發點的Python有著本質上差異。另外，Julia在早期發展階段，因套件生態系尚未成熟，因此借用不少Python套件資源，這也是為何Julia對Python、R、MatLab、C等主流語言的支援度很高，使用者可以專屬套件來呼叫。

簡單易懂、高效快速，推動企業程式碼現代化

Julia正式開源後，社群成員數開始大幅增長。2015年，四位創始人共同成立IT公司Julia Computing，來支持Julia語言發展。2018年Julia釋出1.0版，告別每個月需要大幅除錯更新的階段，進入穩定期，2021年更新至1.6版，加入平行編譯技術，也解決使用者最頭痛的第一次編譯必慢速的問題，也就是方法無效（Method Invalidation）。

直至今年7月，Julia已有2,900萬次下載，在GitHub上獲得20多萬顆星星，更擁有數千名開發者貢獻6,000多個套件。這個年輕語言不僅被全球上千所學校採用，包括世界一流學府MIT、史丹佛大學與加州大學柏克萊分校，還被1萬多家企業使用，其中不乏國際知名大廠和政府機關，橫跨天文、物理、生醫、製藥、金融和半導體產業。

這些企業用戶都有一個特點，就是用Julia來執行極其複雜的運算。比如，全球第五大的保險公司英傑華，為因應歐盟最嚴格的新監理法規清償能力II（Solvency II），得每日進行複雜的資產風險模擬，來確保自己有能力應付金融危機。

原本，他們採用IBM Algo系統來執行風險模擬預測，但在法規正式上路前，英傑華金融建模總監Tim Thornham就已發現系統有所不足，於是自行以Julia開發一套風險預測系統IM3。法規上路後半年，該系統正式取代舊有Algo系統，因為IM3不只將上萬行程式碼縮短為1,000行，啟動時間也是Algo的十分之一，甚至原本執行風險預測模型所需的伺服器叢集，也從100臺縮減至5臺。

Julia要解決老舊運算工具的現代化難題

Julia核心開發團隊，對Julia還有另一個期許：要改善產業沿用老舊運算工具的難題。「現今的電腦運算技術停滯不前，」Julia創始開發者暨Julia Computing CEO Viral Shah在今年Julia技術大會前夕強調：「因為，現今的資料科學家和工程師仍使用數十年前設計出來的產品，」這些產品，多少阻礙運算效能。

比如，「1970、1980年代設計的SPICE積體電路模擬程式，」Julia Computing技術長Keno Fischer舉例，SPICE的模擬器是以C語言撰寫，但腳本全以Python寫成。使用者若要執行進階任務，比如參數化或整合機器學習模型，就會受到這些老工具的干擾，「但Julia能改善這些問題。」就連知名資料倉儲新創Snowflake前CEO Bob Muglia也應聲認為，現今業界用來開發模型的工具和系統，仍是幾十年前的產物，無法完全發揮雲端優勢。

這也是為何，Julia核心開發團隊這幾年積極打造公雲平臺JuliaHub，要在Julia語言的基礎上，來加速企業級的建模、測試和部署工作。Julia Computing更將Julia定位為，製藥、金融、HPC甚至是半導體產業等需複雜運算的專用語言，要讓程式碼工作更精簡。

臺灣也開始擁抱Julia，更貢獻重量級套件

這股風潮，也漸漸吹進臺灣。不少需要大量科學運算的學校實驗室開始擁抱Julia，比如臺大、清大、陽交大，範圍更涵蓋生醫、物理、自然語言處理和智慧製造，而專攻生物資訊的中研院博士候選人杜岳華，也發起Julia臺灣社群，自己更是Julia重要開發成員之一。

他所開發的圖類神經網路套件GeometricFlux.jl，在2019年被Julia納入官方重要資源中，同樣被Julia官方看上的，還有臺灣碩士生開發的Transformer.jl套件與NeuralOperators套件，紛紛將影響全球AI社群的模型，以Julia實作出來，壯大Julia套件生態系。

除了學界，臺灣還有少數企業也開始用Julia改善作業效率，像是專攻政府大數據和AI的卡米爾，以Julia改寫重要架構中20%核心程式碼，就得到比原本Python還要快10倍的速度，更省下大筆雲端平臺年租費。

在臺灣，Julia的身影越來越清晰了。

快速秒懂Julia

• 高效運算：用LLVM編譯器進行即時編譯（JIT）

• 直覺語法：簡潔度與Python媲美

• 動態型別：可指定變數型別

• 支援Python和C套件：可以PyCall呼叫Python程式碼

• 內建套件管理器：方便管理、查詢套件

• Metaprogramming：可用來生成其他Julia程式

• 自動記憶體管理：提供一系列垃圾回收方法

• 平行化運算：語法比Python簡單

資料來源：iThome整理，2021年10月