作者 | Lee Phillips 译者 | Sambodhi 策划 | 刘燕
本文最初发表于 Ars Technica 网站，经原作者 Lee Phillips 授权，InfoQ 中文站翻译并分享[1]。
科学计算长期由Fortran主导，而专为大规模数值计算设计的Julia语言正迅速崛起，成为科研领域的新宠[1]。
近年来，Julia在科学界引发广泛关注。它不仅解决了传统语言在性能与开发效率之间的矛盾，更通过独特的“多分派”机制，从根本上改变了科研代码的协作与复用方式[1]。
破解“双语言问题”：性能与开发效率兼得
科学家常面临“双语言问题”：使用Python等解释型语言开发便捷，但性能不足；需用C/C++重写关键部分以提升速度，却增加了维护成本[1]。Julia通过高性能的即时编译（JIT）技术，兼具Python的易用性与C的速度，避免了在多种语言间切换的繁琐[1]。
JuliaCon揭示科研新生态
2020年JuliaCon大会上，演讲主题涵盖流体动力学、脑成像、传染病建模等多个领域，展现出Julia已深度融入科学研究[1]。所有演讲代码均公开于GitHub，极大促进了科研透明与协作，打破了传统研究中代码封闭的局面[1]。
解决“表达式问题”：多分派的威力
传统编程语言面临“表达式问题”：函数式语言难以扩展新数据类型，面向对象语言则难添加新函数[1]。Julia采用“多分派”机制——函数行为由所有输入参数的类型共同决定，使得新数据类型与新操作可独立扩展，无需修改已有代码[1]。
以菜谱类比：传统方式要么按烹饪方法组织（难添新食材），要么按食材组织（难添新技法）；Julia则实现方法与数据的自由关联，既可轻松加入新食材，也可自由添加新技法[1]。
实战案例：自定义数据类型的无缝集成
以傅里叶分析为例，用户可自定义Spect频谱类型。仅需几行代码，即可让标准绘图库Plots.jl支持该类型，实现plot(sqw)直接可视化[1]。
更进一步，微分方程求解器、不确定性计算包与绘图库可无缝组合，自动生成带误差条的解图，即使这些库最初并未设计为协同工作[1]。
超越性能：重塑科研协作模式
Julia并非首个支持多分派的语言，但它是首个将其作为核心设计原则并实现高性能的语言[1]。其语法简洁，支持Unicode符号，使代码更接近数学表达式，极大提升了可读性与表达力[1]。
麻省理工学院Chris Rackauckas指出，Julia使跨领域工具组合成为可能，显著提升了科研效率[1]。斯坦福大学Mykel Kochenderfer教授利用Julia开发出国际标准的飞机防撞系统，验证了其在复杂工程系统中的实用性[1]。
Julia的真正价值在于扩展了科研人员的想象力边界。它不仅是一种编程语言，更是一个促进知识共享与创新的协作平台[1]。
作者介绍：Lee Phillips，物理学家，Ars Technica资深撰稿人，研究领域涵盖Fortran语言遗产、大气湍流及理论物理学史[1]。