Όλα ξεκίνησαν από μερικά θυμωμένα emails. Το 2009, μια ομάδα ερευνητών εξέφραζε την απογοήτευσή της με τις γλώσσες προγραμματισμού που υποτίθεται ότι βοηθούσαν επιστήμονες και άλλους ερευνητές να εκτελούν σύνθετες μαθηματικές πράξεις και στατιστικές προσομοιώσεις χωρίς να μάθουν κώδικα. Οι διαθέσιμες λύσεις ήταν άκαμπτες και αργές. Κι όταν κάτι δούλευε καλά, έπρεπε να γραφτεί ξανά σε άλλη γλώσσα για να τρέξει γρήγορα.
Από αυτά τα emails γεννήθηκε στο MIT ένα ερευνητικό έργο με στόχο τη δημιουργία μιας εύχρηστης, υψηλών επιδόσεων γλώσσας προγραμματισμού: της Julia. Η Julia σχεδιάστηκε για επιστημονική έρευνα, ανάλυση δεδομένων και μοντελοποίηση πολύπλοκων συστημάτων, όπως αεροκινητήρες, φάρμακα, χρηματοπιστωτικές αγορές και ρομπότ.
Το έργο εξελίχθηκε σε εργαστήριο στο MIT και στη συνέχεια στην εταιρεία JuliaHub. Στο μεταξύ, η Julia απέκτησε πιστό κοινό σε επιστήμονες, μηχανικούς, μαθηματικούς και όχι μόνο. Σήμερα, η δωρεάν και ανοιχτού κώδικα γλώσσα μετρά πάνω από 1 εκατομμύριο χρήστες, σε χιλιάδες εταιρείες και πανεπιστήμια παγκοσμίως.
Δεν απέχει πολύ από την πραγματικότητα να πει κανείς ότι η Julia έχει χρησιμοποιηθεί για να μοντελοποιήσει σχεδόν τα πάντα: από τη συμπεριφορά μικροσκοπικών ατόμων μέχρι ημιαγωγούς, νευρωνικά δίκτυα, αγωνιστικά αυτοκίνητα και αεροπλάνα. Έχει φτάσει και πολύ πέρα από τον ήλιο, αφού αστρονόμοι τη χρησιμοποίησαν για απεικόνιση μαύρων τρυπών.
Το «μυστικό» της Julia βρίσκεται στον τρόπο που μεταγλωττίζει τον κώδικα ανάλογα με τον τύπο των δεδομένων. Αυτή η μεταγλώττιση just-in-time την κάνει ταχύτερη και πιο ευέλικτη από άλλες αριθμητικές γλώσσες προγραμματισμού.
«Οι επιστήμονες και οι μηχανικοί δεν είναι προγραμματιστές. Το να χτίζεις επιστημονικές εφαρμογές με διεπιστημονικές ομάδες επιστημόνων, μηχανικών και προγραμματιστών είναι δύσκολο», λέει ο Viral Shah, συνιδρυτής και CEO της JuliaHub. «Αναρωτηθήκαμε: Κι αν μπορούσες να εξοπλίσεις τους επιστήμονες και τους μηχανικούς με μια γλώσσα που να τους επιτρέπει να εκφράζουν ιδέες σε υψηλό επίπεδο και ταυτόχρονα να έχουν εξαιρετικές επιδόσεις λογισμικού;»
Η διευκόλυνση του προγραμματισμού για μη προγραμματιστές είναι ο σταθερός στόχος των ιδρυτών της JuliaHub, ανάμεσά τους οι συνδημιουργοί της Julia Viral Shah, ο καθηγητής μαθηματικών του MIT Alan Edelman, ο Jeff Bezanson SM ’12, PhD ’15, και ο πρώην ερευνητής του MIT Stefan Karpinski.
Τον Απρίλιο, η ομάδα της JuliaHub έκανε ακόμη ένα βήμα λανσάροντας το Dyad 3.0, τη νεότερη έκδοση της πλατφόρμας τεχνητής νοημοσύνης που βοηθά ομάδες μηχανικών να επιταχύνουν την ανάπτυξη σύνθετων φυσικών συστημάτων, όπως πύραυλοι, αντλίες θερμότητας και δορυφόροι. Ήδη μηχανικοί χρησιμοποιούν το Dyad για να καθοδηγούν αυτόνομους πράκτορες καθώς εκτελούν φυσικές προσομοιώσεις, αναλύσεις ασφάλειας, ελέγχους ποιότητας και άλλα.
«Με το Dyad 3.0 μπορείς να ανεβάσεις δεδομένα και έγγραφα σχεδιασμού και το σύστημα θα σου σχεδιάσει ένα ολόκληρο αεροσκάφος», λέει ο Shah. «Δουλεύοντας με πελάτες όπως η Boeing, χτίζουμε δυνατότητες σχεδιασμού υλικού με αυτόνομους πράκτορες για μηχανικούς. Απλοϊκά, θέλεις να πεις, “ΟΚ, υπολογιστή, φτιάξε μου ένα αεροπλάνο”· να ανεβάσεις τα έγγραφα σχεδιασμού· και το σύστημα να λάβει υπόψη του όλη τη φυσική, να μεταγλωττίσει όλο τον κώδικα, να επαληθεύσει τα πάντα και να ολοκληρώσει τον σχεδιασμό αυτόνομα.»
Αφού συζήτησαν την ανάγκη για καλύτερες γλώσσες προγραμματισμού για επιστήμονες και άλλους ερευνητές, οι συνδημιουργοί της Julia ξεκίνησαν γύρω στο 2009 το Julia Lab. Το Julia Lab παραμένει ενεργό στο Computer Science and Artificial Intelligence Laboratory του MIT.
Ο κεντρικός στόχος ήταν μια πλατφόρμα υψηλών επιδόσεων για εφαρμογές μηχανικής, επιστήμης και μαθηματικών. Ο Shah λέει ότι πριν από τη Julia οι επιστήμονες και οι μηχανικοί είτε έπρεπε να προσλάβουν κάποιον να τους γράψει λογισμικό είτε να αποδεχτούν τις χαμηλές επιδόσεις των ελάχιστων γλωσσών που υπήρχαν γι’ αυτούς.
«Θέλαμε κάτι τόσο εύχρηστο όσο το Python ή το MATLAB αλλά τόσο γρήγορο όσο η C», λέει. «Φτιάξαμε τη Julia για εμάς τους ίδιους.»
Ο Edelman θυμάται ότι αρχικά δεν πίστευαν πως θα ενδιαφερθεί κανείς. «Υπολογίζαμε ότι θα χρειαστούν 10 χρόνια μέχρι να ενδιαφερθεί κάποιος, αλλά είπαμε, “Η υπομονή είναι αρετή, οπότε ας το κάνουμε”», λέει.
Οι ερευνητές του MIT ανακοίνωσαν τη Julia με ένα blog post το 2012. Γρήγορα κατάλαβαν ότι πολλοί άλλοι ερευνητές μοιράζονταν την ίδια απογοήτευση.
«Στην αρχή στοχεύαμε διαδραστικές ερευνητικές ροές, αλλά όλο και περισσότεροι τη χρησιμοποιούν για τα πάντα», λέει ο Bezanson. «Τώρα μεταφέρουμε όλο το στοίβα της γλώσσας σε μικρότερες, ενσωματωμένες συσκευές καθώς εξελισσόμαστε με τους χρήστες μας.»
Έκτοτε, ο Edelman διδάσκει μάθημα για τη Julia με φοιτητές σχεδόν από όλα τα τμήματα του MIT. Συχνά πλέον μαθαίνει ότι οι φοιτητές χρησιμοποιούν ήδη τη Julia όταν εγγράφονται, για εφαρμογές που εκτείνονται από ρομποτική και αστρονομία μέχρι φυσικές προσομοιώσεις και χρηματοοικονομικά.
«Ερευνητές έρχονται και μου λένε, “Λέω στον επιβλέποντά μου ότι χρησιμοποιώ Julia επειδή είναι γρήγορη, αλλά μη του πεις ότι τη χρησιμοποιώ επειδή είναι πραγματικά διασκεδαστική”», λέει ο Edelman. «Το κλειδί είναι οι αφαιρέσεις της Julia. Πολλές φορές μια γλώσσα σε αναγκάζει να λύσεις μόνο το πρόβλημα που έχεις μπροστά σου. Η Julia σε βοηθά να λύνεις όχι μόνο το δικό σου πρόβλημα, αλλά και προβλήματα άλλων σε όλο τον κόσμο. Σε ενθαρρύνει να σκέφτεσαι πιο γενικά.»
Καθώς η Julia κέρδιζε έδαφος, ερευνητές σε όλο τον κόσμο ζητούσαν υποστήριξη από την ομάδα. Μέχρι το 2015, η ζήτηση ήταν τόσο μεγάλη που αποφάσισαν να ιδρύσουν τη JuliaHub και να βοηθούν τους χρήστες μέσα από την εταιρεία, σε πλήρη απασχόληση. Έλαβαν στήριξη από το MIT Deshpande Center for Technological Innovation και άλλους στο MIT για να σηκώσουν την εταιρεία.
Η δουλειά της JuliaHub εξελίχθηκε από την υποστήριξη χρηστών στη συνολική προώθηση της γλώσσας. Αυτό τροφοδότησε έναν εντυπωσιακό κατάλογο δημιουργιών από την κοινότητα της Julia. Η γλώσσα έχει χρησιμοποιηθεί για προσομοίωση ηλεκτρονικών κυκλωμάτων, εντοπισμό ανισοτήτων στην υγεία, μοντελοποίηση κλίματος και ωκεανών, ανάλυση εγκεφαλικής δραστηριότητας και πολλά ακόμη.
Μετά την ανάπτυξη πλατφόρμας φαρμακευτικής μοντελοποίησης σε Julia, αυτή χρησιμοποιήθηκε για την επιτάχυνση της ανάπτυξης του εμβολίου Covid-19 της Moderna. Σε άλλη περίπτωση, ερευνητές δημιούργησαν σε Julia πρόγραμμα αποφυγής συγκρούσεων αεροσκαφών, που αποδείχθηκε περίπου 50 φορές ταχύτερο από προγενέστερη εκδοχή σε Python. Μηχανικοί της Meta χρησιμοποίησαν τη Julia για την ανάπτυξη καλύτερου audio codec για τους 4 δισεκατομμύρια χρήστες του WhatsApp.
«Με τα χρόνια βλέπουμε βιομηχανικούς, κρατικούς και ακαδημαϊκούς χρήστες να κάνουν κάθε λογής ενδιαφέροντα πράγματα με τη Julia», λέει ο Edelman. «Ειλικρινά μας έχει εκπλήξει, σε πολλές διαστάσεις, το πόσο ευρύ είναι το φάσμα των χρήσεων.»
Η JuliaHub λάνσαρε το Dyad 1.0 τον Ιούνιο του 2025 ως research agent για επιτάχυνση του προγραμματισμού και το Dyad 2.0 τον Δεκέμβριο. Οι ιδρυτές θεωρούν ότι το Dyad 3.0 αντιπροσωπεύει νέο επίπεδο ικανότητας και αυτονομίας στον σχεδιασμό σύνθετων συστημάτων.
«Ένα σημαντικό στοιχείο του Dyad είναι ότι είναι compiler φυσικής και άρα επιβάλλει τους φυσικούς νόμους», εξηγεί ο Shah. «Γενικά τα συστήματα τεχνητής νοημοσύνης συχνά λύνουν φυσικά προβλήματα με τρόπους που παραβιάζουν νόμους της φυσικής. Με τον πράκτορα Dyad, αυτές οι παραβιάσεις εντοπίζονται και ο πράκτορας καθοδηγείται προς τη φυσικά ορθή λύση. Περιμένουμε να μειώσει τους χρόνους σχεδιασμού στην προϊόντική μηχανική κατά τάξεις μεγέθους, ώστε δουλειά μηνών να ολοκληρώνεται σε ώρες.»
Ο Edelman βλέπει τον αντίκτυπο της Julia και μέσα από την τάξη του. Πρόσφατα, ένας φοιτητής χρησιμοποίησε το Dyad για να μοντελοποιήσει την κίνηση ρομπότ στο διάστημα. Ένας άλλος το χρησιμοποίησε για να «χτίσει» έναν πυραυλοκινητήρα.
«Στο τέλος είπε, “Δεν μπορούσα να πιστέψω πόσο εύκολο ήταν — απλώς απέκτησα έναν πυραυλοκινητήρα!”», θυμάται ο Edelman.
Το παρόν κείμενο δημιουργήθηκε με τη χρήση τεχνητής νοημοσύνης.
