谢 @立党 邀。

先吐槽一句，这个问题提问有点引战/撕b的潜质啊- -

所以我这里主要搬运一下MIT Applied Maths/Physics Prof. Steven Johnson 的观点（详见: Introduction to Julia: Why are we doing this to you? ）。

首先，相比Python或者Matlab，Julia也属于比较high-level的编程语言。然而在 高性能计算领域 （简单理解：做个矩阵乘法都是一件要计算成本的操作的情况下） Python和Matlab的速度和内存利用率是比较差的 ， 在没有Julia之前只能使用C++, Cython这些更low-level的编程语言 。也就是说，编程难度相比Matlab和Python会提升。

具体来说，Julia的定位是，

“As high-level and interactive as Matlab or Python+IPython , as general-purpose as Python , as productive for technical work as Matlab or Python + SciPy ”, but as fast as C ."

翻译一下， Julia和Matlab, Python+IPython有差不多的交互能力，和Python一样是很泛用的，在数值计算的写码效率和Matlab, Python+SciPy差不多，却和C差不多快 。

是不是看起来很牛b？觉得在吹牛？请见如下benchmark的运算速度，julia确实要明显好于Matlab, R, Python， 和C近似。这些算例有随机数乘法，取平均，pi的级数求和，文件输入输出，斐波那契和，快速排序等等。

那么这里Julia的优势就体现出来了， 相比相当optimized的C/Fortran的code，Julia里你只需要比较简单的几行就可以达到类似的效果 。当然，很多Julia的special function就是来自C/Fortran的library...不过也有不少是Julia内部自己实现的。当然你也可以说理论上通过各种巧妙的vectorization/parallelization你同样可以在比如Python里面实现优化，但是对很多特殊函数其实这未必很容易，而且可能你要用的话你就得是那个写library的人。以及， Julia和C, Python的兼容性都很好，可以直接CCall或者PyCall调用它们的library...(Fortran也可以调用)

作为做 优化 的人，Julia的 JuMP包提供了类似Matlab里的YALMIP那样的泛用型优化模型建模能力 。同时，你可以 自由调用各种（商用）求解器 ，如Gurobi, Cplex, Mosek, Knitro, Ipopt, NLopt, SCIP等......同时， 在high-level层面也拥有很大的自由度 ，比如Gurobi的column generation, lazy constraint, user cut, heuristic warmstart等都是可以通过JuMP就可以直接实现的（设各种solver参数就更不必说了）。 这方面我觉得没有其它任何一种语言可以与之相比，除了比较接近的就是Matlab+YALMIP。 YALMIP我大概也是14年开始用，现在完全不需要了。

我并不觉得Julia吸收别人的优点是可耻的。相反， 多种编程语言的互相借鉴/融合可能才是一个更好的编程语言所必须要做的事情 。就比如，我自己就很喜欢利用IJulia（类似IPython）在Jupyter notebook的环境里写Julia code...

当然，作为一个更年轻的语言，Julia作为开源语言也还有不少问题：学习成本（其实真不高...不过有些package的教程不够/文档缺失倒是真的），社群还太小，debug功能还没那么完善，等等。但也如之前所说，它也拥有这些老牌编程语言所没有的优势。我个人来说， 自从用了Julia之后，再也没装过Matlab，Python基本也不用了，C++只有在有很特殊需求的时候（Julia相关package还不完善&我不写"面向对象"很多年了hhh）才会使用 。

欢迎来尝试Julia这门语言。

我其它相关的回答&文章: