世界上最好的编程语言是什么？
从辩证的角度考虑没有哪个编程语言是最好的，适合自己的才是最好的，无论一个编程语言有多少优势。相信不同的程序员会有不同的答案。常用的编程语言有C 、 C、Java、C#、Python等等。每种编程语言都自身的优点，但也是或多或少的存在这一些缺陷。所以对于程序员来说那编程语言适合项目的开发并且使用顺手那么那种语言就是最好的语言。
比如说几乎不会有程序员去拿PHP、C#、Python来做嵌入式的开发。所以要选择是使用哪种语言就要看所要使用的平台环境。下面就来大概说说不同语言的特点吧。C语言，它既有高级语言的特点，又具有汇编语言的特点，它是结构式语言简洁紧凑、灵活方便；运算符丰富；数据类型丰富；表达方式灵活实用；允许直接访问物理地址，对硬件进行操作；生成目标代码质量高，程序执行效率高；可移植性好；C 是面向对象的C语言，由于偏底层，所以性能非常高，仅次于C语言，主要用在一个要求高性能的领域。
。。这个不好说，因为实际需求上，用处挺杂的，而且也确实不太好学。PHP是一种通用开源脚本语言。语法吸收了C语言、Perl以及java的特点，入门门槛较低，易于学习，使用广泛，主要适用于Web开发领域。Java具有卓越的通用性、高效性、安全性，广泛应用于个人PC、科学超级计算机、移动电话和互联网，同时拥有全球最大的开发者专业社群python语言，是一种面向对象、直译式计算机程序设计语言，Python语法简洁而清晰，具有丰富和强大的类库。
它常被昵称为胶水语言，能用其他语言制作的各种模块轻松地联结在一起C#和Java极其相似；它包括了诸如单一继承、接口、与Java几乎同样的语法和编译成中间代码再运行的过程。但是C#与Java有着明显的不同，它借鉴了Delphi，与COM是直接集成的，而且它是微软公司 .NET windows网络框架的主角总结起来：PHP：没有什么突出的优点C 底层操作、性能优化Java、C# 库多通用型强。
Julia能革Python的命吗？
谢邀。不能，每门语言的出现必定有它存在的价值和理由。Julia作为高性能计算语言，在处理负责的事务比较有优势。直白点就是它高效易用，以牺牲少量的性能，处理复杂的问题。目前它被吹嘘像C一样快，像Python一样通用，像R做统计那么简单，像Perl做文本处理那么方便，像Matlab的线性代数一样强大，还和Shell一样可以把各种程序连接起来。
为科学研究学习Julia是否有价值？
首先要确定的是你的需求是什么，是要用一门能提高科研效率的语言还是想通过某一门语言来学习或者完整体验函数式编程。如果是后者，我想的答案已经很清楚了。假设题主的目标是提高码代码的效率，提高可读性以及程序执行速度。我打算用以下理由安利Julia...我这里列出了科学研究中的一些可能存在的需求(很有可能不全，所以还请指正)矩阵计算代码的并行化对一些成熟科学库的支持高性能代码的重用性(对一些编程范式的支持，如面向对象，函数式编程)那么Julia能做到吗？回答当然是可以的。
首先Julia是一款很好上手的语言，你会发现Julia中能够找到很多很多其它语言的痕迹，从它的开发目的上看，这也是必然的，因为它有一个目标，就是改善现在为了满足不同需求使用不同语言的情况。从豆瓣上摘了一下中文版的 为什么要开发Julia:简单的说，因为我们很贪心。我们是Matlab的重度用户。我们中间有Lisp高手，Python专家，Ruby专家，还有Perl高手。
有些家伙从嘴上无毛的年纪就开始用 Mathematica了，当然我们中间也有人现在也还是不长胡子的。我们比正常人画了更多的R图。C更加是我们最喜欢的大杀器。我们热爱所有这些语言，他们实在是很好很强大。在我们从事的领域中——包括科学计算、机器学习、数据挖掘、大规模线性代数、分布式与并行计算这些——每种语言都对某些问题来说很完美，但对另一些就变得很糟糕。
我们需要做出取舍。我们很贪心：我们想要更多。我们需要一种语言，它是开源的，有自由的许可。我们需要C语言的速度，又要有Ruby社区的活力。我们需要一种homoiconic风格的编程语 言，像Lisp那样有真正的宏，又要有Matlab里那些熟悉的数学概念。我们需要的东西既能像Python那样可以作为通用编程语言使用的工具，又要能 够像R那样适用于统计分析，能像Perl那样自然地处理字符串，能像Matlab那样给力地处理矩阵运算，还要能像shell一样能把各种程序粘合在一 起。
它必须让初学者觉得简单易学，同时又可以让高级用户们挥洒自如。它既要是交互式的，又能被编译执行。(前面提到过的，它要有C那么快！)我们在构思这些需求的时候，我们还发现它得有Hadoop这样强大的分布式能力——却不想要Hadoop里面那些冗繁的Java和XML，不想在几 百台机器庞大的日志文件里去寻找那些bug。
我们不想要那些令人费解的层次结构。我们想让简单的标量循环能在单个CPU的寄存器里编译出精致的机器代码。 我们想要写一个A*B就能让上千台机器为我们完成一次规模庞大的矩阵乘法。我们不需要的时候，就不用做类型申明。但我们需要多态函数（polymorphic functions）时，希望能通过泛型编程（generic programming ）使得只写一次的算法能在无穷多的数据类型上套用。
我们希望通过多重分派（multiple dispatch ），能够为一个函数所有可能的参数选出最有效的执行方法。这些参数可能有着不同的定义，来自不同的数据类型，却能提供相同的功能。在拥有这些能力得的同 时，我们还希望这种语言简单、干净！要求有点多，是不是？尽管我们意识到了自己有多贪心，我们还是想把这些都统统拥入怀中。
大概在两年半之前，我们开始创造这种能满足我们贪念的语言。它还没有完工——但是 已经可以发布一个1.0版本了——我们创造的语言叫做Julia。她已经实现了我们那些乱七八糟需求的90%，而现在她需要来自更多人更乱七八糟的需求， 来让她走得更远。如果你也是一位贪心不足，不可理喻，需索无度的码场二逼青年，希望你能来试试这个东东。
1.矩阵计算Julia的矩阵计算默认是由openBLAS支持。openBLAS是一款开源的线性代数库，开发者来自于中科院软件所的张常有老师团队。同时Julia也支持intel的MKL库(如果你购买了intel的MKL的话)。所以正如Julia自己所号称的一样，Julia的矩阵处理性能是非常高的。2.并行然后是代码的并行化，Julia的介绍中有这么一句话：为分布式与并行而设计.可以看一下语法上也是原生支持并行的.3.库的支持然后目前Julia已经有一些很好的库了(以后不断更新)：数学优化方面有JuliaOpt，并没学过数学优化但是据说写的很好用。
JuliaQuant量化库，貌似楼下的答主在用天文方面，JuliaAstro一个天文口的库在量子计算方面，由齐晓东@i2000s 发起的juliaQuantum已经能够具有一些基本的功能，同时他们甚至有拿代码去量子计算机上使用(当然并不是真的量子计算机，而是绝热机)Mocha 一个很像caffee的机器学习库JuliaGPU里面有一些关于GPU计算的库,一些著名的库的wrapper,比如opencv(还只能在0.5-dev上调用,因为是调用了cpp)JuliaBio 生物信息(并没有用过和我的专业不太相关)因为开始翻译Julia.jl,相关内容请关注我正在进行中的中文版Julia程序包博物馆JuliaCh.jl当然这里也会不定期更新这一部分。
4.编程范式的支持OO是支持的,采用的是多重派发.函数式编程,lambda表达式,闭包等也是有的.然后也有metaprogramming.由于Julia语言的诞生源自于两个实验室中，所以Julia首先是会要满足实验室科研的需求的(小道消息说，Julia的诞生是因为某计算化学大牛觉得MATLAB不好用，2333)同时它强大的目标，我想在1.0之后也能够引起一大部分业界关注者的使用(然而一些生物信息的创业公司已经在用了呢)。
Julia和Python的关键区别是什么？
处理特定问题的方式是Julia和Python之间的一个关键区别，而Julia的构建是为了减轻高性能计算的挑战。虽然Python已经发展为一种快速的计算语言，但是它不是为这项工作而设计的。而Julia相对于Python则更具专业性，在高速处理和计算工作中。不久前，Julia发布了一个稳定的1.2版本，有了进一步的改进，可以更加高速地处理占用大量资源的数据科学项目等。
julia编程语言能开发操作系统和嵌入系统吗？
Julia语言设计的目的就是让高性能科学计算为人人所用，它集合很多语言的优点于一身，有C的快速，有Ruby的动态，有Python的通用，有R的在统计学上的得心应手，有Perl的字符串处理，有MatLab的线性代数运算，据说它是Python将来强有力的对手。到底能不能开发操作系统，我相信没有人会那么做，因为它不擅长这方面的开发, 例如底层的Bootloader，恐怕用julia来开发有点勉为其难。
Julia语言可以做深度学习吗？如果可以，怎么做？
深度学习，机器学习对编程语言、编译器等有不同的需求。TensorFlow 和 PyTorch 都存在短板。Julia几千行代码就可以重构深度学习典型框架，有了Julia语言，深度学习框架从此不需要计算图了。所以Julia可以做深度学习。GPU 编程是现代机器学习的重要组成部分，所以如果要做Julia开发的话需要将Julia编译到GPU 上。
未来5-10年，Julia会替代Python成为量化投资热门语言吗？
量化投资不等于python很多语言都可以做。之所以感觉现在一提量化就用python是它的三方库多。很多开发的不用在重新造轮子。特别是分析统计的时候，用着很方便毕竟毕竟是量化是以投为主，而非编程开发编程语言只是一个工具。py入门比较简单，适合非专业人士使用。如果量化真是玩到了一定的级别，比如高频这些场景py肯定是撑不住的！未来其它语言在量化领域能否取代py，取决于投资行业变化。
Julia语言在大数据和人工智能领域前景如何，是否可以超过python？
是否能超越Python不好说，不过Julia 语言发展确实非常迅速，它可以视为同时具备了 Python 的灵活性与 C 的速度，但目前 TensorFlow 和 PyTorch 等框架官方都不支持 Julia 语言。因此近日有研究者借助 XLA 底层编译器为 Julia 构建 TPU 支持，他们表示该方法能够将 Julia 程序编写的 VGG19 模型融合到 TPU 可执行文件中，并调用 TPU 实现高效计算。
而 Google.ai 的负责人 Jeff Dean 在推特上也表示「Julia TPUs = fast and easily expressible ML computations!」1. 引言过去的几年里推动机器学习技术稳步发展的根本性改变之一是训练和优化机器学习模型的巨大计算力。许多技术都是很年前就已经提出，唯有近几年提升的计算力可以为现实世界的问题提供足够优质的解决方案。
这些计算能力的很大一部分是通过 GPU 获取的，其针对向量的计算能力最初是为图形而设计的，但机器学习模型通常需要执行复杂的矩阵运算，因此 GPU 同样表现出了非常好的性能。这些方法及 GPU 在现实世界，尤其是在机器学习领域的成功引发了硬件设计者的一系列创新，他们致力于为机器学习工作负载研发新的加速器。
然而，尽管 GPU 很长一段时间都在 CUDA 等软件系统发力，但这些库通常不会扩展到新的非 GPU 加速器，为这些加速器开发软件仍然是一大挑战。2017 年，谷歌宣布他们将通过云服务向大众提供他们专有的 TPU 机器学习加速器。最初，TPU 的使用局限于根据谷歌 TensorFlow 机器学习框架编写的应用。
幸运的是，2018 年 9 月，谷歌通过底层 XLA（Accelerated Linear Algebra）编译器的 IR 开放了 TPU 的访问权限。这个 IR 是一个通用的优化编译器，用于表达线性代数基元的任意计算，因此为使用 TPU 的非 TensorFlow 用户以及非机器学习工作负载提供了良好的基础。
在本文中，我们介绍了使用这个接口编译通用 Julia 代码的初步工作，它们可以进一步访问谷歌云的 TPU。这一方法与 TensorFlow（Abadi et al., 2016）采用的方法形成对比，后者没有编译 python 代码，而是先用 Python 构建一个计算图，然后再对这个计算图进行编译。它在美学上类似于 JAX（Frostig et al., 2018），JAX 的目标是通过跟踪和 Offload 高级数组运算来 Offload Python 本身编写的计算。
然而重要的是，我们不依赖于追踪，而是利用 Julia 的静态分析和编译能力来编译整个程序，包括传递到设备端的所有控制流。值得一提的是，我们的方法允许用户在编写模型时充分利用 Julia 语言的表现力。这些表现力主要体现在一些高级特征上，如多重派发、高阶函数和现有库，如微分方程求解器（Rackauckas
