Hoe een onderzoeksproject van MIT een wereldwijde programmeertaal werd

Auteur: Zach Winn | MIT News Publicatiedatum: 31 augustus 2026

!“Met Dyad 3.0 kun je data en ontwerpdocumenten uploaden en het systeem ontwerpt een volledig vliegtuig voor je,” zegt Viral Shah. Bron: MIT News; iStock

Het begon allemaal met een reeks gefrustreerde e-mails. In 2009 begon een groep onderzoekers hun ongenoegen te uiten over de programmeertalen die bedoeld waren om wetenschappers en andere onderzoekers te helpen bij het uitvoeren van complexe wiskundige bewerkingen en statistische simulaties zonder dat zij hoefden te leren coderen. Deze talen waren rigide en traag. Wanneer wetenschappers iets bouwden dat echt werkte, moesten ze het volledige programma vaak herschrijven in een andere taal om het sneller te kunnen uitvoeren.

Deze e-mails vormden de basis voor een onderzoeksproject aan MIT met als missie het bouwen van een gebruiksvriendelijke, krachtige programmeertaal genaamd Julia. Deze taal is specifiek ontworpen voor wetenschappelijk onderzoek, data-analyse en het modelleren van complexe systemen, zoals straalmotoren, medicijnen, financiële markten en robots.

Het onderzoeksproject groeide uit tot een laboratorium aan MIT, en dat laboratorium werd uiteindelijk het bedrijf JuliaHub. In de loop der tijd kreeg Julia een loyale aanhang onder wetenschappers, ingenieurs en wiskundigen. Tegenwoordig heeft de gratis en open-source taal meer dan 1 miljoen gebruikers, waaronder mensen werkzaam bij duizenden bedrijven en universiteiten wereldwijd.

Het is slechts een lichte overdrijving om te zeggen dat Julia is gebruikt om bijna alles onder de zon te modelleren: van het gedrag van minuscule atomen tot halfgeleiders, neurale netwerken, raceauto's en vliegtuigen. Ook buiten de grenzen van onze zon is de taal in gebruik; astronomen gebruiken Julia bijvoorbeeld voor het in beeld brengen van zwarte gaten.

De technische kracht van Julia

Het geheim van Julia ligt in de manier waarop de code wordt gecompileerd, afhankelijk van het type data dat wordt gebruikt. Deze zogenaamde "just-in-time compilation" maakt Julia sneller en flexibeler dan andere numerieke programmeertalen.

“Wetenschappers en ingenieurs zijn geen programmeurs. Het bouwen van wetenschappelijke applicaties met multidisciplinaire teams van wetenschappers, ingenieurs en programmeurs is uitdagend,” zegt Viral Shah, mede-oprichter en CEO van JuliaHub. “We vroegen ons af: wat als je wetenschappers en ingenieurs konden uitrusten met een programmeertaal die hen in staat stelde hun ideeën op een hoog niveau uit te drukken, terwijl ze toch een geweldige softwareprestatie kregen?”

Het toegankelijk maken van programmeren voor niet-programmeurs is het leidende principe geweest voor de oprichters van JuliaHub, waaronder de mede-createurs van Julia: Shah, MIT-ho professor in de wiskunde Alan Edelman, Jeff Bezanson (SM ’12, PhD ’15) en voormalig MIT-onderzoeker Stefan Karpinski.

In april zette het team van JuliaHub een grote stap voorwaarts met de lancering van Dyad 3.0. Dit is de nieuwste versie van hun AI-platform dat engineeringteams helpt bij het versnellen van de ontwikkeling van complexe fysieke systemen, zoals raketten, warmtepompen en satellieten. Ingenieurs gebruiken Dyad al om autonome AI-agenten aan te sturen bij het uitvoeren van natuurkundige simulaties, veiligheidsanalyses, kwaliteitscontroles en meer.

“Met Dyad 3.0 kun je data en ontwerpdocumenten uploaden en het systeem ontwerpt een volledig vliegtuig voor je,” aldus Shah. “Samen met klanten zoals Boeing bouwen we agentische hardware-ontwerpmogelijkheden voor ingenieurs. Simpel gezegd wil je kunnen zeggen: 'Oké computer, bouw me een vliegtuig'; de ontwerpdocumenten uploaden; en het systeem alle natuurkunde laten meerekenen, alle code compileren, alles verifiëren en het volledige ontwerp agentisch opbouwen.”

Bescheiden begin

Na overleg over de behoefte aan betere programmeertalen voor onderzoekers, startten de mede-createurs rond 2009 het Julia Lab. Dit lab is nog steeds actief binnen het Computer Science and Artificial Intelligence Laboratory (CSAIL) van MIT.

Het kernidee was om een high-performance platform te creëren dat uitblinkt in technische, wetenschappelijke en wiskundige applicaties. Volgens Shah moesten wetenschappers en ingenieurs vóór Julia ofwel iemand inhuren om software voor hen te bouwen, of genoegen nemen met de trage prestaties van de weinige talen die speciaal voor hen waren ontworpen.

“We wilden iets creëren dat net zo gemakkelijk te gebruiken was als Python of MATLAB, maar net zo snel als de programmeertaal C,” zegt Shah. “We hebben Julia voor onszelf gebouwd.”

Edelman herinnert zich dat de onderzoekers in het begin niet dachten dat er veel interesse in hun creatie zou zijn. “We dachten dat het wel tien jaar zou duren voordat iemand geïnteresseerd zou zijn, maar we zeiden: 'Geduld is een schone zaak, dus laten we het doen'.”

De onderzoekers van MIT kondigden Julia in 2012 aan via een blogpost. Ze merkten al snel dat veel andere onderzoekers dezelfde frustraties deelden. “Toen we begonnen, richtten we ons op interactieve research-workflows, maar steeds vaker gebruiken mensen het voor alles,” zegt Bezanson. “Nu verplaatsen we de volledige stack van de taal naar kleinere, embedded apparaten, terwijl we mee-evolueren met onze gebruikers.”

Sinds die beginperiode heeft Edelman een cursus over Julia gegeven aan studenten van bijna elke afdeling van MIT. Tegenwoordig merkt hij vaak dat studenten Julia al gebruiken voordat ze zich voor de cursus inschrijven, voor toepassingen variërend van robotica en astronomie tot natuurkundige simulaties en financiën.

“Onderzoekers komen naar me toe en zeggen: 'Ik vertel mijn supervisor dat ik Julia gebruik omdat het snel is, maar vertel hem niet dat ik het gebruik omdat het echt leuk is',” zegt Edelman. “Het belangrijkste zijn de abstracties van Julia. Veel programmeertalen dwingen je om alleen het probleem op te lossen waar je op dat moment aan denkt. Julia zorgt ervoor dat je niet alleen jouw eigen probleem oplost, maar ook dat van anderen over de hele wereld. Het moedigt je aan om problemen genereler op te lossen.”

Van laboratorium naar wereldwijde impact

Toen Julia aan populariteit won, vroegen onderzoekers wereldwijd om ondersteuning. In 2015 was de vraag zo groot dat ze besloten JuliaHub op te richten om gebruikers fulltime te ondersteunen. Ze kregen hulp bij de start van het bedrijf van het MIT Deshpande Center for Technological Innovation en anderen binnen MIT.

Het werk van JuliaHub is geëvolueerd van eenvoudige ondersteuning naar het algemeen verbeteren van de taal. Dit heeft geleid tot een indrukwekkende lijst van toepassingen door loyale gebruikers. Julia is onder andere gebruikt voor:

• Het simuleren van computercircuits;
• Het detecteren van ongelijkheden in de gezondheidszorg;
• Het modelleren van wereldwijde klimaten en oceanen;
• Het analyseren van hersenactiviteit.

Een specifiek voorbeeld is een platform voor farmaceutische modellering, gebouwd in Julia, dat werd gebruikt om de ontwikkeling van het Covid-19-vaccin van Moderna te versnellen. In een ander geval gebruikten onderzoekers Julia om een programma te maken voor het vermijden van vliegtuigbotsingen; dit programma werkte ongeveer 50 keer sneller dan een eerdere versie gebouwd in Python. Ook ingenieurs bij Meta gebruikten Julia om een betere audio-codec te ontwikkelen voor de 4 miljard gebruikers van WhatsApp.

“Door de jaren heen hebben we industriële, overheids- en academische gebruikers gezien die allerlei interessante dingen doen met de Julia-taal,” zegt Edelman. “Het heeft ons eerlijk gezegd op veel manieren verrast, de veelzijdigheid waarmee mensen het gebruiken.”

Autonoom ontwerp

Na de lancering van Dyad 1.0 in juni 2025 (als research-agent voor programmering) en Dyad 2.0 in december, geloven de oprichters dat Dyad 3.0 een nieuw niveau van bekwaamheid en autonomie biedt voor het ontwerpen van complexe systemen.

“Een belangrijk aspect van Dyad is dat het een natuurkunde-compiler is en daarom natuurkundige wetten afdwingt,” legt Shah uit. “Algemene AI-systemen lossen natuurkundige problemen vaak op manieren op die de natuurwetten schenden. Wanneer de Dyad-agent wordt gebruikt, detecteert hij dergelijke schendingen en stuurt hij de agent in de richting van de natuurkundig correcte oplossing. We verwachten dat dit de ontwerptijden in product engineering met een factor tien of meer zal verminderen, waardoor werk dat maanden kostte, in uren kan worden voltooid.”

Edelman ziet de impact van Julia ook terug in zijn lessen. Een student gebruikte onlangs Dyad om te modelleren hoe robots zich in de ruimte bewegen. Een andere student gebruikte het om een raketmotor te bouwen.

“Aan het eind zei hij: 'Ik kon niet geloven hoe makkelijk dat was — ik heb gewoon een raketmotor!',” herinnert Edelman zich.