زاوية Anderson
تثبيت حزم بايثون كدليل على اعتماد الذكاء الاصطناعي المحلي
أضف Unite.AI إلى مصادرك المفضلة على Google
الارتفاع الصعب في تثبيت حزم بايثون يكتب قصة انتشار الذكاء الاصطناعي ، إذا كنت تعرف أين تبحث.
رأي أي شخص استكشف إمكانيات الذكاء الاصطناعي المحلي سوف يفقد الآن كمية مخيفة من مساحة القرص ، ليس فقط بسبب النماذج الهائلة المشاركة ، ولكن أيضًا بسبب الأنظمة ذات الصلة بايثون والمشابهة التي تدير الاستدلال والتدريب والمئات من الاستخدامات الأخرى المحتملة – ولا سيما في توليد أنظمة تلقائية محلية.
هذا هو الاستخدام الأكثر شيوعًا عبر الآلات المختلفة على شبكتي المحلية ، حيث استخدمت الذكاء الاصطناعي لتثبيت روتين تلقائي مسطح قائم على بايثون ، مثل النسخ الاحتياطي والفحوصات الدورية وإدارة موقعي على الإنترنت وعشرات الاستخدامات الأخرى.
يبدو أن كل ما أريد تحقيقه خلال هذه الجلسلات البرمجية يتطلب مكتبة بايثون جديدة ، إلى الحد الذي أصبح فيه PIP (مثبت الحزم لبايثون) واحدًا من أكبر أكلاء المساحة عبر أجهزتي على شبكة LAN:
لا يعكس الحضور المتواضع لأداة PIP في واجهة سطر الأوامر والواجهات الرسومية حجم تأثيرها في نظام الملفات لديك. فقد تصل ذاكرة التخزين المؤقت إلى أحجام هائلة قد تعيق النظام نفسه.
التجربة مع الذكاء الاصطناعي المحلي يقلب الفائض الكبير للمحاسبات المحلية ، قبل الانقضاض على الأجهزة الحالي للعصر. إذا كان لديك مساحة كافية من الذاكرة ، فسوف يتم استهلاكها في نقل البيانات إلى وحدة معالجة الرسومات ؛ تيرابايت من مساحة القرص الصلب ، على حد سواء ، سوف يتم ملؤها بسرعة بنماذج ذات حجم كبير ، مكممة أو غير ذلك ؛ وإذا كنت ، كما فعلت ، قمت بتركيب نفسك بذاكرة وصول عشوائي سعة 24 جيجابايت (أصبح الحد الأدنى الجديد ..?) ، فإن النظام سوف يحتاج إلى مجموعة من الاختصارات والحيل لتشغيل الاستدلال في إطارات زمنية معقولة.
الحزم المثبتة من PyPi (فهرس الحزم لبايثون) لا تظهر في واجهات برامج التثبيت القياسية في نظام تشغيل رئيسي ، ويتعين استخراجها صراحةً ، عبر بايثون ، على سبيل المثال باستخدام أمر PowerShell pip freeze --all.
القائمة يمكن أن تكون طويلة بشكل مفاجئ:
| الحزمة | الإصدار | الحزمة | الإصدار | الحزمة | الإصدار |
|---|---|---|---|---|---|
| absl-py | 2.3.0 | Jinja2 | 3.1.4 | pip | 25.1.1 |
| attrs | 25.3.0 | jsonpatch | 1.33 | platformdirs | 4.3.8 |
| beets | 2.5.1 | jsonpointer | 3.0.0 | protobuf | 4.25.8 |
| certifi | 2025.11.12 | kiwisolver | 1.4.8 | psutil | 7.2.1 |
| cffi | 1.17.1 | lap | 0.5.12 | pybrisque | 1.0 |
| charset-normalizer | 3.4.4 | lazy_loader | 0.4 | pycparser | 2.22 |
| click | 8.2.1 | libsvm | 3.23.0.4 | pyparsing | 3.2.3 |
| colorama | 0.4.6 | Markdown | 3.8.2 | python-dateutil | 2.9.0.post0 |
| confuse | 2.1.0 | MarkupSafe | 2.1.5 | PyYAML | 6.0.2 |
| contourpy | 1.3.2 | matplotlib | 3.10.3 | pyyaml_env_tag | 1.1 |
| cycler | 0.12.1 | mediafile | 0.13.0 | requests | 2.32.5 |
| dlib | 20.0.0 | mediapipe | 0.10.21 | scikit-image | 0.25.2 |
| face-recognition | 1.3.0 | mergedeep | 1.3.4 | scipy | 1.16.0 |
| face_recognition_models | 0.3.0 | mkdocs | 1.6.1 | sentencepiece | 0.2.0 |
| filelock | 3.13.1 | mkdocs-get-deps | 0.2.0 | setuptools | 65.5.0 |
| filetype | 1.2.0 | ml_dtypes | 0.5.1 | six | 1.17.0 |
| flatbuffers | 25.2.10 | mpmath | 1.3.0 | sounddevice | 0.5.2 |
| fonttools | 4.58.4 | musicbrainzngs | 0.7.1 | sympy | 1.13.1 |
| fsspec | 2024.6.1 | mutagen | 1.47.0 | tifffile | 2025.6.11 |
| ghp-import | 2.1.0 | networkx | 3.3 | torch | 2.5.1+cu118 |
| idna | 3.11 | numpy | 2.1.2 | torchvision | 0.20.1+cu118 |
| image-quality | 1.2.7 | opencv-contrib-python | 4.11.0.86 | tqdm | 4.67.1 |
| imageio | 2.37.0 | opencv-python | 4.11.0.86 | typing_extensions | 4.12.2 |
| internetarchive | 5.7.1 | opt_einsum | 3.4.0 | Unidecode | 1.4.0 |
| jax | 0.6.2 | packaging | 25.0 | urllib3 | 2.6.2 |
| jaxlib | 0.6.2 | pathspec | 0.12.1 | watchdog | 6.0.0 |
| jellyfish | 1.2.1 | pillow | 11.0.0 |
تصريف لتثبيت PyPi على واحدة من أجهزتي الأكثر نشاطًا. بعض هذه الكلمات الصغيرة تخفي جيجابايت من مساحة القرص – ولا سيما أي شيء متعلق بـ Torch / PyTorch.
باختصار ، يمكن للذكاء الاصطناعي المحلي أن يأخذ تجربة الحاسوب الخاصة بك إلى بداية التسعينيات ، قليلاً بعد الفترة التي كان فيها برنامج مثل Word يجب تحميله في بضع كيلوبايت من الذاكرة ، قرص مرن كبير في كل مرة ؛ ولكن قبل أن تمنح تخصيصات القرص الصلب لك مساحة للتنفس.
إيجاد التيارات السفلية
كنت أتساءل عما إذا كان يمكن أن يخدم الارتفاع في تثبيتات PyPi خلال السنوات القليلة الماضية كدليل على اعتماد الذكاء الاصطناعي المحلي ، وهو ما يصعب تتبعه ، باستثناء الحدس عند المشاركة في مجتمعات الذكاء الاصطناعي المختلفة وملاحظة منصات الحزم التي تكتسب الانتباه.
النظر السريع إلى موقع إحصائيات PyPi يظهر نطاقًا ضيقًا من التواريخ ، جميعها تشير إلى نمو مستمر في التنزيلات:
-rise in download across all Python packages since the start of 2026 – though the available range of dates is very narrow. Source
كان من الرائع توسيع ذلك النطاق الزمني إلى 2020 ومشاهدة ما إذا كان الارتفاع يبقى ثابتًا ، أو (كما قد يشتبه) ارتفع أكثر حدة 2024-26 – إذا لم يكن لسوء الأفعال غير المراقبة لأنظمة الذكاء الاصطناعي.
للأسف ، المصادر الرسمية ل PyPi تذكر أن إحصائيات التنزيلات ل PyPi لا يتم إصدارها ، لأسباب مختلفة ، بما في ذلك التكاملات المتأخرة لتقنيات التخزين المؤقت ، وإحصائيات التنزيل غير دقيقة الناجمة عن التخزين المؤقت ، والتخزين المؤقت ، والتنزيلات غير الرسمية ، وتضخم التنزيلات ، ومشاكل جودة البيانات التاريخية – ووفقًا لموقع بايثون ، فإنها غير مفيدة بشكل كبير كقياس لجودة الحزمة.
لا بأس
ومع ذلك ، فإن PyPi يمنح المكونات اللازمة للآخرين لتحليل اتجاهات التنزيل ؛ هناك مواقع مختلفة تسمح بنطاق أكبر من شهر واحد ، مثل PepySite – ولكن معظمها يعتمد على الاشتراك ، ويجب عليك دفع المال لمشاهدة اتجاهات وأرقام أكثر طموحًا (تصل إلى $490 USD شهريًا في حالة واحدة ، للحزمة “VC”).
ماذا يمكننا أن نستنتج ، إذن ، حول بايثون كدليل على تسارع الذكاء الاصطناعي ، بعيدًا عن واجهات برمجة التطبيقات المكلفة التي تضع هذه الاتجاهات للغني?
على الرغم من أن PyPiStats هو مورد مفتوح المصدر ، إلا أنه لأسباب ما يمنح إحصائيات شهر واحد فقط ، ولا يمكن تمديد ذلك النطاق حتى مقابل الدفع.
ولحسن الحظ، هناك موقع أكثر سخاء – في ClickPy ، يمكنك على الأقل البحث عن تاريخ اعتماد الحزم الفردية ، حتى لو لم يتم توجيه مجموعها إلى نظرة عامة تسهل إظهار اتجاهات أوسع.
ماذا عن مكتبة التحويلات منذ عام 2016 (على الرغم من أنها صالحة فقط منذ إطلاقها في عام 2019)؟
The meteoric rise of transformers. Source
ماذا عن التورش القديم ، الذي تم إصداره لأول مرة في عام 2002 ، ولكن لم يكن مصيره أن يؤرق هواة الذكاء الاصطناعي المحلي حتى تطويره إلى PyTorch وارتفاع التحويلات القائمة على Transformer والذكاء الاصطناعي التوليدي المتعلق بالصور والفيديوهات..?
تنزيلات Torch منذ عام 2017، مع ارتفاع حاد خلال العامين أو الأعوام الثلاثة الماضية.
تنزيلات PyTorch خلال الفترة نفسها، إذ تستقر أحيانًا ثم تقفز فوق قاعدة مستقرة.
أكثر إثارة للاهتمام ، على سبيل المثال ، في حالة PyTorch (انظر الصورة المباشرة أعلاه) ، هو نظرة عامة على اعتماد عبر إصدارات بايثون المختلفة منذ عام 2017:
تنزيلات PyTorch بمرور الوقت منذ عام 2017، موزعة حسب إصدار Python، ما يضيف بعدًا آخر لفهم معدلات التبني منذ المرحلة «الساخنة» من ثورة الذكاء الاصطناعي الثالثة.
إذا أضاءت الإحصائيات أعلاه الارتفاع في الاستخدام منذ ظهور أنظمة LLM و VLM القادرة حقًا ، فإن هذا يصبح أكثر وضوحًا عند عرضه حسب النظام:
Adoption of PyTorch since 2017, interpreted by operating system.
قصة مماثلة لحزمة التنفيذ – واحدة من المكتبات الأكثر طلبًا للمستخدمين الذين يعانون من نقص في ذاكرة الوصول العشوائي ويسعون إلى الحصول على أقصى استفادة من حدود أنظمتهم:
The ascent of ‘accelerate’, by OS.
وهكذا يحدث الأمر لأي عدد من الحزم أو المكتبات التي تبحث عنها في ClickPy ، وسيكون من المثير للاهتمام إنشاء نظرة عامة بدلاً من البحث عن القطع واحدة تلو الأخرى.
شيء واحد يبدو واضحًا من الرسوم البيانية “بواسطة نظام التشغيل” هو زيادة اعتماد لينكس. بينما يزداد اعتماد سطح مكتب لينكس ببطء في مواجهة استراتيجيات ويندوز غير الشعبية ، فإن استخدام بيئات لينكس واضح في صعود كبير.
على سبيل المثال ، أشغّل أوبونتو على وحدات تحكم افتراضية على WSL2 في ويندوز لعدة حاويات دوكر ، حيث يمكن لدوكر الاستفادة من نظام لينكس حقيقي بنفس الشروط التي تصورها المطورون (الذين يفترض أنهم أصل لينكس). هذا يجعله نظامي لينكس نشطين في شبكة LAN كاملة من ويندوز (من وجهة نظر الأجهزة الفعلية) ، مع جهاز لابتوب لينكس أصلي في الانتظار دون اتصال في أوقات أكثر راحة.
الخاتمة
فيما يتعلق بتنزيلات الحزم القائمة على سطر الأوامر ، من المثير للاهتمام ملاحظة كيف أصبح هذا الفضاء التقني شغوفًا ومطاردًا في أعقاب الذكاء الاصطناعي.
زيادة استهلاك الحزم أصبحت تحدد خطرًا أمنيًا ، مع ظهور سlopsquatting. منذ أن يخطر على بال LLMs حزم غير موجودة ، فمن المحتمل أن يرسلوا طلبات للحزم المخترعة. بسبب تشابه التقارب ، من المحتمل أن تظهر الحزم المزيفة مرة أخرى في مكالمات مكتبات أخرى ، إلى الحد الذي يصبح فيه من المفيد لممثلي السلطة الفعلية إنشاء الحزم المزيفة الفعلية للجلبات / المكالمات في المستقبل – بالطبع ، مع حمولة خبيثة:
من ورقة «لدينا حزمة لك! تحليل شامل لهلوسة الحزم بواسطة نماذج اللغة الكبيرة المولِّدة للشيفرة» — يؤدي توليد الشيفرة بالذكاء الاصطناعي إلى توسيع سطح الهجوم على سلسلة التوريد. كثيرًا ما تختلق نماذج اللغة الكبيرة أسماء حزم غير موجودة، فتُنشئ ثغرات «slopsquatting» يستغلها المهاجمون عندما تسحب خطوط المعالجة الآلية تبعيات غير موثوقة من دون تحقق. Source
نُشر لأول مرة يوم الجمعة ، 24 يوليو 2026
