Instalace balíčků Pythonu jako ukazatel lokální adopce umělé inteligence

Těžko kvantifikovatelný růst stažení balíčků pro Python vypráví příběh o difuzi umělé inteligence, pokud víte, kde hledat.

Opinion Kdokoli, kdo prozkoumal potenciál lokální umělé inteligence, již nyní ztratil značné množství místa na disku nejen kvůli obrovským modelům, ale také kvůli souvisejícím Pythonům a podobným systémům, které orchestrují inference, trénink a stovky dalších potenciálních použití – zejména při generování lokálních automatizačních systémů.

Tento poslední případ použití je nejčastější na různých strojích v mé LAN, kde jsem použil umělou inteligenci k nastavení “rovných” Pythonových automatizačních rutin, jako je zálohování, periodické kontroly, správa mé webové stránky a dalších desítek použití.

Prakticky vše, co chci dosáhnout během těchto kódovacích sezení, vyžaduje novou Pythonovou knihovnu, takže PIP (balíčkový instalátor pro Python) je jedním z největších spotřebitelů místa na disku na mých strojích v LAN:

PIPova skromná přítomnost v CLI a GUI skrývá jeho dopad na váš souborový systém. Mezipaměť může dosáhnout velmi vysokých, dokonce systémově omezujících velikostí souborů.

Experimentování s lokální umělou inteligencí obrací významnou zbytečnou luxus lokálních počítačů, před hw grabem současné éry. Pokud máte štědrý limit RAM, bude sněden GPU offloadingem; terabajt místa na disku se rychle zaplní vysokým objemem modelů, quantizovanými nebo ne; a i když, jako já, máte 24GB VRAM (nové minimum..?), systém bude stále potřebovat různé zkratky a triky, aby běžel inference v rozumném čase.

Nainstalované balíčky PyPi (Python Package Index) se neobjevují v standardních “Nainstalovaných programech” GUI v hlavním operačním systému a musí být explicitně vyžádány, například pomocí PowerShellu s příkazem pip freeze --all.

Seznam může být překvapivě dlouhý:

Výpis PyPi instalací na jednom z mých busier strojů. Některé z těchto malých slov skrývají gigabajty místa na disku – zejména cokoliv související s Torch/PyTorch.

Stručně řečeno, lokální umělá inteligence může vrátit váš počítačový zážitek zpět do počátku 90. let, lehce za období, kdy program jako Word musel být nahrán do několika kilobajtů RAM, jeden velký disk na čas; ale předtím, než přidělení místa na disku poskytlo nějaké místo k dýchání.

Nalezení pod proudy

Byl jsem zvědavý, zda vzestup instalací PyPi v posledních letech může sloužit jako ukazatel lokální adopce umělé inteligence, která je obecně docela těžko stopovat, kromě intuice, když se účastníte různých komunit umělé inteligence a všímáte si, které platformy a balíčky získávají pozornost.

Pouhá prohlídka webové stránky PyPi stats ukazuje zklamavě úzký rozsah dat, všechny z nich však ukazují stálý růst stažení:

Růst stažení napříč všemi balíčky Pythonu od začátku roku 2026 – i když je dostupný rozsah dat velmi úzký. Zdroj

Bývalo by skvělé, kdybychom mohli rozšířit tento rozsah dat na rok 2020 a vidět, zda růst zůstává konstantní, nebo (jak by se dalo předpokládat), jestli vzrostl ostřeji v letech 2024-26 – pokud pouze pro nekontrolované akce agentic AI systémů.

Škoda, že oficiální zdroje PyPi uvádějí, že statistiky stažení PyPi nejsou k dispozici, z různých důvodů, včetně nákladů na mezipaměť CDN, nepřesných počtů stažení způsobených mezipamětí, zrcadly, neoficiálními.inflate a historickými problémy s kvalitou dat – a podle webové stránky Pythonu, jejich omezená užitečnost jako měřítko kvality balíčku.

Ne tak rychle

Nicméně, PyPi poskytuje součásti potřebné pro ostatní k analýze trendů stažení; existují proto různé webové stránky, které umožňují více než měsíční rozsah, jako je PepySite – ale většina z nich je založena na předplatném a musíte zaplatit, abyste viděli delší trendy a statistiky (až $490 USD měsíčně v jednom případě, pro balíček “VC”).

Je zde něco, co bychom mohli získat, než o Pythonu jako ukazateli urychlení umělé inteligence, mimo drahé API, které tyto trendy rozkládají pro bohaté?

PyPiStats je FOSS zdroj, ale z nějakého důvodu nabízí pouze statistiky za poslední měsíc, a tento rozsah nelze prodloužit ani za platbu.

Naštěstí je jeden web štědřejší – na ClickPy můžete alespoň vyhledat historii adopce jednotlivých balíčků, i když součet těchto není orchestrován do přehledu, který snadno poskytuje širší, koordinované trendy. Zde, například, je průběh knihovny Transformers od roku 2016 (i když pouze platný od jeho spuštění v roce 2019):

Meteorický růst transformátorů. Zdroj

Co se týče ušlechtilého Torch, první vydání v roce 2002, ale neurčené k mučení domácích uživatelů umělé inteligence, až do jeho vývoje do PyTorch a vzestupu transformátorových VLM a generativních modelů souvisejících s obrázky a videy..?

Stažení Torch od roku 2017, s prudkým růstem nahoru za posledních 2-3 roky.

PyTorch ve stejném období, s plateau a někdy skokem nad stabilní základnou.

Více zajímavé, například v případě PyTorch (viz obrázek přímo výše), je přehled adopce napříč různými verzemi Pythonu od roku 2017:

Stažení PyTorch od roku 2017, podle verze Pythonu, poskytující další rozměr vhledu do přijetí od ‘horké’ éry této třetí revoluce umělé inteligence.

Pokud statistiky výše osvětlují vzestup přijetí od vzniku skutečně schopných LLM a VLM systémů, stává se to ještě zřetelnějším, když se podíváme na systém:

Adopce PyTorch od roku 2017, interpretovaná podle operačního systému.

Je to podobný příběh pro balíček accelerate – jeden z nejvíce požadovaných knihoven pro uživatele umělé inteligence s omezeným VRAM, kteří se snaží dostat co nejvíce z omezení svých systémů:

Vzestup ‘accelerate’, podle operačního systému.

Takto to jde pro jakýkoli počet balíčků nebo knihoven, které výzkumíte na ClickPy, a určitě by bylo zajímavé vytvořit přehled místo hledání kousků jeden po druhém.

Jedna věc, která se stává zřejmou z ‘podle OS’ grafů, je nárůst adopce Linuxu. Zatímco adopce Linuxu na desktopu činí stálý, ale pomalý růst tváří v tvář neoblíbeným strategiím Microsoftu, použití prostředí Linux je jasně v výrazném vzestupu.

Například já běhám Ubuntu virtualizované na WSL2 ve Windows pro různé Docker kontejnery, kde Docker může využít skutečný Linuxový systém na stejných podmínkách, jako je tomu u (předpokládaných) linuxových vývojářů. To jsou dva aktivní Linuxové systémy v entirely Windows LAN (z pohledu holého kovu), s nativním Linuxovým laptopem, který čeká odpojený na pozadí pro více uvolněná období.

Závěr

Z hlediska stažení balíčků CLI je zajímavé poznamenat, jak horlivý a sledovaný tento velmi geekovský prostor se stal v důsledku umělé inteligence.

Zvýšení spotřeby balíčků začíná být bezpečnostním rizikem, s příchodem slopsquattingu. Protože LLM jsou náchylné k halucinacím balíčků, jsou pravděpodobně odesílat požadavky na vynalezené balíčky. Díky podobnosti konvergence jsou falešné balíčky pravděpodobně opakující se v dalších knihovních voláních, až do té míry, že je pro špatné aktéry výhodné vytvořit falešné balíčky pro budoucí tahy/volání – samozřejmě, s malým nákladem:

Z paperu ‘We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs’ – AI-driven code generation expanding the supply-chain attack surface. LLMs frequently hallucinate nonexistent package names, creating ‘slopsquatting’ vulnerabilities that bad actors exploit when automated pipelines blindly pull unverified dependencies. Zdroj

Poprvé publikováno v pátek, 24. července 2026