Python-pakkeinstallationer som et indeks for lokal AI-adoption

Den svært kvantificerbare stigning i downloads af Python-pakker skriver historien om AI-diffusion, hvis man ved, hvor man skal kigge.

Mening Enhver, der har udforsket potentialet for lokal AI, vil på dette tidspunkt have tabt en skræmmende mængde diskplads ikke kun til de kæmpestore modeller, der er involveret, men også til de relaterede Python– og lignende systemer, der orkestrerer inference, træning og hundredvis af andre mulige anvendelser – ikke mindst i generering af lokale automatiseringssystemer.

Dette sidste anvendelsesområde er det mest almindelige på tværs af de forskellige maskiner på mit LAN, hvor jeg har brugt AI til at opsætte “flade” Python-baserede automatiseringsrutiner, såsom backup, periodiske kontroller, administration af min hjemmeside og et dusin andre anvendelser.

Praktisk taget alt, jeg ønsker at opnå under disse kodningssessioner, synes at kræve en ny Python-bibliotek, sådan at PIP (Package Installer for Python) er en af de største pladshuggere på mine LAN-maskiner:

PIP’s beskedne tilstedeværelse i CLI og GUI’er skjuler dens impact på din filsystem. Cachen kan nå meget høje, endda system-kritiske filstørrelser.

At eksperimentere med lokal AI omvender den betydelige overflødige luksus af lokale computere før den AI-hardware-grab i den nuværende æra. Hvis du havde en generøs RAM-tilrækkelighed, vil den blive opslugt i GPU-offloading; en terabyte harddiskplads vil hurtigt blive fyldt op med højvolumenmodeller, kvantificerede eller ej; og selv hvis, som jeg gjorde, du har udstyret dig selv med 24 GB VRAM (en ny minimum…?), vil systemet stadig kræve en række genveje og tricks for at køre inference på rimelige tidsrammer.

Installerede PyPi-pakker (Python Package Index) vises ikke i standard-‘Installeret programmer’-GUI’er i et mainstream-operativsystem og skal udtrykkeligt udledes via Python, f.eks. med PowerShell-kommandoen pip freeze --all.

Listen kan være overraskende lang:

En dump af PyPi-installationer på en af mine mere travle maskiner. Nogle af disse små ord gemmer gigabytes af diskplads – især noget, der er relateret til Torch/PyTorch.

Kort sagt kan lokal AI bringe din computoerfaring tilbage til begyndelsen af 1990’erne, lige lidt efter perioden, hvor et program som Word skulle indlæses i få KB RAM, en stor floppydisk ad gangen; men før harddiskallokeringer gav dig noget plads at ånde.

At finde understrømmene

Jeg var nysgerrig efter, om en opsving i PyPi-installationer over de sidste par år kunne fungere som et indeks for lokal AI-adoption, hvilket generelt set er ret svært at spore, bortset fra intuition, når man deltager i diverse AI-samfund og bemærker, hvilke platforme og pakker, der får opmærksomhed.

En tilfældig kig på PyPi-stats-websitet viser en skuffende smal række af datoer, alle af hvilke dog indikerer konstant opadgående vækst i downloads:

Stigning i downloads over alle Python-pakker siden starten af 2026 – selvom det tilgængelige datointerval er meget smalt. Kilde

Det ville være dejligt at udvide dette datointerval til 2020 og se, om stigningen forbliver konstant, eller (som man kunne formode), steg mere skarpt 2024-26 – hvis blot for de ubevogtede handlinger af agentic AI-systemer.

Desværre fastslår officielle PyPi-kilder , at download-statistikker for PyPi ikke er tilgængelige, af forskellige årsager, herunder CDN-cachekompleksitet, ukorrekte download-tællinger forårsaget af cacher, spejle, uofficielle download-inflation og historisk datakvalitetsproblemer – og ifølge Python-sitet, deres begrænsede nyttighed som et mål for en pakkes kvalitet.

Ikke så hurtigt

PyPi giver dog ud af komponenterne, der er nødvendige for andre at analysere download-trends; der er derfor diverse websteder, der tillader mere end en måneds række, såsom PepySite – men de fleste er abonnementsbaserede, og du skal betale for at se de længerevarende trends og stats (op til $490 USD om måneden i et tilfælde, for ‘VC’-pakken).

Er der noget, vi kan udlede, så, om Python som et indeks for AI-acceleration, væk fra de dyre API’er, der lægger disse trends frem for de velhavende?

PyPiStats er et FOSS-resurs, men tilfældigvis kun den seneste måneds stats, og dette interval kan ikke udvides, selv ikke mod betaling.

Fortunate er, at et websted er mere generøst – på ClickPy kan man i hvert fald søge efter adoptionshistorien for enkelt-pakker, selvom summen af disse ikke er orkestreret i en oversigt, der let giver bredere, koordinerede trends. Her, for eksempel, er forløbet af Transformers-biblioteket siden 2016 (om end kun gyldigt siden lanceringen i 2019):

Den meteorske stigning af transformers. Kilde

Hvad med den ærværdige Torch, først udgivet i 2002, men ikke bestemt til at plage hjemmebrugere af AI, før dens udvikling til PyTorch, og stigningen af Transformer-baserede VLM’er og generativ AI relateret til billeder og videoer..?

Torch-downloads siden 2017, med en stejl stigning opad over de sidste 2-3 år.

PyTorch over samme periode, med en plateau og derefter en stigning over en stabil basis.

Mere interessant, for eksempel i tilfældet af PyTorch (se billedet lige ovenfor), er oversigten over adoption over diverse Python-versioner siden 2017:

PyTorch-downloads over tid siden 2017, efter Python-version, og giver en ekstra dimension af indsigt i optagelse siden den ‘hede’ æra af denne tredje AI-revolution.

Hvis statistikken ovenfor belyste stigningen i optagelse siden begyndelsen af virkelig kapable LLM- og VLM-systemer, bliver dette endnu mere tydeligt, når det ses efter system:

PyTorch-optagelse siden 2017, fortolket efter operativsystem.

Det er en lignende historie for accelerate-pakken – en af de mest krævede biblioteker for VRAM-afhængige AI-brugere, der søger at presse så meget som muligt ud af begrænsningerne i deres system:

Accelerate’s opstigning, efter operativsystem.

Således går det for ethvert antal pakker eller biblioteker, man forsker i på ClickPy, og det ville bestemt være interessant at lave en oversigt i stedet for at kigge på dele for dele.

En ting, der bliver tydelig fra ‘efter operativsystem’-graferne, er stigningen i Linux-adoptionsgrad. Mens Linux-desktop-adoptionsgrad er på vej op i et støt tempo i ansigtet af upopulære Windows-strategier, er brugen af Linux-miljøer klart i en betydelig opstigning.

For eksempel kører jeg Ubuntu virtualiseret på WSL2 i Windows til diverse Docker-containere, hvor Docker kan udnytte et ægte Linux-system på samme vilkår som (formodentlig Linux-native) udviklerne forestillede sig. Det er to aktive Linux-systemer i et helt Windows-LAN (set fra et bare metal-perspektiv), med en naturlig Linux-laptop, der venter ubenyttet i skyggen til mere afslappede tider.

Konklusion

I forhold til CLI-baserede pakke-downloads er det interessant at bemærke, hvor ivrige og efterspurgte denne meget geeky verden er blevet i kølvandet på AI.

Stigningen i pakkeforbrug er begyndt at blive en sikkerhedsfare downstream, med opkomsten af slopsquatting. Da LLM’er er tilbøjelige til at hallucinere pakker, er de sandsynligvis til at sende anmodninger om opfundne pakker. På grund af ligheden i konvergens er de falske pakker sandsynligvis til at dukke op igen i andre biblioteksanmodninger, så det er værd at lave de falske pakker tilgængelige for fremtidige pulls/anmodninger – naturligvis med en ondsindet payload:

Fra artiklen ‘We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs’ – AI-drevet kodegenerering udvider angrebsfladen for forsyningskæden. LLM’er hallucinerer ofte ikke-eksisterende pakkenavne, hvilket skaber ‘slopsquatting’-sårbarheder, som onde aktører udnytter, når automatiserede pipelines blindt trækker ikke-verificerede afhængigheder. Kilde

Offentliggjort første gang fredag, 24. juli 2026