Python-Paket-Installationen als Index für lokale KI-Adoption

Die schwer zu quantifizierende Zunahme von Paket-Downloads für Python erzählt die Geschichte der KI-Diffusion, wenn man weiß, wo man hinschauen muss.

Meinung Jeder, der das Potenzial von lokalen KI erkundet hat, hat bis jetzt eine enorme Menge an Festplattenspeicher nicht nur für die gigantischen Modelle, die involviert sind, sondern auch für die damit verbundenen Python– und ähnlichen Systeme, die Inferenz, Training und Hunderte von anderen möglichen Anwendungen orchestrieren – nicht zuletzt bei der Erstellung lokaler Automatisierungssysteme.

Dieser letzte Anwendungsfall ist der häufigste in den verschiedenen Maschinen in meinem LAN, wo ich KI verwendet habe, um “flache” Python-basierte Automatisierungsroutinen einzurichten, wie z.B. Sicherung, periodische Überprüfungen, die Verwaltung meiner Website und ein Dutzend anderer Anwendungen.

Praktisch alles, was ich während dieser Codierungssitzungen erreichen möchte, scheint ein neues Python-Bibliothek zu erfordern, so dass PIP (der Paket-Installer für Python) einer der größten Speicher-Verbraucher auf meinen LAN-Maschinen ist:

PIP’s winzige Präsenz in der CLI und GUIs verbergen ihren Einfluss auf Ihr Dateisystem. Der Cache kann sehr hohe, sogar system-crippling Dateigrößen erreichen.

Das Experimentieren mit lokaler KI kehrt die bedeutende überflüssige Luxus von lokalen Computern um, vor der KI-Hardware-Grab der aktuellen Ära. Wenn Sie eine großzügige RAM-Zulage hatten, wird sie durch GPU-Offloading aufgebraucht; ein Terabyte Festplattenspeicher wird schnell mit hohen Volumen-Modellen, quantifiziert oder nicht; und selbst wenn, wie ich, Sie sich mit 24 GB VRAM (ein neues Minimum..?) ausgestattet haben, benötigt das System dennoch eine Vielzahl von Abkürzungen und Tricks, um Inferenz in vernünftigen Zeitrahmen zu ermöglichen.

Installierte PyPi-Pakete (Python-Paket-Index) erscheinen nicht in den Standard-“Installierte Programme”-GUIs in einem Mainstream-Betriebssystem und müssen explizit abgefragt werden, z.B. mit dem PowerShell-Befehl pip freeze --all.

Die Liste kann überraschend lang sein:

Ein Dump von PyPi-Installationen auf einer meiner aktiveren Maschinen. Einige dieser kleinen Wörter verbergen Gigabyte von Festplattenspeicher – insbesondere alles, was mit Torch/PyTorch zu tun hat.

Kurz gesagt, kann lokale KI Ihr Computing-Erlebnis in die frühen 1990er Jahre zurückversetzen, gerade noch vor der Zeit, in der ein Programm wie Word in ein paar KB RAM geladen werden musste, eine große Diskette nach der anderen; aber bevor die Festplatten-Allokationen Ihnen Raum zum Atmen gaben.

Das Aufspüren der Unterströmungen

Ich war neugierig, ob ein Anstieg von PyPi-Installationen in den letzten Jahren als Index für die lokale KI-Adoption dienen könnte, was im Allgemeinen ziemlich schwer zu verfolgen ist, außer durch Intuition, wenn man an verschiedenen KI-Gemeinschaften teilnimmt und beachtet, welche Plattformen und Pakete Aufmerksamkeit erregen.

Ein flüchtiger Blick auf die PyPi-Statistik-Website zeigt einen enttäuschend engen Bereich von Daten, alle von denen jedoch ein konstantes Wachstum der Downloads anzeigen:

Anstieg der Downloads über alle Python-Pakete seit Beginn 2026 – obwohl der verfügbare Bereich von Daten sehr eng ist. Quelle

Es wäre wunderbar, diesen Zeitraum auf 2020 zu erweitern und zu sehen, ob der Anstieg konstant bleibt oder (wie man vermuten könnte) 2024-26 steiler ansteigt – wenn auch nur wegen der unkontrollierten Aktionen von agentic KI-Systemen.

Leider erklären offizielle PyPi-Quellen , dass Download-Statistiken für PyPi nicht verfügbar sind, aus verschiedenen Gründen, einschließlich CDN-Caching-Overhead, ungenauer Download-Zählungen durch Caches, Spiegel, inoffizielle Download-Inflation und historische Datenqualitätsprobleme – und gemäß der Python-Website ihre begrenzte Nützlichkeit als Maß für die Qualität eines Pakets.

Nicht so schnell

PyPi gibt jedoch die Komponenten aus, die erforderlich sind, damit andere Download-Trends analysieren können; es gibt daher diverse Websites, die mehr als einen Monat an Daten anbieten, wie z.B. PepySite – aber die meisten sind abonnementsbasiert, und Sie müssen zahlen, um die längeren Trends und Statistiken (bis zu $490 USD pro Monat in einem Fall, für das ‘VC’-Paket) zu sehen.

Gibt es also etwas, das wir über Python als Index für KI-Beschleunigung erfahren können, fernab von den teuren APIs, die diese Trends für die Wohlhabenden aufbereiten?

Obwohl PyPiStats eine FOSS-Ressource ist, bietet sie aus irgendeinem Grund nur die Statistiken des letzten Monats an, und dieser Bereich kann nicht erweitert werden, nicht einmal gegen Bezahlung.

Glücklicherweise ist eine Website großzügiger – bei ClickPy kann man zumindest die Adoptionsgeschichte einzelner Pakete suchen, auch wenn die Summe davon nicht in einen Überblick orchestriert wird, der leicht breitere, koordinierte Trends liefert. Hier zum Beispiel ist der Verlauf der Transformers-Bibliothek seit 2016 (obwohl nur gültig seit ihrer Veröffentlichung im Jahr 2019):

Der meteorische Aufstieg der Transformer. Quelle

Was ist mit dem renommierten Torch, das erstmals 2002 veröffentlicht wurde, aber nicht dazu bestimmt war, die Heim-KI-Enthusiasten zu quälen, bis seine Entwicklung zu PyTorch und der Aufstieg von Transformer-basierten VLMs und generativer KI im Zusammenhang mit Bildern und Videos..?

Torch-Downloads seit 2017, mit einem steilen Anstieg in den letzten 2-3 Jahren.

PyTorch im gleichen Zeitraum, mit einem Plateau und gelegentlichen Spitzen über einer stabilen Basis.

Interessanter ist beispielsweise im Falle von PyTorch (siehe Bild direkt oben) der Überblick über die Adoption über verschiedene Python-Versionen seit 2017:

PyTorch-Downloads im Laufe der Zeit seit 2017, nach Python-Version, und liefern eine zusätzliche Dimension der Erkenntnis über die Aufnahme seit der ‘heißen’ Ära dieser dritten KI-Revolution.

Wenn die obigen Statistiken den Anstieg der Aufnahme seit dem Beginn der wirklich leistungsfähigen LLM- und VLM-Systeme erhellen, wird dies noch deutlicher, wenn man es nach System betrachtet:

Adoption von PyTorch seit 2017, interpretiert nach Betriebssystem.

Es ist eine ähnliche Geschichte für das Accelerate-Paket – eines der am häufigsten benötigten Bibliotheken für VRAM-geplagte KI-Benutzer, die versuchen, so viel wie möglich aus den Einschränkungen ihrer Systeme herauszuholen:

Der Aufstieg von ‘Accelerate’, nach Betriebssystem.

So geht es für jedes Paket oder jede Bibliothek, die man bei ClickPy recherchiert, und es wäre sicherlich interessant, einen Überblick zu erstellen, anstatt die Teile einzeln zu betrachten.

Ein Ding, das aus den ‘nach Betriebssystem’ Grafiken hervorgeht, ist der Anstieg der Linux-Adoption. Während die Linux-Desktop-Adoption einen stetigen, aber langsamen Anstieg im Angesicht von unpopulären Windows-Strategien erlebt, ist die Verwendung von Linux-Umgebungen offensichtlich in einem deutlichen Aufstieg.

Ich selbst betreibe Ubuntu virtualisiert auf WSL2 in Windows für diverse Docker-Container, wobei Docker eine echte Linux-System auf den gleichen Bedingungen wie die (vermutlich Linux-nativen) Entwickler nutzen kann. Das sind zwei aktive Linux-Systeme in einem vollständig Windows-LAN (aus der Sicht des Bare-Metal), mit einem nativen Linux-Laptop, der wartet, unplugged, für ruhigere Zeiten.

Zusammenfassung

In Bezug auf CLI-basierte Paket-Downloads ist es interessant zu beachten, wie eifrig und verfolgt dieser sehr nerdige Bereich im Zuge von KI geworden ist.

Die Zunahme des Paketkonsums beginnt, ein Sicherheitsrisiko zu werden, mit dem Aufkommen von Slopsquatting. Da LLMs anfällig für Halluzinationen von Paketen sind, sind sie wahrscheinlich, tatsächlich Anfragen für erfundene Pakete zu senden. Aufgrund der Ähnlichkeit der Konvergenz sind die falschen Pakete wahrscheinlich, in anderen Bibliotheksaufgaben wiederzukehren, bis es sich lohnt, dass böswillige Akteure die falschen Pakete tatsächlich verfügbar machen für zukünftige Pulls/Aufrufe – natürlich mit einer schädlichen Payload:

Aus dem Paper ‘We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs’ – KI-gesteuerter Code-Generator erweitert die Angriffsfläche der Lieferkette. LLMs halluzinieren häufig nicht existierende Paketnamen, was ‘Slopsquatting’-Sicherheitslücken erzeugt, die böswillige Akteure ausnutzen, wenn automatisierte Pipelines unverifizierte Abhängigkeiten blind pullen. Quelle

Erstveröffentlicht am Freitag, 24. Juli 2026