Ángulo de Anderson
Instalaciones de paquetes de Python como índice de adopción local de IA
Añade Unite.AI a tus fuentes preferidas en Google
El aumento difícil de cuantificar de las descargas de paquetes de Python cuenta la historia de la difusión de la IA, si sabes dónde buscar.
Opinión Cualquiera que haya explorado el potencial de la IA local habrá perdido una cantidad aterradora de espacio en disco, no solo por los modelos gigantescos involucrados, sino también por los sistemas relacionados de Python y similares que orquestan la inferencia, el entrenamiento y cientos de otros usos potenciales, incluyendo la generación de sistemas de automatización local.
Este último caso de uso es el más común en las diversas máquinas de mi red local, donde he utilizado la IA para configurar rutinas automatizadas basadas en Python, como copias de seguridad, comprobaciones periódicas, la administración de mi sitio web y una docena de otros usos.
Casi todo lo que quiero lograr durante estas sesiones de codificación parece requerir una nueva biblioteca de Python, hasta el punto de que PIP (el Instalador de paquetes de Python) es uno de los mayores consumidores de espacio en mis máquinas de la red local:
La presencia diminuta de PIP en la CLI y GUIs oculta su impacto en tu sistema de archivos. La caché puede alcanzar tamaños de archivo muy altos, incluso críticos para el sistema.
Experimentar con la IA local invierte el lujo redundante de las computadoras locales, antes de la escasez de hardware de IA de la era actual. Si tenías una generosa asignación de RAM, será consumida por descarga de GPU; un terabyte de espacio en disco duro se llenará rápidamente con modelos de alto volumen, cuantificados o no; y aunque, como yo, hayas equipado con 24 GB de VRAM (un nuevo mínimo…), el sistema aún necesitará una variedad de atajos y trucos para ejecutar la inferencia en marcos de tiempo razonables.
Los paquetes de PyPi (Índice de paquetes de Python) instalados no aparecen en las GUIs de “Programas instalados” estándar en un sistema operativo principal, y deben ser explícitamente solicitados, a través de Python, por ejemplo, con el comando de PowerShell pip freeze --all.
La lista puede ser sorprendentemente larga:
| Paquete | Versión | Paquete | Versión | Paquete | Versión |
|---|---|---|---|---|---|
| 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 |
Una descarga de instalaciones de PyPi en una de mis máquinas más ocupadas. Algunas de estas pequeñas palabras ocultan gigabytes de espacio en disco, especialmente cualquier cosa relacionada con Torch/PyTorch.
En resumen, la IA local puede hacer que tu experiencia de computación regrese a los primeros años 90, justo un poco después del período en que un programa como Word tenía que cargarse en unos pocos KB de RAM, un disco flexible grande a la vez; pero antes de que las asignaciones de disco duro te dieran algo de espacio para respirar.
Encontrando las corrientes subterráneas
Me pregunté si un aumento en las instalaciones de PyPi en los últimos años podría servir como un índice de adopción de IA local, lo cual es, en general, bastante difícil de rastrear, excepto a través de la intuición cuando se participa en diversas comunidades de IA y se nota qué plataformas y paquetes ganan atención.
Una mirada casual al sitio web de estadísticas de PyPi muestra un rango de fechas desafortunadamente estrecho, todas las cuales, sin embargo, indican un crecimiento constante en las descargas:
Aumento en la descarga de todos los paquetes de Python desde el inicio de 2026, aunque el rango de fechas disponible es muy estrecho.. Fuente
Sería maravilloso ampliar ese rango de fechas a 2020 y ver si el aumento sigue siendo constante, o (como podría sospecharse), aumentó más bruscamente en 2024-26, si no fuera por las acciones no supervisadas de los sistemas de IA agente.
Lamentablemente, las fuentes oficiales de PyPi establecen que las estadísticas de descarga de PyPi no están disponibles, por varias razones, incluyendo la sobrecarga de caché de CDN, las cuentas de descarga inexactas causadas por cachés, espejos, inflación de descarga no oficial y problemas de calidad de datos históricos, y, según el sitio web de Python, su utilidad limitada como medida de la calidad de un paquete.
No tan rápido
Sin embargo, PyPi proporciona los componentes necesarios para que otros analicen las tendencias de descarga; por lo tanto, existen diversos sitios web que permiten más de un rango de un mes, como PepySite, pero la mayoría son de suscripción y debes pagar para ver las tendencias y estadísticas a largo plazo (hasta $490 USD al mes en un caso, por el paquete “VC”).
¿Hay algo que podamos deducir, entonces, sobre Python como índice de aceleración de la IA, lejos de las API costosas que presentan estas tendencias para los adinerados?
Aunque PyPiStats es un recurso de código abierto, ofrece solo las estadísticas del mes más reciente, y este rango no se puede ampliar ni siquiera a cambio de pago.
Afortunadamente, un sitio es más generoso, en ClickPy, se puede buscar al menos la historia de adopción de paquetes individuales, aunque la suma de estos no se orquesta en una visión general que fácilmente produzca tendencias coordinadas. Aquí, por ejemplo, está el paso de la biblioteca Transformers desde 2016 (aunque solo es válido desde su lanzamiento en 2019):
El ascenso meteórico de los transformadores. Fuente
¿Qué hay del venerable Torch, lanzado por primera vez en 2002, pero no destinado a atormentar a los entusiastas de la IA casera hasta su desarrollo en PyTorch y el surgimiento de VLM y IA generativa relacionada con imágenes y videos..?
Descargas de Torch desde 2017, con una inclinación pronunciada hacia arriba en los últimos 2-3 años.
PyTorch en el mismo período, con un estancamiento y luego un aumento repentino sobre una base estable.
Más interesante, por ejemplo, en el caso de PyTorch (ver imagen directamente arriba), es la visión general de la adopción a través de diversas versiones de Python desde 2017:
Descargas de PyTorch con el tiempo desde 2017, por versión de Python, proporcionando una dimensión adicional de información sobre la adopción desde la ‘era caliente’ de esta tercera revolución de la IA.
Si las estadísticas anteriores iluminan el aumento en la adopción desde el surgimiento de sistemas LLM y VLM verdaderamente capaces, esto se vuelve aún más aparente cuando se ve por sistema:
Adopción de PyTorch desde 2017, interpretada por sistema operativo.
Es una historia similar para el paquete accelerate, uno de las bibliotecas más requeridas para los usuarios de IA con VRAM limitada que buscan sacar el máximo provecho de las limitaciones de sus sistemas:
El ascenso de ‘accelerate’, por sistema operativo.
Así sucede con cualquier número de paquetes o bibliotecas que se investigan en ClickPy, y ciertamente sería interesante crear una visión general en lugar de buscar las piezas una por una.
Una cosa que se vuelve evidente de los gráficos “por sistema operativo” es el aumento de la adopción de Linux. Aunque la adopción de escritorios de Linux está haciendo un aumento constante pero lento frente a las estrategias impopulares de Windows, el uso de entornos de Linux está claramente en un ascenso significativo.
Por ejemplo, ejecuto Ubuntu virtualizado en WSL2 en Windows para diversos contenedores de Docker, donde Docker puede aprovechar un sistema de Linux genuino en los mismos términos que los desarrolladores presumiblemente lo concibieron. Eso son dos sistemas de Linux activos en una red local enteramente de Windows (desde el punto de vista de hardware sin procesar), con una laptop de Linux nativa esperando desconectada en las alas para tiempos más relajados.
Conclusión
En términos de descargas de paquetes basadas en CLI, es interesante notar cómo este espacio muy geek se ha vuelto ávido y perseguido en el despertar de la IA.
El aumento en el consumo de paquetes está comenzando a convertirse en un peligro para la seguridad, con el surgimiento de slopsquatting. Dado que los LLM están propensos a alucinar paquetes, es probable que envíen solicitudes de paquetes inventados. Debido a la similitud de convergencia, los paquetes falsos son probablemente para volver a ocurrir en otras llamadas de biblioteca, hasta el punto en que es rentable para los actores maliciosos hacer que los paquetes falsos estén disponibles para futuras extracciones/llamadas, por supuesto, con una carga útil maliciosa:
Del papel ‘We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs’ – La generación de código de IA impulsada por IA está expandiendo la superficie de ataque de la cadena de suministro. Los LLM frecuentemente alucinan nombres de paquetes inexistentes, creando vulnerabilidades de ‘slopsquatting’ que los actores maliciosos explotan cuando las tuberías automatizadas extraen dependencias no verificadas. Fuente
Publicado por primera vez el viernes 24 de julio de 2026
