Andersonin kulma
Python-pakettien asennukset paikallisen tekoälyominaisuuden indeksinä
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Python-pakettien latausten vaikeasti määriteltävä nousu kertoo tekoälyn leviämisestä, jos tiedät, mihin katsoa.
Mielipide Kuka tahansa, joka on tutkinut paikallisen tekoälyn potentiaalia, on luultavasti menettänyt paljon levytilaa sekä valtavien mallejen että niihin liittyvien Python- ja muihin järjestelmiin, jotka orkesteroivat inference-, koulutus- ja satoja muita mahdollisia käyttökohteita – ei vähäisimpänä paikallisten automaatiojärjestelmien luomisessa.
Tämä viimeinen käyttötapa on yleisin eri koneillani LAN-verkossa, jossa olen käyttänyt tekoälyä “tasojen” Python-pohjaisten automaattisten rutiinien luomiseen, kuten varmuuskopioinnissa, jaksollisissa tarkistuksissa, verkkosivujani hallinnassa ja kymmenissä muissa käyttötavoissa.
Praktisesti kaikki, mitä haluan saavuttaa näissä koodausistunnoissa, vaatii uuden Python-kirjaston, ja PIP (Python-pakettien asennusohjelma) on yksi suurimmista tilankäyttäjistä koneillani:
PIP:n pieni läsnäolo CLI:ssä ja GUI:ssa peittää sen vaikutuksen tiedostojärjestelmään. Välimuisti voi kasvaa hyvin suureksi, jopa järjestelmän kaatavaksi.
Kokeillessani paikallista tekoälyä kääntää merkittävän ylimääräisen paikallisten tietokoneiden luksuksen, ennen tekoälyläisten nykyisen aikakauden tietokoneita. Jos sinulla on runsas RAM-muisti, se syödään GPU:n siirtämiseen; teratavu hard disk -tila täyttyy nopeasti suurvoimaisilla malleilla, kvantitoiduilla tai ei; ja vaikka minulla on varustettu itseni 24 GB VRAM:lla (uusi vähimmäisvaatimus…?), järjestelmä tarvitsee edelleen useita lyhytelimiä ja temppuja suorittamaan inference kohtuullisessa ajassa.
Asennetut PyPi-paketit (Python-pakettien indeksi) eivät näy tavallisissa “Asennetut ohjelmat” -käyttöliittymissä perus käyttöjärjestelmässä, ja niitä on haettava nimenomaisesti Pythonin kautta, esimerkiksi PowerShell-komennolla pip freeze --all.
Luettelo voi olla yllättävän pitkä:
| Paketti | Versio | Paketti | Versio | Paketti | Versio |
|---|---|---|---|---|---|
| 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 |
Yksi PyPi-asennuksista yhdellä aktiivisimmista koneistani. Jotkut näistä pienistä sanoista piilevät gigatavuissa levytilaa – erityisesti kaikki Torch/PyTorch-aiheiset.
Lyhyesti sanottuna, paikallinen tekoäly voi viedä tietokonekokemuksesi takaisin 1990-luvun alkuun, juuri hieman sen jälkeen, kun ohjelma kuten Word piti ladata muutamaan kilotavuun RAM-muistiin, yksi suuri levykettä kerrallaan; mutta ennen kuin kiintolevyvaraukset antoivat sinulle tilaa hengittää.
Virtausten etsintä
Olin utelias, voitaisiinko PyPi-asennusten kasvua viimeisen muutaman vuoden aikana käyttää paikallisen tekoälyn omaksumisen indeksinä, joka on yleensä hyvin vaikea seurata, paitsi intuition kautta osallistumalla eri tekoäly-yhteisöihin ja huomaamalla, mitkä alustat ja paketit saavat huomiota.
Yleiskatsaus PyPi-tilastosivusta osoittaa pettävän kapean valikoiman päivämääriä, kaikki kuitenkin osoittavat jatkuvaa kasvua latauksissa:
Latausten nousu kaikissa Python-paketeissa vuoden 2026 alusta lähtien – vaikka saatavilla oleva päivämäärävalikoima on hyvin kapea. Lähde
Olisi hienoa laajentaa tämä päivämäärävalikoima vuoteen 2020 ja nähdä, säilyykö nousu jatkuvana, tai (kuten voisi olettaa), kasvaa terävämmin vuosina 2024-26 – ainakin agenteiden tekoälyjärjestelmien yksinvaltaisten toimien vuoksi.
Valitettavasti viralliset PyPi-lähteet ilmoittavat, että PyPi-pakettien lataustilastot eivät ole saatavilla, johtuen muun muassa CDN-välimuistin ylikuormituksesta, epätarkoista latausmääriä, jotka johtuvat välimuistista, peileistä, epävirallisista latauksista ja historiallisten tietojen laadun ongelmista – ja Python-sivuston mukaan niiden rajoitettu hyödyllisyys mitattavina pakettien laatuna.
Ei niin nopeasti
PyPi kuitenkin antaa tarvittavat osat muiden analysointiin lataustrendejä varten; on olemassa erilaisia verkkosivustoja, jotka sallivat yli kuukauden aikavalin, kuten PepySite – mutta useimmat ovat maksullisia, ja sinun on maksettava nähdäksesi pidemmän aikavälin trendit ja tilastot (jopa $490 USD kuukaudessa yhdessä tapauksessa, ‘VC’-pakettiin).
Onko mitään, mitä voimme päätellä siitä, miten Python toimii tekoälyn kiihdyttäjänä, poissa kalliista API:sta, joka esittää nämä trendit varakkaalle?
PyPiStats on FOSS-resurssi, mutta jostain syystä se tarjoaa vain viimeisen kuukauden tilastot, eikä tätä valikoimaa voida laajentaa edes maksua vastaan.
Onneksi yksi sivusto on antelias – ClickPy:ssa voit etsiä yksittäisten pakettien omaksumisen historiaa, vaikka niiden yhteenvetoa ei koosteta helposti yleisiin, koordinoituihin trendeihin. Tässä on esimerkiksi Transformer-kirjaston kehitys vuodesta 2016 (vaikka se on voimassa vasta julkaisun jälkeen vuonna 2019):
Transformerin nousu. Lähde
Miten on kiihdytyspaketin osalta – yksi vaadituimmista kirjastoista VRAM-kurnoutuneille tekoälykäyttäjille, jotka yrittävät saada irti järjestelmistään mahdollisimman paljon?
Kiihdytyksen nousu käyttöjärjestelmittäin.
Näin on useiden pakettien ja kirjastojen kohdalla, joita tutkin ClickPy:ssä, ja olisi varmasti mielenkiintoista luoda yleiskatsaus sen sijaan, että etsisin paloja yksitellen.
Yksi asia, josta tulee ilmi “käyttöjärjestelmien mukaan” -kaavioista, on Linuxin omaksumisen kasvu. Vaikka Linuxin työpöytäomaksuminen on tasainen kasvu Windowsin epäsuosittujen strategioiden edessä, Linux-ympäristöjen käyttö on selvästi merkittävän nousussa.
Esimerkiksi suoritan Ubuntun virtualisoidulla WSL2:lla Windowsissa erilaisille Docker-containereille, joissa Docker voi hyödyntää aitoa Linux-järjestelmää samoin ehdoin kuin (luultavasti Linux-alustaisten) kehittäjien suunnitelmien mukaan. Se on kaksi aktiivista Linux-järjestelmää kokonaan Windowsin LAN-verkossa (puhtaan metallin kannalta), ja alkuperäinen Linux-kannettava odottaa kiinni odottamassa rennompia aikoja.
Johtopäätös
CLI-pohjaisten pakettien latausten osalta on mielenkiintoista huomata, kuinka intohimoinen ja tavoiteltu tämä hyvin geeky tila on paikallisen tekoälyn heräämisen jälkeen.
Pakettien kulutuksen kasvu on alkanut muodostua turvallisuusriskiksi alhaalla, slopsquattingin myötä. Koska LLM:t ovat alttiita kuvittelemaan paketteja, ne lähettävät todennäköisesti pyynnön keksittyjä paketteja varten. Samankaltaisuuden vuoksi nämä väärät paketit ovat todennäköisesti toistuvia muiden kirjastojen pyynnöissä, ja se on kannattavaa pahantuulisten toimijoiden luoda nämä väärät paketit tulevia pyynnöksiä varten – luonnollisesti, pahantahtoisella kuormalla:
Tehtävän mukaan luodun koodin pakettien hallusinaatio. Lähde
Julkaistu ensimmäisen kerran perjantaina 24. heinäkuuta 2026
