Les installations de packages Python comme indice d’adoption de l’IA locale

La montée en puissance des téléchargements de packages pour Python raconte l’histoire de la diffusion de l’IA, si vous savez où regarder.

Opinion Quiconque a exploré le potentiel de l’IA locale aura perdu une quantité effrayante d’espace disque, non seulement à cause des modèles gargantuesques impliqués, mais aussi à cause des systèmes Python et similaires liés à l’inférence, à la formation et à des centaines d’autres usages potentiels – notamment, la génération de systèmes d’automatisation locaux.

Ceci est le cas le plus courant sur les différentes machines de mon LAN, où j’ai utilisé l’IA pour configurer des routines automatisées basées sur Python, telles que la sauvegarde, les vérifications périodiques, l’administration de mon site Web et une douzaine d’autres usages.

Pratiquement tout ce que je veux accomplir pendant ces sessions de codage nécessite une nouvelle bibliothèque Python, au point où PIP (le Package Installer for Python) est l’un des plus grands consommateurs d’espace sur mes machines LAN :

La présence de PIP dans le CLI et les GUI est minuscule, mais son impact sur le système de fichiers est important. Le cache peut atteindre des tailles de fichiers très élevées, voire handicaper le système.

Expérimenter avec l’IA locale inverse la réduction significative de l’espace disque des ordinateurs locaux, avant l’ère actuelle de la course aux matériels pour l’IA. Si vous aviez une allocation généreuse de RAM, elle sera consommée par le déchargement sur GPU ; un téraoctet d’espace disque sera rapidement rempli de modèles de grande taille, quantifiés ou non ; et même si, comme moi, vous avez équipé votre système de 24 Go de VRAM (un nouveau minimum…), le système nécessitera encore diverses astuces pour exécuter l’inférence en temps raisonnable.

Les packages PyPi installés ne sont pas visibles dans les interfaces graphiques standard des programmes installés dans un système d’exploitation principal et doivent être explicitement demandés, via Python, par exemple avec la commande PowerShell pip freeze --all.

La liste peut être étonnamment longue :

Un dump des installations PyPi sur l’une de mes machines les plus occupées. Certains de ces petits mots cachent des gigaoctets d’espace disque – notamment tout ce qui est lié à Torch/PyTorch.

En résumé, l’IA locale peut ramener votre expérience informatique à la fin des années 1990, juste après la période où un programme comme Word devait être chargé dans quelques kilo-octets de RAM, un disque floppy à la fois ; mais avant que les allocations de disque dur ne vous laissent un peu d’espace pour respirer.

Découverte des courants sous-jacents

J’étais curieux de savoir si une augmentation des installations PyPi au cours des dernières années pourrait servir d’indice pour l’adoption de l’IA locale, qui est, en général, assez difficile à suivre, sauf par intuition lors de la participation à diverses communautés d’IA et en notant quels plates-formes et quels packages gagnent de l’attention.

Un regard rapide sur le site Web des statistiques PyPi montre une fourchette de dates décevamment étroite, mais qui indique une croissance constante des téléchargements :

Augmentation des téléchargements de tous les packages Python depuis le début de 2026 – bien que la fourchette de dates disponible soit très étroite. Source

Il serait merveilleux d’étendre cette fourchette de dates à 2020 et de voir si la croissance reste constante, ou (comme on pourrait le soupçonner), a augmenté plus fortement en 2024-26 – si ce n’est que pour les actions non supervisées des systèmes d’IA agents.

Malheureusement, les sources officielles de PyPi indiquent que les statistiques de téléchargement de PyPi ne sont pas disponibles, pour diverses raisons, notamment les surcharges de mise en cache CDN, les comptes de téléchargement inexacts causés par les caches, les miroirs, l’inflation des téléchargements non officiels et les problèmes de qualité des données historiques – et, selon le site Python, leur utilité limitée en tant que mesure de la qualité d’un package.

Pas si vite

Cependant, PyPi fournit les composants nécessaires pour que les autres analysent les tendances de téléchargement ; il existe donc divers sites Web qui permettent une fourchette de dates plus large, tels que PepySite – mais la plupart sont basés sur abonnement, et vous devez payer pour voir les tendances et les statistiques à long terme (jusqu’à $490 USD par mois dans un cas, pour le package « VC »).

Existe-t-il quelque chose que l’on puisse déduire, alors, sur Python en tant qu’indice d’accélération de l’IA, en dehors des API coûteuses qui présentent ces tendances pour les mieux nantis ?

Bien que PyPiStats soit une ressource FOSS, elle offre pour une raison ou une autre seulement les statistiques du mois le plus récent, et cette fourchette de dates ne peut pas être étendue, même contre paiement.

Heureusement, un site est plus généreux – sur ClickPy, on peut au moins rechercher l’historique d’adoption d’un package individuel, même si la somme de ceux-ci n’est pas orchestrée dans une vue d’ensemble qui facilite facilement les tendances coordonnées. Par exemple, voici le passage de la bibliothèque Transformers depuis 2016 (bien que cela ne soit valable que depuis son lancement en 2019) :

L’essor des transformateurs. Source

Que dire du vénérable Torch, publié pour la première fois en 2002, mais qui n’était pas destiné à tourmenter les enthousiastes de l’IA maison avant son développement en PyTorch, et l’essor des modèles de langage et de l’IA générative liés aux images et aux vidéos..?

Téléchargements de Torch depuis 2017, avec une forte augmentation au cours des 2-3 dernières années.

PyTorch sur la même période, avec un plateau puis un pic parfois sur une base stable.

Plus intéressant, par exemple dans le cas de PyTorch (voir l’image ci-dessus), est la vue d’ensemble de l’adoption sur diverses versions de Python depuis 2017 :

Téléchargements de PyTorch au fil du temps depuis 2017, par version de Python, fournissant une dimension supplémentaire d’informations sur l’adoption depuis l’ère « chaude » de cette troisième révolution de l’IA.

Si les statistiques ci-dessus éclairent la montée en puissance de l’adoption depuis l’avènement de systèmes LLM et VLM vraiment capables, cela devient encore plus évident lorsqu’on les examine par système :

Adoption de PyTorch depuis 2017, interprétée par système d’exploitation.

C’est une histoire similaire pour le package accelerate – l’une des bibliothèques les plus nécessaires pour les utilisateurs d’IA à faible mémoire VRAM qui cherchent à tirer le maximum de leurs systèmes :

L’essor d’accelerate, par système d’exploitation.

Ainsi, il en va pour n’importe quel nombre de packages ou de bibliothèques que l’on recherche sur ClickPy, et il serait certainement intéressant de créer une vue d’ensemble au lieu de regarder les pièces une par une.

Une chose qui devient évidente à partir des graphiques « par système d’exploitation » est l’augmentation de l’adoption de Linux. Alors que l’adoption de Linux sur le bureau progresse à pas de tortue face aux stratégies impopulaires de Windows, l’utilisation de milieux Linux est clairement en forte augmentation.

Par exemple, j’exécute Ubuntu en virtualisation sur WSL2 sous Windows pour divers conteneurs Docker, où Docker peut exploiter un système Linux réel aux mêmes conditions que les développeurs l’ont prévu. C’est ainsi que j’ai deux systèmes Linux actifs dans un réseau LAN entièrement Windows (du point de vue du matériel), avec un ordinateur portable Linux natif qui attend, débranché, pour des moments plus tranquilles.

Conclusion

En termes de téléchargements de packages basés sur l’interface de ligne de commande, il est intéressant de noter à quel point cet espace très technique est devenu actif et recherché à la suite de l’IA.

L’augmentation de la consommation de packages commence à devenir un danger pour la sécurité en aval, avec l’avènement de slopsquatting. Puisque les LLM sont enclins à halluciner des packages, ils sont susceptibles de réellement envoyer des demandes pour des packages inventés. En raison de la similarité de convergence, les faux packages sont susceptibles de réapparaître dans d’autres appels de bibliothèque, au point où il est rentable pour les acteurs malveillants de rendre les faux packages disponibles pour les tirages/calls futurs – bien sûr, avec une charge utile malveillante :

À partir du document « We Have a Package for You ! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs » – La génération de code par l’IA élargit la surface d’attaque de la chaîne d’approvisionnement. Les LLM fréquemment hallucinent des noms de packages inexistants, créant des vulnérabilités « slopsquatting » que les acteurs malveillants exploitent lorsque les pipelines automatisés tirent des dépendances non vérifiées. Source

Publié pour la première fois le vendredi 24 juillet 2026