Installazioni di Pacchetti Python come Indice di Adozione Locale di Intelligenza Artificiale

La difficile quantificazione dell’aumento dei download di pacchetti per Python racconta la storia della diffusione dell’intelligenza artificiale, se si sa dove cercare.

Opinione Chiunque abbia esplorato il potenziale dell’intelligenza artificiale locale avrà ormai perso una quantità spaventosa di spazio su disco non solo a causa dei modelli giganteschi coinvolti, ma anche a causa dei sistemi Python e simili che orchestrano l’inferenza, l’addestramento e centinaia di altri usi potenziali – non ultimo, nella generazione di sistemi di automazione locali.

Quest’ultimo caso d’uso è il più comune tra le varie macchine nella mia rete locale, dove ho utilizzato l’intelligenza artificiale per impostare routine automatizzate basate su Python, come il backup, i controlli periodici, l’amministrazione del mio sito web e una dozzina di altri usi.

Praticamente tutto ciò che voglio realizzare durante queste sessioni di codifica sembra richiedere una nuova libreria Python, al punto che PIP (l’installatore di pacchetti per Python) è uno dei più grandi consumatori di spazio tra le mie macchine della rete:

La presenza diminitiva di PIP nell’interfaccia a riga di comando e nelle interfacce grafiche nasconde il suo impatto sul file system. La cache può raggiungere dimensioni di file molto elevate, anche paralizzanti per il sistema.

Sperimentare con l’intelligenza artificiale locale capovolge il lusso significativo dei computer locali, prima dell’acquisizione di hardware per l’intelligenza artificiale dell’era attuale. Se avevi una generosa quantità di RAM, verrà consumata nell’offloading della GPU; un terabyte di spazio su disco rigido si riempirà rapidamente di modelli ad alto volume, quantizzati o no; e anche se, come ho fatto io, ti sei dotato di 24 GB di VRAM (un nuovo minimo..?), il sistema avrà comunque bisogno di una varietà di scorciatoie e trucchi per eseguire l’inferenza in tempi ragionevoli.

I pacchetti PyPi (Python Package Index) installati non appaiono nelle interfacce grafiche standard “Programmi installati” nel sistema operativo principale e devono essere esplicitamente richiesti, ad esempio tramite Python, con il comando PowerShell pip freeze --all.

La lista può essere sorprendentemente lunga:

Un dump delle installazioni PyPi su una delle mie macchine più impegnate. Alcune di queste piccole parole nascondono gigabyte di spazio su disco – in particolare tutto ciò che è legato a Torch/PyTorch.

In breve, l’intelligenza artificiale locale può riportare la tua esperienza di calcolo ai primi anni ’90, appena oltre il periodo in cui un programma come Word doveva essere caricato in pochi KB di RAM, un floppy disk alla volta; ma prima che le allocazioni del disco rigido ti dessero un po’ di respiro.

Trovare le Correnti Sotterranee

Ero curioso di sapere se un aumento delle installazioni PyPi negli ultimi anni potesse servire come indice per l’adozione di intelligenza artificiale locale, che in generale è piuttosto difficile da tracciare, tranne che attraverso l’intuizione quando si partecipa a varie comunità di intelligenza artificiale e si nota quali piattaforme e pacchetti guadagnano attenzione.

Un’occhiata casuale al sito delle statistiche PyPi mostra una gamma di date sorprendentemente ristretta, tutte le quali, tuttavia, indicano una costante crescita dei download:

Aumento dei download di tutti i pacchetti Python dal inizio del 2026 – sebbene la gamma di date disponibile sia molto ristretta. Fonte

Sarebbe meraviglioso espandere quella gamma di date al 2020 e vedere se la crescita rimane costante, o (come si potrebbe sospettare), è aumentata più rapidamente nel 2024-26 – se non altro per le azioni incontrollate dei sistemi di intelligenza artificiale agentic.

Purtroppo, le fonti ufficiali PyPi stato che le statistiche dei download per PyPi non sono disponibili, per vari motivi, tra cui l’overhead di caching CDN, i conti dei download inaccurati causati da cache, mirror, inflazione dei download non ufficiali e problemi di qualità dei dati storici – e, secondo il sito Python, la loro utilità limitata come misura della qualità di un pacchetto.

Non Troppo Velocemente

Tuttavia, PyPi fornisce i componenti necessari per altri per analizzare le tendenze dei download; ci sono quindi diversi siti web che consentono una gamma di date più ampia, come PepySite – ma la maggior parte sono basati su abbonamento e devi pagare per vedere le tendenze e le statistiche a lungo termine (fino a $490 USD al mese in un caso, per il pacchetto ‘VC’).

C’è qualcosa che possiamo capire, allora, su Python come indice di accelerazione dell’intelligenza artificiale, lontano dalle costose API che presentano queste tendenze per i benestanti?

Sebbene PyPiStats sia una risorsa FOSS, offre solo le statistiche dei download dell’ultimo mese, e questa gamma non può essere estesa nemmeno a pagamento.

Fortunatamente, un sito è più generoso – su ClickPy, è possibile cercare la storia di adozione di singoli pacchetti, anche se la somma di questi non è orchestrata in una panoramica che facilmente produca tendenze coordinate più ampie. Qui, ad esempio, è il passaggio della libreria Transformers dal 2016 (sebbene valido solo dalla sua uscita nel 2019):

La crescita meteorica dei trasformatori. Fonte

Che dire della venerabile Torch, rilasciata per la prima volta nel 2002, ma non destinata a tormentare gli appassionati di intelligenza artificiale fai-da-te fino al suo sviluppo in PyTorch e la crescita dei modelli VLM e dell’intelligenza artificiale generativa basata su immagini e video..?

Download di Torch dal 2017, con una forte inclinazione verso l’alto negli ultimi 2-3 anni.

PyTorch nello stesso periodo, con un plateau e poi un picco a volte su una base stabile.

Più interessante, ad esempio nel caso di PyTorch (vedi immagine direttamente sopra), è la panoramica dell’adozione su diverse versioni di Python dal 2017:

Download di PyTorch nel tempo dal 2017, per versione di Python, fornendo un’ulteriore dimensione di insight sull’adozione dal ‘periodo caldo’ di questa terza rivoluzione dell’intelligenza artificiale.

Se le statistiche sopra illuminano l’aumento dell’adozione dal 2017, questo diventa ancora più evidente quando visto per sistema:

Adozione di PyTorch dal 2017, interpretata per sistema operativo.

È una storia simile per il pacchetto accelerate – uno dei pacchetti più richiesti per gli utenti di intelligenza artificiale a corto di VRAM che cercano di ottenere il massimo dalle limitazioni dei loro sistemi:

L’ascesa di ‘accelerate’, per sistema operativo.

Così è per qualsiasi numero di pacchetti o librerie che si ricercano su ClickPy, e sarebbe sicuramente interessante creare una panoramica invece di cercare i pezzi uno per uno.

Una cosa che diventa evidente dai grafici ‘per sistema operativo’ è l’aumento dell’adozione di Linux. Mentre l’adozione di Linux desktop sta facendo una crescita costante ma lenta di fronte alle strategie impopolari di Windows, l’uso di ambienti Linux è chiaramente in una forte ascesa.

Per esempio, eseguo Ubuntu virtualizzato su WSL2 in Windows per diversi container Docker, dove Docker può sfruttare un sistema Linux autentico alle stesse condizioni dei (presumibilmente) sviluppatori Linux nativi. Questo significa due sistemi Linux attivi in una rete LAN interamente Windows (dal punto di vista del metallo), con un portatile Linux nativo in attesa di essere utilizzato in futuro.

Conclusione

In termini di download di pacchetti basati su interfaccia a riga di comando, è interessante notare come questo spazio molto tecnico sia diventato avido e perseguito a seguito dell’intelligenza artificiale.

L’aumento del consumo di pacchetti sta iniziando a diventare un pericolo per la sicurezza a valle, con l’avvento di slopsquatting. Poiché gli LLM sono propensi a immaginare pacchetti, è probabile che inviino richieste per pacchetti inventati. A causa della somiglianza di convergenza, i pacchetti falsi sono probabilmente ricorrenti in altre chiamate di libreria, al punto in cui è vantaggioso per gli attori malintenzionati rendere effettivamente disponibili i pacchetti falsi per future richieste/pull – naturalmente, con un payload malintenzionato:

Dal paper ‘We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs’ – la generazione di codice guidata da intelligenza artificiale sta espandendo la superficie di attacco della catena di approvvigionamento. Gli LLM frequentemente immaginano nomi di pacchetti inesistenti, creando vulnerabilità di ‘slopsquatting’ che gli attori malintenzionati sfruttano quando le pipeline automatizzate caricano dipendenze non verificate. Fonte

Pubblicato per la prima volta venerdì, 24 luglio 2026