파이썬 패키지 설치: 로컬 AI 채택 지표

파이썬 패키지 다운로드의 어려운 수량화는 AI 확산의 이야기를 알려주지만, 어디에서 보아야 하는지 알아야 합니다.

의견 로컬 AI의 잠재력을 탐색한 사람들은 이미 많은 디스크 공간을 잃었을 것입니다. 이는 거대한 모델뿐만 아니라 관련된 파이썬 시스템과 수백 가지 다른 잠재적 용도, 특히 로컬 자동화 시스템을 생성하는 데 사용됩니다.

이 마지막 사용 사례는 내 LAN의 여러 머신에서 가장 일반적입니다. 여기서 나는 AI를 사용하여 ‘평면’ 파이썬 기반 자동 루틴을 설정했습니다. 예를 들어 백업, 주기적 확인, 웹사이트 관리 및 다른 용도로 사용합니다.

이러한 코딩 세션에서 달성하고자 하는 거의 모든 것이 새로운 파이썬 라이브러리가 필요합니다. 따라서 PIP(Python 패키지 설치 프로그램)은 내 LAN 머신에서 가장 큰 공간을 차지하는 프로그램 중 하나입니다.

PIP의 CLI와 GUI에서 작은 존재감에도 불구하고 파일 시스템에 미치는 영향은 크다. 캐시는 매우 높은, 심지어 시스템을 마비시키는 파일 크기까지 증가할 수 있다.

로컬 AI를 실험하면 로컬 컴퓨터의 과도한 여유를 역전시킵니다. 이전에는 RAM이 충분하면 하드 디스크 공간이 충분했지만, 현재 시대에는 AI 하드웨어가 RAM을 잡아먹고, 하드 디스크 공간도 모델과 데이터로 채워집니다.

설치된 PyPi 패키지는 표준 ‘설치된 프로그램’ GUI에 표시되지 않으며 Python을 통해 명시적으로 호출해야 합니다. 예를 들어 PowerShell 명령어 pip freeze --all을 사용할 수 있습니다.

한 대의 바쁜 머신에서 PyPi 설치 덤프입니다. 이러한 작은 단어들 중 일부는 기가바이트 단위의 디스크 공간을 숨길 수 있습니다. 특히 Torch/PyTorch 관련된 모든 것에서 그렇습니다.

로컬 AI는 컴퓨팅 경험을 1990년대 초반으로 되돌릴 수 있습니다. 단, 프로그램을 로딩하는 데 몇 KB의 RAM과 하나의 큰 플로피 디스크가 필요했던 시절 이후입니다. 그러나 하드 디스크 할당이 공간을 주기 전에입니다.

암흑을 찾는 것

저는 PyPi 설치의 증가가 로컬 AI 채택을 나타낼 수 있는지 궁금했습니다. 이는 일반적으로 추적하기 어렵습니다. 그러나 다양한 AI 커뮤니티에 참여하고 어떤 플랫폼과 패키지가 주목을 받는지 관찰할 때는 직관적으로 알 수 있습니다.

PyPi 통계 웹사이트를 살펴보면 날짜 범위가 매우狭い 것을 알 수 있습니다. 그러나 모든 날짜가 상승세를 보이고 있습니다.

2026년 초부터 모든 파이썬 패키지의 다운로드 증가 – 그러나 사용 가능한 날짜 범위는 매우狭습니다.. 출처

2020년부터 날짜 범위를 확장하여 상승세가 지속되는지 또는 2024-26년에 더 급격하게 상승하는지 확인하는 것이 좋을 것입니다. 특히, 무인 AI 시스템의 무단 행동으로 인해 그렇습니다.

아니요, 아직은 아니에요

그러나 PyPi는 다른 사람들이 다운로드 트렌드를 분석하는 데 필요한 구성 요소를 제공합니다. 따라서 더 긴 기간을 제공하는 다양한 웹사이트가 있습니다. 예를 들어, PepySite는 있습니다. 그러나 대부분의 웹사이트는 구독 기반으로, 더 긴 기간의 트렌드와 통계를 보려면 비용을 지불해야 합니다.

비용이 많이 드는 API를 사용하지 않고 Python이 AI 가속의 지표로 사용될 수 있는지 알아보겠습니다.

PyPiStats는 FOSS 자원입니다. 그러나 일부 이유로 가장 최근 한 달의 통계만 제공하며, 이 범위를 확장할 수 없습니다.

幸い, 한 웹사이트는 더慷慨합니다. ClickPy에서 개별 패키지의 채택 기록을 검색할 수 있습니다. 이는 더 넓은 트렌드와 통계를 쉽게 제공하지는 않지만, PyPiStats보다 더 많은 정보를 제공합니다.

변압기 라이브러리의 성장. 출처

또한 고대적인 Torch를 살펴보겠습니다. 2002년에 처음 출시되었지만, PyTorch로 개발되고, 트랜스포머 기반의 VLM과 생성 AI가 등장하기 전까지는 홈브루 AI 爱好者들에게 고민거리가 되지 않았습니다.

2017년 이후 Torch 다운로드, 최근 2-3년 동안 급격한 상승세를 보입니다.

同じ 기간 동안 PyTorch, 안정적인 기초 위에 때때로 급격한 상승세를 보입니다.

예를 들어, PyTorch의 경우, 2017년 이후 다양한 파이썬 버전에서 채택 현황을 살펴보는 것이 더 흥미롭습니다.

2017년 이후 PyTorch 다운로드, 파이썬 버전별로 시간의 경과에 따라, 이 세 번째 AI 혁명의 활성화 이후의 수용에 대한 추가적인 통찰력을 제공합니다.

위의 통계가 실제로 능력 있는 LLM과 VLM 시스템의 등장 이후 수요의 급증을 보여준다면, 시스템별로 살펴보면 더 명확해집니다.

2017년 이후 PyTorch 채택, 운영 체제별로 시간의 경과에 따라 해석됩니다.

이것은 VRAM이 부족한 AI 사용자들이 시스템의 제한을 극복하기 위해 최대한의 성능을 끌어내기 위해 가장 많이 필요한 라이브러리 중 하나인 accelerate 패키지에도 마찬가지입니다.

accelerate의 상승, 운영 체제별로 시간의 경과에 따라 나타납니다.

ClickPy에서 조사하는 패키지나 라이브러리 nào든지 이런 식으로 됩니다. 그리고 실제로 개요를 만들기보다는 조각조각으로 살펴보는 것이 더 흥미롭습니다.

‘운영 체제별’ 그래프에서 명확해지는 한 가지 것은 리눅스 채택의 증가입니다. 리눅스 데스크톱 채택은 인기 없는 윈도우 전략에도 불구하고 꾸준히 증가하고 있습니다. 그러나 리눅스 환경의 사용은 분명히 상당한 상승세를 보이고 있습니다.

예를 들어,私は Ubuntu를 WSL2에서 가상화하여 다양한 Docker 컨테이너를 실행합니다. 여기서 Docker는 네이티브 리눅스 시스템을 사용할 수 있습니다.

결론

CLI 기반 패키지 다운로드의 경우, 로컬 AI의 발전으로 인해 매우熱한 공간이 되었습니다.

패키지 소비의 증가로 인해 다운스트림에서 보안 위험이 발생하고 있습니다. 특히, LLM이不存在하는 패키지를 상상할 수 있기 때문에, 악의적인 행위자들이 실제로 가짜 패키지를 만들고, 미래의 요청에 대한 악의적인 페이로드를 제공할 수 있습니다.

코드 생성 LLM에 의한 패키지 상상의 종합적인 분석 – AI 주도 코드 생성이 공급망 공격 표면을 확장합니다. LLM은不存在하는 패키지 이름을 상상할 수 있으므로, 악의적인 행위자들이 자동화된 파이프라인이 검증되지 않은 의존성을 무시할 때 ‘slopsquatting’ 취약성을 악용합니다. 출처

2026년 7월 24일 처음 게시되었습니다.