Instalacje pakietów Pythona jako wskaźnik lokalnej adopcji sztucznej inteligencji

Trudny do zmierzenia wzrost liczby pobrań pakietów Pythona opowiada historię rozpowszechniania się sztucznej inteligencji — jeśli wiadomo, gdzie patrzeć.

Opinia Każdy, kto badał możliwości lokalnej sztucznej inteligencji, zapewne stracił już przerażająco dużo miejsca na dysku. Zajmują je nie tylko ogromne modele, lecz także powiązany z nimi Python i podobne systemy, które sterują wnioskowaniem, treningiem oraz setkami innych zastosowań — w tym tworzeniem lokalnych systemów automatyzacji.

To ostatnie zastosowanie jest najczęstsze na różnych komputerach w mojej sieci LAN. Za pomocą AI zbudowałem proste, oparte na Pythonie automaty, między innymi do tworzenia kopii zapasowych, okresowych kontroli, administrowania stroną internetową i kilkunastu innych zadań.

Niemal wszystko, co chcę osiągnąć podczas takich sesji programistycznych, wymaga kolejnej biblioteki Pythona. W rezultacie PIP, czyli instalator pakietów Pythona, należy do największych pożeraczy miejsca na komputerach w mojej sieci.

Niepozorna obecność PIP w interfejsie wiersza poleceń i interfejsach graficznych nie oddaje jego wpływu na system plików. Pamięć podręczna może osiągać ogromne rozmiary, a nawet paraliżować system.

Eksperymentowanie z lokalną AI odwraca wcześniejszy luksus nadmiarowych zasobów komputerów osobistych, sprzed obecnego wyścigu po sprzęt AI. Duży zapas pamięci RAM pochłonie przenoszenie obliczeń do GPU; terabajt miejsca na dysku szybko zapełnią modele o dużej objętości, kwantowane lub nie; a nawet 24 GB VRAM, wyglądające dziś jak nowe minimum, nadal wymaga rozmaitych skrótów i sztuczek, by wnioskowanie działało w rozsądnym czasie.

Zainstalowane pakiety PyPI (Python Package Index) nie pojawiają się w standardowych oknach „Zainstalowane programy” popularnych systemów operacyjnych. Trzeba je wyświetlić bezpośrednio przez Pythona, na przykład poleceniem PowerShell pip freeze --all.

Lista może być zaskakująco długa:

Zrzut instalacji PyPI na jednym z moich intensywniej używanych komputerów. Za niektórymi z tych krótkich nazw kryją się gigabajty zajętego miejsca — szczególnie w przypadku wszystkiego, co wiąże się z Torch i PyTorch.

Krótko mówiąc, lokalna AI może cofnąć doświadczenie korzystania z komputera do początku lat 90.: tuż po epoce, gdy program taki jak Word trzeba było ładować do kilku kilobajtów pamięci RAM z jednej dużej dyskietki naraz, ale jeszcze zanim pojemność dysków twardych dała użytkownikom swobodę.

W poszukiwaniu ukrytych trendów

Zastanawiałem się, czy gwałtowny wzrost liczby instalacji PyPI w ostatnich latach może służyć jako wskaźnik przyjmowania lokalnej AI. Zwykle trudno to śledzić inaczej niż intuicyjnie, uczestnicząc w społecznościach AI i obserwując, które platformy oraz pakiety zyskują popularność.

Pobieżne spojrzenie na serwis ze statystykami PyPI pokazuje rozczarowująco krótki zakres dat, który mimo to wskazuje na stały wzrost liczby pobrań.

Wzrost liczby pobrań wszystkich pakietów Pythona od początku 2026 roku, choć dostępny zakres dat jest bardzo krótki. Źródło

Warto byłoby rozszerzyć zakres do 2020 roku i sprawdzić, czy wzrost pozostawał równomierny, czy też — jak można podejrzewać — przyspieszył w latach 2024–2026, choćby za sprawą nienadzorowanych działań systemów agentowej AI.

Niestety oficjalne materiały PyPI wyjaśniają, że statystyki pobierania nie są udostępniane z kilku powodów: obciążenia pamięci podręcznych CDN, niedokładnych zliczeń wywołanych przez cache i serwery lustrzane, sztucznie zawyżanych pobrań oraz problemów z jakością danych historycznych. Według strony Pythona mają też ograniczoną wartość jako miara jakości pakietu.

Nie tak szybko

PyPI udostępnia jednak składniki potrzebne innym podmiotom do analizowania trendów pobrań. Istnieją więc serwisy, takie jak PepySite, które pokazują okres dłuższy niż miesiąc, ale większość działa w modelu subskrypcyjnym. Za dłuższe szeregi czasowe i statystyki trzeba zapłacić — w jednym przypadku nawet 490 dolarów miesięcznie za plan „VC”.

Czy poza kosztownymi interfejsami API, które przedstawiają te trendy zamożnym użytkownikom, można wywnioskować coś o Pythonie jako wskaźniku przyspieszenia AI?

PyPIStats jest zasobem FOSS, ale z jakiegoś powodu oferuje tylko statystyki z ostatniego miesiąca, a zakresu nie da się rozszerzyć nawet za opłatą.

Na szczęście istnieje bardziej hojny serwis. W ClickPy można przynajmniej sprawdzić historię adopcji poszczególnych pakietów, choć ich suma nie tworzy przeglądu, z którego łatwo odczytać szersze, skoordynowane trendy. Tak wygląda na przykład historia biblioteki Transformers od 2016 roku, przy czym właściwe dane zaczynają się dopiero od jej premiery w 2019 roku.

Gwałtowny wzrost popularności pakietu Transformers. Źródło

A co z zasłużonym Torch, opublikowanym po raz pierwszy w 2002 roku? Dopiero jego rozwinięcie w PyTorch oraz wzrost znaczenia VLM opartych na Transformerach i generatywnej AI do obrazów i filmów sprawiły, że biblioteka zaczęła dręczyć entuzjastów domowej AI.

Liczba pobrań Torch od 2017 roku, z gwałtownym wzrostem w ostatnich dwóch–trzech latach.

PyTorch w tym samym okresie: okresy stabilizacji przeplatane skokami ponad stałą bazą.

W przypadku PyTorch szczególnie interesujący jest przegląd adopcji w różnych wersjach Pythona od 2017 roku.

Pobrania PyTorch od 2017 roku według wersji Pythona dają dodatkowy obraz adopcji od czasu „gorącego” etapu trzeciej rewolucji AI.

Jeśli powyższe statystyki pokazują wzrost wykorzystania po pojawieniu się naprawdę skutecznych systemów LLM i VLM, podział według systemu operacyjnego uwidacznia go jeszcze wyraźniej.

Adopcja PyTorch od 2017 roku według systemu operacyjnego.

Podobnie wygląda sytuacja pakietu accelerate — jednej z najczęściej potrzebnych bibliotek dla użytkowników AI z niedoborem VRAM, którzy próbują wycisnąć maksimum z ograniczeń swoich systemów.

Wzrost wykorzystania pakietu accelerate według systemu operacyjnego.

Taką samą historię opowiada wiele pakietów i bibliotek badanych w ClickPy. Z pewnością ciekawie byłoby zbudować pełny przegląd zamiast wyszukiwać każdy element osobno.

Wykresy według systemu operacyjnego ujawniają między innymi wzrost wykorzystania Linuksa. Adopcja Linuksa na komputerach osobistych rośnie powoli, lecz stabilnie, czemu sprzyjają niepopularne decyzje dotyczące Windows. Jednocześnie korzystanie ze środowisk linuksowych wyraźnie szybko rośnie.

Na przykład uruchamiam Ubuntu wirtualizowane w WSL2 pod Windowsem dla różnych kontenerów Docker. Docker może dzięki temu korzystać z prawdziwego systemu Linux na warunkach przewidzianych przez jego, przypuszczalnie linuksowych, twórców. Z punktu widzenia fizycznego sprzętu mam więc dwa aktywne systemy Linux w całkowicie windowsowej sieci LAN, a niepodłączony laptop z natywnym Linuksem czeka na spokojniejsze czasy.

Podsumowanie

W dziedzinie pobierania pakietów z wiersza poleceń interesujące jest to, jak intensywnie ten bardzo techniczny obszar rozwinął się po pojawieniu się AI.

Rosnące zużycie pakietów zaczyna tworzyć zagrożenie dla bezpieczeństwa w dalszej części łańcucha wraz z pojawieniem się slopsquattingu. Modele LLM mają skłonność do wymyślania pakietów, więc mogą wysyłać żądania pobrania nieistniejących nazw. Ponieważ podobne wyniki mogą powtarzać się w innych wywołaniach bibliotek, przestępcom opłaca się publikować fałszywe pakiety z niebezpiecznym ładunkiem w oczekiwaniu na przyszłe pobrania.

Z artykułu „We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs”. Generowanie kodu z użyciem AI poszerza powierzchnię ataku na łańcuch dostaw. Modele LLM często wymyślają nieistniejące nazwy pakietów, tworząc podatności typu slopsquatting, które można wykorzystać, gdy zautomatyzowane potoki bez weryfikacji pobierają zależności. Źródło

Pierwotnie opublikowano w piątek 24 lipca 2026 roku.