Kąt Andersona
Instalacje pakietów Python jako wskaźnik lokalnej adopcji sztucznej inteligencji
Dodaj Unite.AI do preferowanych źródeł w Google
Trudno zmierzyć wzrost pobierania pakietów Python, który opowiada historię dyfuzji sztucznej inteligencji, jeśli wiesz, gdzie szukać.
Opinia Każdy, kto zbadał potencjał lokalnej sztucznej inteligencji, stracił już dużo miejsca na dysku nie tylko z powodu ogromnych modeli, ale także z powodu powiązanych systemów Python i innych, które zarządzają inferencją, treningiem i setkami innych potencjalnych zastosowań – nie tylko w generowaniu lokalnych systemów automatyzacji.
Najczęstsze zastosowanie to ustawienie “płaskich” zautomatyzowanych rutyn opartych na Pythonie, takich jak backup, okresowe kontrole, administracja mojej strony internetowej i kilkanaście innych zastosowań.
Praktycznie wszystko, co chcę osiągnąć podczas tych sesji programistycznych, wymaga nowej biblioteki Python, do tego stopnia, że PIP (Package Installer for Python) jest jednym z największych pożeraczy miejsca na dysku na moich maszynach w sieci LAN:
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 sztuczną inteligencją odwraca znaczącą redundancję luksusu lokalnych komputerów, poprzednio luksus przed erą gwałtownego wzrostu popytu na sprzęt sztucznej inteligencji. Jeśli miałeś hojną ilość pamięci RAM, zostanie ona szybko zajęta przez przeniesienie obliczeń na GPU; terabajt miejsca na dysku twardym również szybko się zapełni ogromnymi modelami, kwantowanymi lub nie; i nawet jeśli, jak ja, wyposażyłeś się w 24 GB pamięci VRAM (nowy minimalny poziom…), system nadal będzie wymagał różnych skrótów i sztuczek, aby uruchomić inferencję w rozsądnym czasie.
Zainstalowane pakiety PyPi (Python Package Index) nie są widoczne w standardowych GUI “Zainstalowane programy” w popularnym systemie operacyjnym i muszą być wyraźnie wywołane, na przykład za pomocą polecenia PowerShell pip freeze --all.
Lista może być zaskakująco długa:
| Pakiet | Wersja | Pakiet | Wersja | Pakiet | Wersja |
|---|---|---|---|---|---|
| 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 |
Zrzut instalacji PyPi na jednej z moich bardziej zajętych maszyn. Niektóre z tych małych słów kryją gigabajty miejsca na dysku – szczególnie wszystko, co związane z Torch/PyTorch.
Krótko mówiąc, lokalna sztuczna inteligencja może przenieść Twoje doświadczenie komputerowe z powrotem do wczesnych lat 90., nieco poza okresem, w którym programy takie jak Word musiały być ładowane do kilku kilobajtów pamięci RAM, jeden duży dyskietka naraz; ale przed tym, jak przydziały dysku twardego dały Ci miejsce do oddychania.
W poszukiwaniu podprądów
Byłem ciekawy, czy gwałtowny wzrost instalacji PyPi w ciągu ostatnich kilku lat może służyć jako wskaźnik adopcji lokalnej sztucznej inteligencji, co jest ogólnie dość trudne do śledzenia, poza intuicją, gdy uczestniczy się w różnych społecznościach sztucznej inteligencji i zauważa, które platformy i pakiety zyskują na popularności.
Przeglądając stronę PyPi stats, widać zawężony zakres dat, wszystkie jednak wskazują na stały wzrost pobierania:
Wzrost liczby pobrań wszystkich pakietów Pythona od początku 2026 roku — choć dostępny zakres dat jest bardzo wąski. Source
Byłoby wspaniale, gdyby można było rozszerzyć ten zakres dat do 2020 roku i zobaczyć, czy wzrost pozostaje stały, czy (jak można podejrzewać) wzrastał bardziej gwałtownie w latach 2024-26 – jeśli nie tylko z powodu niekontrolowanych działań systemów sztucznej inteligencji.
Niestety, oficjalne źródła PyPi stwierdzają, że statystyki pobierania pakietów PyPi nie są dostępne, z powodu różnych powodów, w tym kosztów buforowania CDN, nieprecyzyjnych liczników pobierania spowodowanych buforowaniem, nieoficjalnymi pobieraniem i problemami z jakością danych historycznych – oraz, według strony Python, ich ograniczonej przydatności jako miary jakości pakietu.
Nie tak szybko
Jednak PyPi udostępnia składniki niezbędne do innych analiz trendów pobierania; istnieją więc różne strony internetowe, które pozwalają na wyświetlenie zakresu większego niż jeden miesiąc, takie jak PepySite – ale większość z nich jest dostępna tylko za opłatą, i trzeba zapłacić, aby zobaczyć dłuższe trendy i statystyki (do $490 USD miesięcznie w jednym przypadku, za pakiet “VC”).
Czy jest coś, co możemy się dowiedzieć o Pythonie jako wskaźniku przyspieszenia sztucznej inteligencji, poza drogimi API, które przedstawiają te trendy dla zamożnych?
Chociaż PyPiStats jest zasobem FOSS, oferuje tylko statystyki za ostatni miesiąc, i ten zakres nie może być rozszerzony, nawet za opłatą.
Na szczęście jest jedna strona, która jest bardziej hojna – na ClickPy można przynajmniej wyszukać historię adopcji poszczególnych pakietów, nawet jeśli suma tych pakietów nie jest zorganizowana w przegląd, który łatwo prowadzi do szerszych, skoordynowanych trendów. Oto na przykład przebieg biblioteki Transformers od 2016 roku (choć tylko ważne od 2019 roku):
The meteoric rise of transformers. Source
Co z biblioteką accelerate, jednym z najbardziej wymaganych bibliotek dla użytkowników sztucznej inteligencji z ograniczoną pamięcią VRAM, którzy chcą wycisnąć jak najwięcej z ograniczeń swoich systemów?
The ascent of ‘accelerate’, by OS.
W ten sposób jest z każdym pakietem lub biblioteką, którą się bada na ClickPy, i na pewno byłoby interesujące, gdyby można było stworzyć przegląd zamiast szukać poszczególnych kawałków.
Jedna rzecz, która staje się widoczna z wykresów “przez system operacyjny”, to wzrost adopcji systemów Linux. Chociaż adopcja pulpitu Linux rośnie stałym tempem w obliczu niepopularnych strategii Microsoftu, użycie środowisk Linux jest wyraźnie w znacznym wzroście.
Na przykład, uruchamiam Ubuntu wirtualizowane na WSL2 w systemie Windows dla różnych kontenerów Docker, w których Docker może wykorzystać prawdziwy system Linux na tych samych warunkach, co (prawdopodobnie rodzime) deweloperzy. To dwa aktywne systemy Linux w sieci LAN (z punktu widzenia sprzętu), z rodzimym laptopem Linux czekającym niepodłączonym na boku na więcej leniwe czasów.
Podsumowanie
W kwestii pobierania pakietów w wierszu poleceń, jest interesujące zobaczyć, jak bardzo i z jakim zapałem ten bardzo geekowski obszar stał się popularny w wyniku sztucznej inteligencji.
Wzrost konsumpcji pakietów zaczyna się stawać zagrożeniem bezpieczeństwa, z pojawieniem się slopsquattingu. Ponieważ LLM są skłonne do halucynacji pakietów, mogą one faktycznie wysyłać żądania pakietów, które nie istnieją. Z powodu podobieństwa konwergencji, fałszywe pakiety mogą się powtarzać w innych wywołaniach bibliotek, do tego stopnia, że jest to opłacalne dla złych aktorów, aby stworzyć fałszywe pakiety na przyszłe pobierania/wywołania – oczywiście z złośliwym ładunkiem:
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 zmyślają nieistniejące nazwy pakietów, tworząc podatności typu „slopsquatting”, które przestępcy wykorzystują, gdy zautomatyzowane potoki bez weryfikacji pobierają zależności. Source
Pierwotnie opublikowane w piątek, 24 lipca 2026
