Instalações de Pacotes Python como um Índice de Adoção Local de IA

O aumento difícil de quantificar das downloads de pacotes para Python conta a história da difusão da IA, se você souber onde procurar.

Opinião Qualquer um que tenha explorado o potencial da IA local já perdeu uma quantidade assustadora de espaço em disco não apenas para os modelos gigantescos envolvidos, mas também para os sistemas relacionados de Python e similares que orquestram inferência, treinamento e centenas de outros usos potenciais – não menos, na geração de sistemas de automação locais.

Este último caso de uso é o mais comum em várias máquinas na minha LAN, onde eu usei a IA para configurar rotinas automatizadas baseadas em Python, como backup, verificações periódicas, administração do meu site e uma dúzia de outros usos.

Praticamente tudo o que eu quero alcançar durante essas sessões de codificação parece exigir uma nova biblioteca Python, a ponto de o PIP (o Instalador de Pacotes para Python) ser um dos maiores consumidores de espaço em todas as minhas máquinas da LAN:

A presença diminuta do PIP na CLI e GUIs esconde seu impacto no seu sistema de arquivos. O cache pode atingir tamanhos de arquivo muito altos, até mesmo sufocantes para o sistema.

Experimentar com a IA local reverte o luxo significativo de computadores locais, antes da escassez de hardware de IA da atual era. Se você tivesse uma generosa alocação de RAM, ela será consumida em descarga de GPU; um terabyte de espaço em disco rígido, da mesma forma, será rapidamente preenchido com modelos de alto volume, quantizados ou não; e mesmo se, como eu fiz, você se equipou com 24GB de VRAM (um novo mínimo..?), o sistema ainda precisará de uma variedade de atalhos e truques para executar inferência em tempos razoáveis.

Pacotes PyPi (Índice de Pacotes Python) instalados não aparecem em GUIs de “Programas Instalados” padrão em um sistema operacional mainstream e precisam ser explicitamente solicitados, via Python, por exemplo, com o comando PowerShell pip freeze --all.

A lista pode ser surpreendentemente longa:

Um dump de instalações PyPi em uma das minhas máquinas mais movimentadas. Algumas dessas pequenas palavras escondem gigabytes de espaço em disco – notadamente qualquer coisa relacionada ao Torch/PyTorch.

Em resumo, a IA local pode levar sua experiência de computação de volta aos anos 90, apenas ligeiramente após o período em que um programa como o Word precisava ser carregado em alguns KB de RAM, um grande disquete de cada vez; mas antes das alocações de disco rígido lhe darem algum espaço para respirar.

Encontrando as Correntes Subterrâneas

Eu estava curioso para saber se um aumento nas instalações PyPi nos últimos anos poderia servir como um índice para a adoção de IA local, que é, em geral, bastante difícil de acompanhar, exceto por intuição quando participando de várias comunidades de IA e notando quais plataformas e pacotes ganham atenção.

Um olhar casual no site de estatísticas PyPi mostra uma faixa de datas surpreendentemente estreita, todas indicando um crescimento constante nas downloads:

Aumento nas downloads de todos os pacotes Python desde o início de 2026 – embora a faixa de datas disponível seja muito estreita. Fonte

Seria maravilhoso expandir essa faixa de datas para 2020 e ver se o aumento permanece constante, ou (como alguém pode suspeitar), aumentou mais acentuadamente em 2024-26 – se não for apenas pelas ações não supervisionadas de sistemas de IA agêntica.

Infelizmente, as fontes oficiais PyPi afirmam que as estatísticas de downloads do PyPi não estão disponíveis, por várias razões, incluindo sobrecarga de cache de CDN, contagens de downloads imprecisas causadas por caches, espelhos, inflação de downloads não oficiais e problemas de qualidade de dados históricos – e, de acordo com o site Python, sua utilidade limitada como medida da qualidade de um pacote.

Não Tão Rápido

No entanto, o PyPi fornece os componentes necessários para outros analisar tendências de downloads; portanto, existem vários sites que permitem mais do que uma faixa de datas de um mês, como o PepySite – mas a maioria é baseada em assinatura, e você precisa pagar para ver as tendências e estatísticas de longo prazo (até $490 USD por mês, no caso do pacote “VC”).

Existe algo que possamos aprender, então, sobre o Python como um índice de aceleração da IA, longe das APIs caras que apresentam essas tendências para os bem-dotados?

Embora o PyPiStats seja um recurso de código aberto, ele oferece apenas as estatísticas do mês mais recente, e essa faixa de datas não pode ser estendida, mesmo por pagamento.

Felizmente, um site é mais generoso – no ClickPy, é possível pesquisar a história de adoção de pacotes individuais, mesmo que a soma deles não seja orquestrada em uma visão geral que facilmente produza tendências coordenadas. Aqui, por exemplo, está a passagem da biblioteca Transformers desde 2016 (embora apenas válido desde seu lançamento em 2019):

A ascensão meteórica dos Transformers. Fonte

E quanto ao venerável Torch, lançado pela primeira vez em 2002, mas não destinado a atormentar entusiastas de IA caseiros até seu desenvolvimento em PyTorch, e o surgimento de VLMs baseados em Transformers e IA gerativa relacionada a imagens e vídeos..?

Downloads do Torch desde 2017, com uma inclinação acentuada para cima nos últimos 2-3 anos.

PyTorch no mesmo período, atingindo um platô e, em seguida, aumentando às vezes sobre uma base estável.

Mais interessante, por exemplo, no caso do PyTorch (veja a imagem diretamente acima), é a visão geral da adoção em diferentes versões do Python desde 2017:

Downloads do PyTorch ao longo do tempo desde 2017, por versão do Python, fornecendo uma dimensão extra de insights sobre a adoção desde a ‘era quente’ dessa terceira revolução da IA.

Se as estatísticas acima iluminam o aumento na adoção desde o advento de sistemas LLM e VLM verdadeiramente capazes, isso se torna ainda mais aparente quando visto por sistema:

Adoção do PyTorch desde 2017, interpretada por sistema operacional.

É uma história semelhante para o pacote accelerate – uma das bibliotecas mais necessárias para usuários de IA com VRAM limitada que buscam extrair o máximo possível das limitações de seus sistemas:

A ascensão do ‘accelerate’, por sistema operacional.

Assim é para qualquer número de pacotes ou bibliotecas que você pesquise no ClickPy, e certamente seria interessante criar uma visão geral em vez de procurar as peças uma a uma.

Uma coisa que se torna evidente a partir dos gráficos “por sistema operacional” é o aumento da adoção do Linux. Embora a adoção do Linux no desktop esteja fazendo um aumento constante, mas lento, no contexto de estratégias impopulares do Windows, o uso de ambientes Linux está claramente em uma ascensão significativa.

Por exemplo, eu executo o Ubuntu virtualizado no WSL2 no Windows para vários contêineres Docker, nos quais o Docker pode aproveitar um sistema Linux genuíno nos mesmos termos que os (presumivelmente) desenvolvedores Linux nativos imaginaram. Isso significa dois sistemas Linux ativos em uma LAN inteiramente Windows (do ponto de vista do hardware), com um laptop Linux nativo aguardando desconectado para momentos mais relaxados.

Conclusão

Em termos de downloads de pacotes baseados em CLI, é interessante notar como esse espaço geeky se tornou ávido e perseguido após a IA.

O aumento no consumo de pacotes está começando a se tornar um perigo de segurança downstream, com o advento de slopsquatting. Como os LLMs são propensos a hallucinar pacotes, eles provavelmente enviarão solicitações para pacotes inventados. Devido à semelhança de convergência, os pacotes falsos provavelmente reaparecerão em outras chamadas de bibliotecas, a ponto de ser lucrativo para atores mal-intencionados fornecer os pacotes falsos para futuras solicitações – claro, com uma carga maliciosa:

Do artigo ‘We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs’ – A geração de código AI impulsionada está expandindo a superfície de ataque da cadeia de suprimentos. LLMs frequentemente hallucinam nomes de pacotes inexistentes, criando vulnerabilidades ‘slopsquatting’ que atores mal-intencionados exploram quando pipelines automatizados puxam dependências não verificadas. Fonte

Publicado pela primeira vez na sexta-feira, 24 de julho de 2026