Instalarea pachetelor Python ca indice al adoptării locale a inteligenței artificiale

Crescerea greu de cuantificat a descărcărilor de pachete Python spune povestea difuziunii inteligenței artificiale, dacă știi unde să cauți.

Opinie Orice persoană care a explorat potențialul inteligenței artificiale locale a pierdut, până acum, o cantitate îngrijorătoare de spațiu pe disc, nu numai din cauza modelului gigantic implicat, ci și din cauza sistemelor Python și similare care orchestrează inferența, antrenamentul și sute de alte utilizări potențiale – nu în ultimul rând, în generarea de sisteme de automatizare locală.

Acest ultim caz de utilizare este cel mai frecvent întâlnit pe diversele mele mașini de pe LAN, unde am utilizat inteligența artificială pentru a configura rutine automate bazate pe Python, cum ar fi backup-ul, verificările periodice, administrarea site-ului meu web și zeci de alte utilizări.

Practic, tot ceea ce doresc să realizez în timpul acestor sesiuni de codare pare să necesite o nouă bibliotecă Python, astfel încât PIP (Instrumentul de instalare a pachetelor Python) este unul dintre cei mai mari consumatori de spațiu pe mașinile mele de pe LAN:

Prezența diminutivă a PIP în CLI și GUI ascunde impactul său asupra sistemului de fișiere. Cache-ul poate ajunge la dimensiuni de fișiere foarte mari, chiar și la nivel de sistem.

Experimentarea cu inteligența artificială locală inversează luxul semnificativ al calculatoarelor locale, anterior erăi actuale de “agățare” a hardware-ului de inteligență artificială. Dacă ați avut o alocație generoasă de RAM, aceasta va fi consumată de offloading-ul GPU; un terabyte de spațiu pe disc va fi repede umplut cu volume mari de modele, cuantificate sau nu; și chiar dacă, așa cum am făcut eu, ați echipat mașina cu 24 GB de VRAM (un nou minim…), sistemul va necesita totuși o varietate de scurtături și trucuri pentru a rula inferența la intervale de timp rezonabile.

Pachetele PyPi instalate nu apar în interfețele grafice standard “Programe instalate” într-un sistem de operare mainstream și trebuie să fie explicit solicitate, prin Python, de exemplu, prin comanda PowerShell pip freeze --all.

Lista poate fi surprinzător de lungă:

O descărcare a instalațiilor PyPi pe una dintre mașinile mele mai aglomerate. Unele dintre aceste cuvinte mici ascund gigabiți de spațiu pe disc – în special orice legătură cu Torch/PyTorch.

În scurt, inteligența artificială locală poate readuce experiența de calcul la începutul anilor 1990, puțin după perioada în care un program precum Word trebuia încărcat în câțiva kilobiți de RAM, un disc flexibil mare la un moment dat; dar înainte de alocările de spațiu pe disc să vă ofere spațiu de respirație.

Aflarea curentului subteran

Eram curios dacă o creștere a instalațiilor PyPi în ultimii ani ar putea servi ca indice pentru adoptarea inteligenței artificiale locale, care, în general, este destul de greu de urmărit, cu excepția intuiției atunci când participați la diverse comunități de inteligență artificială și observați care platforme și pachete atrag atenție.

O privire casuală asupra site-ului PyPiStats arată o gamă de date îngustă, toate indicând o creștere constantă a descărcărilor:

Creșterea descărcărilor pentru toate pachetele Python de la începutul anului 2026 – deși gama de date disponibile este foarte îngustă. Sursă

Ar fi minunat să extindem această gamă de date până la 2020 și să vedem dacă creșterea rămâne constantă, sau (așa cum s-ar putea suspecta), a crescut mai puternic în perioada 2024-26 – dacă nu pentru acțiunile neînsoțite ale sistemelor de inteligență artificială agențice.

Din nefericire, sursele oficiale PyPi arată că statisticile de descărcare pentru PyPi nu sunt disponibile, din diverse motive, inclusiv suprasarcina de cache CDN, numărătoare de descărcări inexacte cauzate de cache, oglinzi, inflație de descărcări neoficiale și probleme de calitate a datelor istorice – și, conform site-ului Python, utilitatea lor limitată ca măsură a calității unui pachet.

Nu atât de repede

Cu toate acestea, PyPi oferă componentele necesare pentru alții să analizeze tendințele de descărcare; există, prin urmare, diverse site-uri care permit o gamă mai mare de date, cum ar fi PepySite – dar majoritatea sunt bazate pe abonament, și trebuie să plătiți pentru a vedea tendințele și statisticile pe termen lung (până la $490 USD pe lună, într-un caz, pentru pachetul “VC”).

Există, atunci, ceva ce putem înțelege despre Python ca indice al accelerării inteligenței artificiale, departe de API-urile costisitoare care prezintă aceste tendințe pentru cei avuți?

Deși PyPiStats este o resursă FOSS, oferă, dintr-un anumit motiv, doar statisticile lunii curente, și această gamă nu poate fi extinsă, nici măcar prin plată.

În mod fericit, un site este mai generos – la ClickPy, puteți căuta, de exemplu, istoria de adoptare a pachetelor individuale, chiar dacă suma acestora nu este orchestrată într-o vedere de ansamblu care să ofere cu ușurință tendințe coordonate mai ample. Aici, de exemplu, este prezentată evoluția bibliotecii Transformers din 2016 (deși valabilă doar de la lansarea sa în 2019):

Ascensiunea meteorică a bibliotecii Transformers. Sursă

Ce despre vechea bibliotecă Torch, lansată pentru prima dată în 2002, dar care nu a fost destinată să îi chinuiască pe entuziaștii inteligenței artificiale locale până la dezvoltarea sa în PyTorch, și ascensiunea modelului Transformer și a inteligenței artificiale generative legate de imagini și videoclipuri..?

Descărcările Torch de la 2017, cu o creștere abruptă în ultimii 2-3 ani.

PyTorch în aceeași perioadă, cu o platou și apoi o creștere bruscă deasupra unei baze stabile.

Mai interesant, de exemplu, în cazul PyTorch (a se vedea imaginea de mai sus), este prezentarea adoptării pe diverse versiuni Python din 2017:

Descărcările PyTorch de-a lungul timpului, de la 2017, pe versiuni Python, oferind o dimensiune suplimentară de înțelegere a adoptării de la “era fierbinte” a acestei a treia revoluții a inteligenței artificiale.

Dacă statisticile de mai sus iluminează creșterea adoptării de la apariția sistemelor LLM și VLM cu adevărat capabile, aceasta devine și mai evidentă atunci când este vizualizată pe sistem:

Adoptarea PyTorch de la 2017, interpretată pe sistem de operare.

Este o poveste similară și pentru pachetul accelerate – una dintre cele mai necesare biblioteci pentru utilizatorii de inteligență artificială cu resurse limitate de VRAM, care încearcă să obțină cât mai mult din limitările sistemului lor:

Ascensiunea pachetului accelerate, pe sistem de operare.

Așa se întâmplă și pentru orice alt pachet sau bibliotecă pe care o cercetați la ClickPy, și cu siguranță ar fi interesant să creați o vedere de ansamblu în loc să căutați piesele individuale.

Una dintre lucrurile care devin evidente din graficele “pe sistem de operare” este creșterea adoptării Linux. În timp ce adoptarea desktop-ului Linux este în creștere constantă în fața unor strategii nepopulare ale Windows, utilizarea mediilor Linux este clar într-o ascensiune semnificativă.

De exemplu, rulez Ubuntu virtualizat pe WSL2 în Windows pentru diverse containere Docker, în care Docker poate utiliza un sistem Linux autentic pe aceleași termene ca și dezvoltatorii. Acesta este al doilea sistem Linux activ într-o rețea LAN completă Windows (din punct de vedere al metalului gol), cu un laptop Linux nativ care așteaptă deconectat pentru perioade mai leneșe.

Concluzii

În ceea ce privește descărcările de pachete bazate pe CLI, este interesant de remarcat cât de avid și urmărită a devenit această zonă foarte tehnică în urma inteligenței artificiale.

Creșterea consumului de pachete este pe cale să devină un pericol de securitate în aval, odată cu apariția slopsquatting-ului. Deoarece LLM-urile sunt predispuse să “halucineze” pachete, ele sunt susceptibile să trimită solicitări pentru pachete inventate. Din cauza convergenței similare, pachetele false sunt susceptibile să reapară în alte apeluri de biblioteci, până la punctul în care este valoros pentru actorii răi să creeze pachetele false pentru extrageri viitoare/apeluri – desigur, cu o încărcătură malignă:

Din lucrarea ‘We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs’ – Generarea de cod bazată pe inteligență artificială extinde suprafața de atac a lanțului de aprovizionare. LLM-urile frecvent ‘halucinează’ nume de pachete inexistente, creând vulnerabilități ‘slopsquatting’ pe care actorii răi le exploatează atunci când conductele automate extrag dependențe neverificate. Sursă

Publicat pentru prima dată vineri, 24 iulie 2026