Anderson’un Açısı
Python Paket Kurulumları Yerel AI Benimsenmesinin Bir Göstergesi Olarak
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Zor量ulan Python paket indirme artışları, AI yayılımının hikayesini anlatıyor, ancak nerede bakacağınızı bilmeniz gerekiyor.
Görüş Yerel AI potansiyelini araştıran herkes, büyük olasılıkla yerel AI ile ilgili olarak disk alanını sadece devasa modellere değil, aynı zamanda AI çıkarımı, eğitimi ve diğer potansiyel kullanımları düzenleyen ilgili Python ve benzeri sistemlere de kaybetmiştir.
Benim LAN’deki çeşitli makinelerimde en yaygın kullanım durumu, AI kullanarak ‘düz’ Python tabanlı otomatik rutinler kurmak için kullanılır, örneğin yedekleme, periyodik kontroller, web sitemin yönetimi ve diğer birçok kullanım.
Pratik olarak, bu kodlama oturumlarında gerçekleştirmeye çalıştığım her şey, yeni bir Python kütüphanesine ihtiyaç duyar, bu nedenle PIP (Python Paket Yükleyici), LAN makinelerimdeki en büyük alan hırsızlarından biridir:
PIP’in CLI ve GUI’lerdeki küçük varlığı, dosya sisteminizdeki etkisini gizler. Önbellek çok yüksek, hatta sistem-bozucu dosya boyutlarına ulaşabilir.
Yerel AI ile deney yaparken, yerel bilgisayarların önemli ölçüde lüksünü tersine çevirir, AI donanımının current era’sındaki AI donanımı ele geçirilmeden önce. Eğer cömert bir RAM izininiz varsa, bu GPU offloading ile tüketilecek; bir terabayt sabit disk alanı da, yüksek hacimli modellerle, nicelleştirilmiş veya değil, hızla dolacaktır ve hatta 24GB VRAM ile donatılmış olsam da, sistem masihreasonable zaman çerçevelerinde çıkarımı çalıştırmak için çeşitli kısayollar ve hilelere ihtiyaç duyacaktır.
Yüklü PyPi (Python Paket İndeksi) paketleri, standart “Yüklü programlar” GUI’lerinde görünmez ve Python gibi açıkça belirtilmesi gerekir, örneğin PowerShell komutu pip freeze --all ile.
Liste şaşırıcı derecede uzundur:
| Paket | Sürüm | Paket | Sürüm | Paket | Sürüm |
|---|---|---|---|---|---|
| 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 |
Birkaç makinemden PyPi kurulumlarının bir dökümü. Bu küçük kelimelerin bazıları gigabaytlarca disk alanını gizler – özellikle Torch/PyTorch ile ilgili her şey.
Kısaca, yerel AI, bilgisayarınızın deneyimini 1990’ların başlarına geri götürebilir, kelimenin tam anlamıyla bir programın birkaç KB RAM’e yüklenmesi gereken bir dönemden biraz sonra; ancak hard disk tahsisi size nefes alma alanı verdiğinde.
Alt Akımları Bulma
Son birkaç yıldır PyPi kurulumlarında bir artışın yerel AI benimsenmesinin bir göstergesi olarak hizmet edip edemeyeceğini merak ediyordum, ki bu genellikle oldukça zor takip edilebiliyor, ancak çeşitli AI topluluklarına katılırken ve hangi platformların ve paketlerin dikkat çektiğini not ederken sezgi yoluyla takip edilebilir.
PyPi istatistikleri web sitesine göz attığımızda, üzücü bir şekilde dar bir tarih aralığı görüyoruz, ancak tümü, indirme sayısında sürekli bir artış olduğunu gösteriyor:
2026 başından bu yana tüm Python paketlerinde indirme artışları – ancak kullanılabilir tarih aralığı çok dar. Kaynak
Eğer bu tarih aralığını 2020’ye kadar genişletebilseydik ve artışın sabit olup olmadığını veya (sanıldığı gibi) 2024-26’da daha keskin bir şekilde yükseldiğini görebilseydik harika olurdu – sadece ajentik AI sistemlerinin denetimsiz eylemleri için.
Maalesef, resmi PyPi kaynakları, indirme istatistiklerinin PyPi için mevcut olmadığını belirtiyor, bu da CDN önbellek yükleri, önbellekler, ayna ve resmi olmayan indirme enflasyonu ve tarihi veri kalitesi sorunları gibi nedenlerle indirme sayılarının paket kalitesinin bir ölçüsü olarak sınırlı yararlılığına işaret ediyor.
Şimdi Durun
Ancak PyPi, indirme eğilimlerini analiz etmek için gereken bileşenleri sağlar; bu nedenle, PepySite gibi daha uzun bir tarih aralığını gösteren çeşitli web siteleri vardır, ancak çoğu abonelik tabanlıdır ve daha uzun süreli trendleri ve istatistikleri görmek için ödeme yapmanız gerekir (bir örnekte $490 USD/ay için ‘VC’ paketi).
Python’un AI ivmelenmesinin bir göstergesi olarak ne öğrenebiliriz, pahalı API’lerin bu trendleri gösterdiği gibi?
PyPiStats bir FOSS kaynağıdır, ancak bazı nedenlerle sadece en son ayın istatistiklerini sunar ve bu aralık uzatılamaz, hatta ödeme karşılığında bile.
Şanslıyız ki, bir site daha cömert – ClickPy – burada en azından bireysel paketlerin benimsenme geçmişini arayabilirsiniz, hatta toplamı bir genel trendi kolayca ortaya koymasa da:
Transformörlerin meteorik yükselişi. Kaynak
İlk olarak 2002’de yayınlanan ancak PyTorch’e dönüşerek ve Transformer tabanlı VLM’ler ve görüntüler ve videolarla ilgili üreten AI’nin yükselişiyle birlikte ev yapımı AI severleri zorlamaya başlayan Torch için ne olacak?
2017’den beri Torch indirme sayıları, son 2-3 yılda keskin bir şekilde yukarı doğru eğim gösteriyor.
Aynı dönemdeki PyTorch, bir süre sonra sabit bir temel üzerinde zirveye ulaşıyor.
Örneğin PyTorch için (yukarıdaki resme bakın), 2017’den bu yana çeşitli Python sürümleri boyunca benimsenme görünümü daha ilginç:
2017’den bu yana PyTorch indirme sayıları, Python sürümlerine göre, bu üçüncü AI devrimi döneminde benimsenme hakkında ek bir boyut sağlayan bir görünüm.
Eğer yukarıdaki istatistikler, gerçekten yetenekli LLM ve VLM sistemlerinin ortaya çıkışı ile birlikte artış gösteren trendi aydınlatıyorsa, bu durum sistem tarafından yorumlandığında daha da belirgin hale geliyor:
2017’den bu yana PyTorch benimsenmesi, işletim sistemi tarafından yorumlandı.
VRAM ile boğuşan AI kullanıcıları, sistemlerinin sınırlamalarından mümkün olduğunca fazla şey çıkarmaya çalışanlar için en çok gereken kütüphanelerden biri olan hızlandırma paketi için benzer bir hikaye vardır:
Hızlandırma, işletim sistemi tarafından.
ClickPy’de araştırdığınız herhangi bir paket veya kütüphane için böyle devam eder ve gerçekten de bir genel bakış oluşturmak yerine parçaları tek tek aramak intéressant olurdu.
‘İşletim sistemi tarafından’ grafiklerinden biri, Linux benimsenmesindeki artıştır. Linux masaüstü benimsenmesi, popüler olmayan Windows stratejilerine rağmen yavaş ama istikrarlı bir yükseliş gösterirken, ortamların kullanımı açıkça önemli bir yükselişte.
Örneğin, ben WSL2’de Ubuntu’yu sanal olarak çalıştırıyorumWindows için çeşitli Docker konteynırları için, Docker’ın geliştiricilerin hayal ettiği gibi aynı şartlarda gerçek bir Linux sistemini kullanmasına izin veriyor. Bu, Windows tabanlı bir ağda (çiplerden bakış açısına göre) iki aktif Linux sistemi ve bekleyen bir yerel Linux dizüstü bilgisayarıdır.
Sonuç
CLI tabanlı paket indirme açısından, bu çok teknik alanın AI’nin ardından nasıl arzu edildiğini ve takip edildiğini not etmek intéressanttır.
Paket tüketimindeki artış, slopsquatting ile birlikte bir güvenlik tehlikesine dönüşmeye başlıyor. AI tarafından üretilen kod, paketlerin hayaliğini yaratmaya eğilimlidir, bu nedenle gerçekten de uydurma paketler için talepleri gönderirler. Benzerlik nedeniyle, sahte paketler diğer kütüphane çağrılarında yeniden ortaya çıkacaktır, böylece kötü aktörlerin gerçekten sahte paketleri gelecekteki çekme çağrıları için hazırlamaları değerlidir – elbette, kötü amaçlı bir yük ile:
Kod üreten LLM’lerin Paket Hallüsinasyonlarının Kapsamlı Analizi adlı makaleden – AI tarafından üretilen kod, tedarik zinciri saldırı yüzeyini genişletiyor. LLM’ler thường不存在 paket adları hayal ediyor, kötü aktörlerin otomatik boru hatları doğrulanmamış bağımlılıkları çektiğinde ‘slopsquatting’ zafiyetleri oluşturuyor. Kaynak
İlk olarak Cuma, 24 Temmuz 2026’da yayınlandı
