Python如何成为AI时代红牌语言

“我们与恶的距离”，这是台湾2019年最红的一个关键字，Google搜寻每年都会列出，全球各地的关键字排行榜，来反应这一年人们最关注的话题。

开发圈也有一个流行度排行榜——TIOBE（全球开发语言排行榜），同样整合了全球各大搜索引擎对不同开发语言的搜寻热度，估算出了每个开发语言每个月的热门程度。Java语言和C语言，不断轮流抢夺龙头宝座，几乎包办了过去20年的冠亚军。但是，有一匹黑马，从2017年底窜出，抛开了紧追在后的Visual Basic、JavaScript或PHP，在2018年更快速地超越了C#、C++的流行程度，在2019年6月，挤进了前三甲，更有挑战两大龙头的地位，这个开发语言的新主流，就是Python，也正是在AI应用大爆发的这两年，最受资料科学家青睐的语言，甚至，Python被誉为是AI时代的主流语言（Lingua Franca）。

开发圈热门问答网站Stack Overflow每年都会进行一次开发者大调查，2019年的调查结果发现，Python打败了Java，成为工程师最喜欢的第二个语言，仅次于Rust。不只是偏爱，实际应用上，在常用语言排名中，Python名次也攀升到第四，仅次于JavaScript、HTML/CSS、SQL这些网站常见技术之后，但远超过了其他开发语言。这意味着，越来越多人使用Python来开发程式，正在使用的开发者想要持续使用它，更有许多开发者想要学。

若观察TIOBE近20年来的程式语言网络声量趋势，不难发现Python处于稳定上升的状态，自2018年9月超过C++之后，更是持续与一众语言拉开流行度差距，因快速成长的潜力，还一口气拿过2007、2010、2018年的年度语言冠军。

不只开发者偏爱，Python也是许多开发专案、软件常用的技术。在全球最大开源专案平台GitHub上，去年年度报告统计，Python首次超过Java，成为GitHub上第二流行的语言，仅次于JavaScript，这意味着使用Python的开发专案数量，是全球第二多。

为何这么多开发专案爱用？GitHub报告直言，快速扩张的资料科学社群，就是Python窜红的关键。随着AI应用崛起，许多科学计算、数据分析的函式库与套件纷纷出笼，而且都支援或直接使用Python语言来开发。

其实，Python语言快要30岁了，已经不年轻了！1989年，一名荷兰工程师Guido Van Rossum在圣诞节闲暇之余，决定为正在构思的一个新脚本语言写一个直译器，并从热爱的电视喜剧（Monty Python\'s Flying Circus）中，取Python来为专案命名。由于Van Rossum曾参与ABC程式语言的开发，欣赏它简洁优美的语法，因此，他也让Python继承了这项特色，打造出一个能替代Unix shell与C来进行系统管理的新语言。

Python的诞生，就是追求更好的程式码可读性，更简洁的语法，这些语法简洁、简单易用的语言设计，更让它在1991年开源之后，逐渐吸引了不少网站工程师爱用，逐渐成为热门脚本语言之一，也经常与Perl、Shell Script混搭，用于Web服务器的后端脚本程式开发上，来建立动态网页应用。

不只是一种技术风格，Python语言的简洁设计，后来更发展成一种程式开发的哲学。1999年，创造出Timesort混合排序算法的工程师Tim Peters，列出了20条Python设计禅学（The Zen of Python），比如“优美优于丑陋，明了优于隐晦，简单优于复杂，复杂优于凌乱……”等原则。这篇Python知名贡献者的文章，后来更列入了Python官方建议准则中（Python Enhancement Proposals，PEP），作为程式码撰写原则，更成了后来许多工程师，开发Python程式时的习惯。

用更少的程式码来表达想法，让程式的结构更清晰明了，俨然成了Python开发圈特有的风气和特质。

不只是一种好看好懂的语言而已，Python对C语言的高度支援，也是开发者爱用的另一大原因。开发者可以借助Python的简洁来加快开发过程，又容易以C作为底层架构来整合其他语言的模组，提高程式码的执行速度，同时兼顾开发与执行的效率。这也让Python赢得胶水语言（glue language）的称号，来形容Python很适合用于串接到各式各样的系统（例如数据库），或在数据计算时，用来连接其他语言编写的函式库等，用途相当广。

经过多年的发展后，Python的主要定位，是在专业严谨与实用性之间作出平衡，以胶水语言的身份，将各种不同技术串接成完整系统。这个特色，逐渐让Python在众多领域中崭露头角，甚至已经在今日横向扩展成一个庞大的生态系，不但在专业资安领域，被公认为网络攻防应用的首选，在云端运算资源管理、IoT管理、Web开发、DevOps领域，也成为主流语言之一，近几年来，在资料科学领域的崛起，更奠定了AI开发第一语言的地位。

Python TIOBE流行趋势线

 2006年  微软.NET开始支援Python，带动一波热潮，Python甚至成为TIOBE 2007年度语言，流行度超越Perl和C#。

 2008年  Python 2.7改版Python 3，因与Python 2不完全相容，引起不少社群反弹声浪。

 2014年  Jupyter组织释出了一款Web版程式开发工具Jupyter Notebook，成了Python在AI领域普及的关键。

 2017年  Python从2017年底流行度开始攀升，在2018年大幅超越了C#、C++的流行程度。

 2019年6月  全球流行度挤进前三名，紧追在C与Java之后。

AI如何助攻Python大受欢迎

要了解Python在AI领域为何盛行？首先，可以从资料科学家写程式的目的来分析。由于大多资料科学家在开发算法时，程式语言相对只是一种达成目的的工具，更重要的是算法本身的设计与验证。因此，一个能快速上手的程式语言，以及能降低程式语言设计门槛的开发环境，就显得非常重要。

而Python的一大优点，就是具备了高阶程式语言简洁易读、易学的特色，常被视为好上手的入门程式语言之一，符合了易于使用的需求；同时，Python拥有完整且多元的函式库与框架，背后则有庞大社群在贡献程式码、维运工具与套件，让开发人员可以无后顾之忧的套用所需功能的程式，不需从头开始开发，能更专注于算法的设计。

长期浸淫在Python科学计算领域近20年的交大AI学院副教授魏泽人，就根据自己使用Python的经验分享，“Python的套件管理库，各式各样的功能都有”，开发者不用担心开发专案时，得从头开始打造某一个功能，“基本上都已经有人写好了，只要透过pip工具直接安装即可，非常方便。”他强调。

魏泽人更点出资料科学家爱用这项语言的另一个关键。他解释，资料科学家开发算法时，多半是实验性、探索式的尝试，与建置网站这种目的式的开发需求截然不同，而直译式语言的Python，能让开发者在修改程式后，一步步执行每一段程式码，来了解其功能，“开发者与程式的互动性更高，比起编译式语言更适合实验及探索。”

再加上，Python像胶水语言般的特性，能轻松地将其他程式语言编写的各种模组整合在一起，更吸引到其他非资料科学领域开发者的喜爱。对讲究实用的企业而言，资料科学家开发出一个新的算法后，要实际落地应用到业务场景时，Python就能成为资料团队与其他部门工程师协同合作的共同语言。

比如国泰世华银行数据生态营运部协理吴香妮就指出，原先资料科学团队较常用R、SAS来开发应用，现在则主推Python，其中原因，就是要让专注于算法开发的资料科学家，能与API开发的工程师共同协作。

对此，魏泽人也有相同的观点。学术界从1990年代起，研究数值分析、机器学习算法时，最主流的软件是需付费购买授权的Matlab。但从整个资料科学界来说，他认为，开源的Python，能通用于其他程式设计领域，如Web开发、网络爬虫或写个小工具等，“就结果论来说，Python才是数值计算与程式设计族群，都能接受的程式语言。”

先从数学和科学计算领域开始流行

Python在2000年开始，就是数学、物理、科学计算的工具之一，当时，魏泽人也用来执行数学计算的任务，“Python有一些程式语言的特性，相当适合数学计算。”比如说，Python的list comprehension语法，类似数学集合的写法，可让使用者以更简单直觉的方式来建构列表（list），所以受数学背景的人喜爱，在整数计算上面，因为Python内建的整数没有大小的上限，也适合用来解数论、组合、离散这类常会碰到大整数的数学问题。

在2000年之后，Python科学计算领域中，开始出现了Scipy开源函式库，提供更完整的数值计算、矩阵计算等功能，2001年也举办了第一届Scipy年会，让开发者能互相交流以Python编写的最新科学专案，而后，更多函式库如Matplotlib、Numpy、Pandas开源释出，也吸引科学计算社群逐渐扩大。

2014年，致力于推动程式语言开放标准Jupyter组织释出了一款Web版程式开发工具Jupyter Notebook，更成了Python在AI领域普及的关键。这个介于复杂的整合式开发工具IDE和程式码文字编辑器之间的工具，可以快速将算法程式，套用到数据资料上来绘制各类图表，大幅降低了Python的使用门槛，因而深受资料科学家的喜爱。

台湾极少数成为Python软件包官方机构（The Python Packaging Authority）活跃贡献者的锺子屏这么形容：“Jupyter Notebook之于ML，就类似Excel之于会计一样。”就像Excel可以自动、快速执行各种会计计算，将计算结果视觉化，而Jupyter Notebook就是一个让资料科学家开发、执行程式码的互动式开发环境，能将资料视觉化来辅助开发。

有趣的是，虽然Jupyter Notebook并非Python的专属开发工具，目前支援多种主流直译式语言如Python、R、Julia，但它的前身是IPython Notebook，是一款基于Python提供互动运算命令界面的记事本，本来就是支援Python为主，后来多支援了Julia与R语言，才改名为Ju-pyt-er Notebook。因此，这款工具对于Python的极高支援性，成为资料科学家选用Python的重要理由。

Python资料科学领域逐渐丰富的开源函式库、框架、IDE、套件工具，大幅提升AI开发的便利性，吸引更多人、甚至大企业都用来开发AI应用。而大企业加入后，不仅更多产品、服务开始支援Python，各类套件工具也推陈出新。

比如Google 2015年开源的ML框架TensorFlow有支援Python，脸书在2016年也开源以Python开发的ML框架Pytorch，几乎成为成长速度最快的两种ML框架。再加上，专门为Python设计的开发环境Pycharm，以及CPython、Jython、Pypy、IronPython等直译器，这些套件与工具，都不同程度的助攻Python成为AI时代的流行语言。

不只AI，Python早就在Web应用大展身手

尽管近几年，随着资料科学爆红，更带动了Python的人气，但对Web领域而言，Python早就是一个广泛好用的热门技术。比如IDE厂商JetBrains在2018年开发者报告就指出，Python社群中，58%的开发者曾用Python来开发资料分析应用，但也有52％的人用来开发Web应用。这意味着，尽管不少资料科学家壮大了Python社群，但社群本身在其他领域应用Python的基数，也不容小觑。

早从1990年代开始，Python常用于网页后端的脚本开发上，不过，当时最流行的脚本语言还是Perl、Shell Script等，Python顶多排第三，获得部分开发者的支持。2000年后，开始出现了以Python开发的Web应用服务器Zope，以及建立于Zope之上的开源内容管理系统Plone，受到部分Web开发者的青睐。不过，当时主流的Web开发语言像是Java、PHP、C#，各种语言均有人青睐，Python并没有绝对的优势。

而后，Python今日最热门的两种Web应用框架，Django与Flask，分别在2005、2010年释出，逐渐将Python也推上网页后端与Web应用开发领域的常用语言，尤其，Django能让开发者快速建立起高可用性的后台，而Flask适合用于轻量级的网站，也适合用来开发API。

Python也不只能用于简单用途或小型任务，也有许多超大型的应用实例，像Google搜遍所有网站内容的网络爬虫，就是用Python开发的程式。Dropbox也用Python开发了超过400万行程式码，就连Instagram数十亿用户的互动环境，也靠Python与Django框架来打造。

虽然目前在TIOBE开发语言排行榜上，Java和 C分居前两名，Python靠AI崛起才后来居上，名列第三，不过，Python的发展还没到顶，未来的成长潜力与空间，还有机会能更进一步。

Python的两大难题

Python的两大难题，就是最佳化与平行处理的能力。

以Python而言，作为一个高阶语言，语法简洁、程式码可读性高为一大优点，适合程式设计初学者入门学习；但反过来说，已经熟悉了其他语言的开发者，比如语法严谨的C或Java，要转换成Python可能有些适应不良，Python的强制缩排语法特色，也可能让开发者很不习惯。

Python作为直译式语言，尽管因互动性高、除错快等优点，能让开发者更弹性且快速的进行探索式的开发，比如近年来资料科学领域盛行的R、Metlab等语言，就同属这类。不过，也因需要一步步直译程式码，先天上就会比编译式语言花上更多的执行时间，影响程式的执行速度变慢。

而且，Python同时也是一个动态语言，开发者不需先宣告变数的型态，回传型态也不需宣告，能让语法更简洁、弹性，不过，这也造成难以除错的问题，型态错误可能在执行程式时才会呈现出来，影响程式执行效能不理想。魏泽人举例，当一个变数写成number=3，若不小心打错成nmber=3时，在静态语言中，会因与宣告的型态不同而自动警告，但在动态语言中，它可能认定为，有一个新的变数叫做nmber，并不视为一个错误。也就是说，由于动态语言的弹性较大，对编译器来说，也较难最佳化。

另外，Python还有全域性直译器锁GIL 的限制，难以让一个Python程式在多核心的处理器上进行平行处理。魏泽人解释，由于平行处理能增加执行效率，程式常被拆分到不同执行绪来执行，不过，Python为了避免多执行绪内存及资源读写次序不一致的问题，就内建了一个GIL，来限制每次只有一个执行绪能执行资源存取。

也就是说，GIL本意是要解决执行绪间资料同步合作的困难，却也因此局限了平行处理的效能。但这个问题并非无解，常用的解决方法，可用multiprocessing取代threading，让每个程序有独立的内存，再例外由通讯交换资料，或建立特定共用内存；另一种方式是利用外部资料科学的函式库如Numpy、TensorFlow，来处理需要大量计算的部分。

总结来说，Python身为一个直译式的动态语言，加上GIL的设定，最佳化、平行处理能力较差，影响了程式执行效率。不过，借着发挥胶水语言的优势，Python也能与其他如C、Java等编译式语言结合，来加速运算执行。

 相关报导  AI时代开发语言新主流Python