Python如何成為AI時代紅牌語言

「我們與惡的距離」，這是臺灣2019年最紅的一個關鍵字，Google搜尋每年都會列出，全球各地的關鍵字排行榜，來反應這一年人們最關注的話題。

開發圈也有一個流行度排行榜——TIOBE（全球開發語言排行榜），同樣整合了全球各大搜尋引擎對不同開發語言的搜尋熱度，估算出了每個開發語言每個月的熱門程度。Java語言和C語言，不斷輪流搶奪龍頭寶座，幾乎包辦了過去20年的冠亞軍。但是，有一匹黑馬，從2017年底竄出，拋開了緊追在後的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，擠進了前三甲，更有挑戰兩大龍頭的地位，這個開發語言的新主流，就是Python，也正是在AI應用大爆發的這兩年，最受資料科學家青睞的語言，甚至，Python被譽為是AI時代的主流語言（Lingua Franca）。

開發圈熱門問答網站Stack Overflow每年都會進行一次開發者大調查，2019年的調查結果發現，Python打敗了Java，成為工程師最喜歡的第二個語言，僅次於Rust。不只是偏愛，實際應用上，在常用語言排名中，Python名次也攀升到第四，僅次於JavaScript、HTML/CSS、SQL這些網站常見技術之後，但遠超過了其他開發語言。這意味著，越來越多人使用Python來開發程式，正在使用的開發者想要持續使用它，更有許多開發者想要學。

若觀察TIOBE近20年來的程式語言網路聲量趨勢，不難發現Python處於穩定上升的狀態，自2018年9月超過C++之後，更是持續與一眾語言拉開流行度差距，因快速成長的潛力，還一口氣拿過2007、2010、2018年的年度語言冠軍。

不只開發者偏愛，Python也是許多開發專案、軟體常用的技術。在全球最大開源專案平臺GitHub上，去年年度報告統計，Python首次超過Java，成為GitHub上第二流行的語言，僅次於JavaScript，這意味著使用Python的開發專案數量，是全球第二多。

為何這麼多開發專案愛用？GitHub報告直言，快速擴張的資料科學社群，就是Python竄紅的關鍵。隨著AI應用崛起，許多科學計算、數據分析的函式庫與套件紛紛出籠，而且都支援或直接使用Python語言來開發。

其實，Python語言快要30歲了，已經不年輕了！1989年，一名荷蘭工程師Guido Van Rossum在聖誕節閒暇之餘，決定為正在構思的一個新腳本語言寫一個直譯器，並從熱愛的電視喜劇（Monty Python's Flying Circus）中，取Python來為專案命名。由於Van Rossum曾參與ABC程式語言的開發，欣賞它簡潔優美的語法，因此，他也讓Python繼承了這項特色，打造出一個能替代Unix shell與C來進行系統管理的新語言。

Python的誕生，就是追求更好的程式碼可讀性，更簡潔的語法，這些語法簡潔、簡單易用的語言設計，更讓它在1991年開源之後，逐漸吸引了不少網站工程師愛用，逐漸成為熱門腳本語言之一，也經常與Perl、Shell Script混搭，用於Web伺服器的後端腳本程式開發上，來建立動態網頁應用。

不只是一種技術風格，Python語言的簡潔設計，後來更發展成一種程式開發的哲學。1999年，創造出Timesort混合排序演算法的工程師Tim Peters，列出了20條Python設計禪學（The Zen of Python），比如「優美優於醜陋，明瞭優於隱晦，簡單優於複雜，複雜優於凌亂……」等原則。這篇Python知名貢獻者的文章，後來更列入了Python官方建議準則中（Python Enhancement Proposals，PEP），作為程式碼撰寫原則，更成了後來許多工程師，開發Python程式時的習慣。

用更少的程式碼來表達想法，讓程式的結構更清晰明瞭，儼然成了Python開發圈特有的風氣和特質。

不只是一種好看好懂的語言而已，Python對C語言的高度支援，也是開發者愛用的另一大原因。開發者可以藉助Python的簡潔來加快開發過程，又容易以C作為底層架構來整合其他語言的模組，提高程式碼的執行速度，同時兼顧開發與執行的效率。這也讓Python贏得膠水語言（glue language）的稱號，來形容Python很適合用於串接到各式各樣的系統（例如資料庫），或在數據計算時，用來連接其他語言編寫的函式庫等，用途相當廣。

經過多年的發展後，Python的主要定位，是在專業嚴謹與實用性之間作出平衡，以膠水語言的身份，將各種不同技術串接成完整系統。這個特色，逐漸讓Python在眾多領域中嶄露頭角，甚至已經在今日橫向擴展成一個龐大的生態系，不但在專業資安領域，被公認為網路攻防應用的首選，在雲端運算資源管理、IoT管理、Web開發、DevOps領域，也成為主流語言之一，近幾年來，在資料科學領域的崛起，更奠定了AI開發第一語言的地位。

Python TIOBE流行趨勢線

 2006年  微軟.NET開始支援Python，帶動一波熱潮，Python甚至成為TIOBE 2007年度語言，流行度超越Perl和C#。

 2008年  Python 2.7改版Python 3，因與Python 2不完全相容，引起不少社群反彈聲浪。

 2014年  Jupyter組織釋出了一款Web版程式開發工具Jupyter Notebook，成了Python在AI領域普及的關鍵。

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

 2019年6月  全球流行度擠進前三名，緊追在C與Java之後。

AI如何助攻Python大受歡迎

要了解Python在AI領域為何盛行？首先，可以從資料科學家寫程式的目的來分析。由於大多資料科學家在開發演算法時，程式語言相對只是一種達成目的的工具，更重要的是演算法本身的設計與驗證。因此，一個能快速上手的程式語言，以及能降低程式語言設計門檻的開發環境，就顯得非常重要。

而Python的一大優點，就是具備了高階程式語言簡潔易讀、易學的特色，常被視為好上手的入門程式語言之一，符合了易於使用的需求；同時，Python擁有完整且多元的函式庫與框架，背後則有龐大社群在貢獻程式碼、維運工具與套件，讓開發人員可以無後顧之憂的套用所需功能的程式，不需從頭開始開發，能更專注於演算法的設計。

長期浸淫在Python科學計算領域近20年的交大AI學院副教授魏澤人，就根據自己使用Python的經驗分享，「Python的套件管理庫，各式各樣的功能都有」，開發者不用擔心開發專案時，得從頭開始打造某一個功能，「基本上都已經有人寫好了，只要透過pip工具直接安裝即可，非常方便。」他強調。

魏澤人更點出資料科學家愛用這項語言的另一個關鍵。他解釋，資料科學家開發演算法時，多半是實驗性、探索式的嘗試，與建置網站這種目的式的開發需求截然不同，而直譯式語言的Python，能讓開發者在修改程式後，一步步執行每一段程式碼，來了解其功能，「開發者與程式的互動性更高，比起編譯式語言更適合實驗及探索。」

再加上，Python像膠水語言般的特性，能輕鬆地將其他程式語言編寫的各種模組整合在一起，更吸引到其他非資料科學領域開發者的喜愛。對講究實用的企業而言，資料科學家開發出一個新的演算法後，要實際落地應用到業務場景時，Python就能成為資料團隊與其他部門工程師協同合作的共同語言。

比如國泰世華銀行數據生態營運部協理吳香妮就指出，原先資料科學團隊較常用R、SAS來開發應用，現在則主推Python，其中原因，就是要讓專注於演算法開發的資料科學家，能與API開發的工程師共同協作。

對此，魏澤人也有相同的觀點。學術界從1990年代起，研究數值分析、機器學習演算法時，最主流的軟體是需付費購買授權的Matlab。但從整個資料科學界來說，他認為，開源的Python，能通用於其他程式設計領域，如Web開發、網路爬蟲或寫個小工具等，「就結果論來說，Python才是數值計算與程式設計族群，都能接受的程式語言。」

先從數學和科學計算領域開始流行

Python在2000年開始，就是數學、物理、科學計算的工具之一，當時，魏澤人也用來執行數學計算的任務，「Python有一些程式語言的特性，相當適合數學計算。」比如說，Python的list comprehension語法，類似數學集合的寫法，可讓使用者以更簡單直覺的方式來建構列表（list），所以受數學背景的人喜愛，在整數計算上面，因為Python內建的整數沒有大小的上限，也適合用來解數論、組合、離散這類常會碰到大整數的數學問題。

在2000年之後，Python科學計算領域中，開始出現了Scipy開源函式庫，提供更完整的數值計算、矩陣計算等功能，2001年也舉辦了第一屆Scipy年會，讓開發者能互相交流以Python編寫的最新科學專案，而後，更多函式庫如Matplotlib、Numpy、Pandas開源釋出，也吸引科學計算社群逐漸擴大。

2014年，致力於推動程式語言開放標準Jupyter組織釋出了一款Web版程式開發工具Jupyter Notebook，更成了Python在AI領域普及的關鍵。這個介於複雜的整合式開發工具IDE和程式碼文字編輯器之間的工具，可以快速將演算法程式，套用到數據資料上來繪製各類圖表，大幅降低了Python的使用門檻，因而深受資料科學家的喜愛。

臺灣極少數成為Python軟體包官方機構（The Python Packaging Authority）活躍貢獻者的鍾子屏這麼形容：「Jupyter Notebook之於ML，就類似Excel之於會計一樣。」就像Excel可以自動、快速執行各種會計計算，將計算結果視覺化，而Jupyter Notebook就是一個讓資料科學家開發、執行程式碼的互動式開發環境，能將資料視覺化來輔助開發。

有趣的是，雖然Jupyter Notebook並非Python的專屬開發工具，目前支援多種主流直譯式語言如Python、R、Julia，但它的前身是IPython Notebook，是一款基於Python提供互動運算命令介面的記事本，本來就是支援Python為主，後來多支援了Julia與R語言，才改名為Ju-pyt-er Notebook。因此，這款工具對於Python的極高支援性，成為資料科學家選用Python的重要理由。

Python資料科學領域逐漸豐富的開源函式庫、框架、IDE、套件工具，大幅提升AI開發的便利性，吸引更多人、甚至大企業都用來開發AI應用。而大企業加入後，不僅更多產品、服務開始支援Python，各類套件工具也推陳出新。

比如Google 2015年開源的ML框架TensorFlow有支援Python，臉書在2016年也開源以Python開發的ML框架Pytorch，幾乎成為成長速度最快的兩種ML框架。再加上，專門為Python設計的開發環境Pycharm，以及CPython、Jython、Pypy、IronPython等直譯器，這些套件與工具，都不同程度的助攻Python成為AI時代的流行語言。

不只AI，Python早就在Web應用大展身手

儘管近幾年，隨著資料科學爆紅，更帶動了Python的人氣，但對Web領域而言，Python早就是一個廣泛好用的熱門技術。比如IDE廠商JetBrains在2018年開發者報告就指出，Python社群中，58%的開發者曾用Python來開發資料分析應用，但也有52％的人用來開發Web應用。這意味著，儘管不少資料科學家壯大了Python社群，但社群本身在其他領域應用Python的基數，也不容小覷。

早從1990年代開始，Python常用於網頁後端的腳本開發上，不過，當時最流行的腳本語言還是Perl、Shell Script等，Python頂多排第三，獲得部分開發者的支持。2000年後，開始出現了以Python開發的Web應用伺服器Zope，以及建立於Zope之上的開源內容管理系統Plone，受到部分Web開發者的青睞。不過，當時主流的Web開發語言像是Java、PHP、C#，各種語言均有人青睞，Python並沒有絕對的優勢。

而後，Python今日最熱門的兩種Web應用框架，Django與Flask，分別在2005、2010年釋出，逐漸將Python也推上網頁後端與Web應用開發領域的常用語言，尤其，Django能讓開發者快速建立起高可用性的後臺，而Flask適合用於輕量級的網站，也適合用來開發API。

Python也不只能用於簡單用途或小型任務，也有許多超大型的應用實例，像Google搜遍所有網站內容的網路爬蟲，就是用Python開發的程式。Dropbox也用Python開發了超過400萬行程式碼，就連Instagram數十億用戶的互動環境，也靠Python與Django框架來打造。

雖然目前在TIOBE開發語言排行榜上，Java和 C分居前兩名，Python靠AI崛起才後來居上，名列第三，不過，Python的發展還沒到頂，未來的成長潛力與空間，還有機會能更進一步。

Python的兩大難題

Python的兩大難題，就是最佳化與平行處理的能力。

以Python而言，作為一個高階語言，語法簡潔、程式碼可讀性高為一大優點，適合程式設計初學者入門學習；但反過來說，已經熟悉了其他語言的開發者，比如語法嚴謹的C或Java，要轉換成Python可能有些適應不良，Python的強制縮排語法特色，也可能讓開發者很不習慣。

Python作為直譯式語言，儘管因互動性高、除錯快等優點，能讓開發者更彈性且快速的進行探索式的開發，比如近年來資料科學領域盛行的R、Metlab等語言，就同屬這類。不過，也因需要一步步直譯程式碼，先天上就會比編譯式語言花上更多的執行時間，影響程式的執行速度變慢。

而且，Python同時也是一個動態語言，開發者不需先宣告變數的型態，回傳型態也不需宣告，能讓語法更簡潔、彈性，不過，這也造成難以除錯的問題，型態錯誤可能在執行程式時才會呈現出來，影響程式執行效能不理想。魏澤人舉例，當一個變數寫成number=3，若不小心打錯成nmber=3時，在靜態語言中，會因與宣告的型態不同而自動警告，但在動態語言中，它可能認定為，有一個新的變數叫做nmber，並不視為一個錯誤。也就是說，由於動態語言的彈性較大，對編譯器來說，也較難最佳化。

另外，Python還有全域性直譯器鎖GIL 的限制，難以讓一個Python程式在多核心的處理器上進行平行處理。魏澤人解釋，由於平行處理能增加執行效率，程式常被拆分到不同執行緒來執行，不過，Python為了避免多執行緒記憶體及資源讀寫次序不一致的問題，就內建了一個GIL，來限制每次只有一個執行緒能執行資源存取。

也就是說，GIL本意是要解決執行緒間資料同步合作的困難，卻也因此侷限了平行處理的效能。但這個問題並非無解，常用的解決方法，可用multiprocessing取代threading，讓每個程序有獨立的記憶體，再例外由通訊交換資料，或建立特定共用記憶體；另一種方式是利用外部資料科學的函式庫如Numpy、TensorFlow，來處理需要大量計算的部分。

總結來說，Python身為一個直譯式的動態語言，加上GIL的設定，最佳化、平行處理能力較差，影響了程式執行效率。不過，藉著發揮膠水語言的優勢，Python也能與其他如C、Java等編譯式語言結合，來加速運算執行。

 相關報導  AI時代開發語言新主流Python