上世紀90年代，Python作為一種通用編程語言誕生了。盡管語句簡潔，Python在最初十年的使用情況卻并不樂觀，它也沒能真正成為開發者使用的編程語言。當時，Perl是編程首選，Java已在面向對象編程領域站穩腳跟。

當然，一切編程語言都需要一定的成熟時間，只有它比現有工具更適合編程，才會被廣泛使用。Python在21世紀初期的第一個機遇就是，人們意識到Python的學習曲線比Perl簡單，還能與其他語言互相操作。這種特性讓大量開發者使用Python編程。Django的出現終結了Perl, Python勢頭更猛了，但仍然無法與其“后輩”Java和JavaScript相提并論。

快進到現在，2019年StackOverflow開發者年度調查報告顯示，Python已超越Java成為第二受歡迎的語言。

Python還是10年來發展速度最快的編程語言。Python的普及很大程度上得益于2010年大數據的出現及機器學習、人工智能的發展。企業迫切需要發展迅速、門檻低的編程語言以管理大規模數據和科學計算任務，而Python能完美解決這些問題。

除了以上優勢，Python還是一種動態類型的解釋型語言。更重要的是，它得到了Google的支持，后者為Tensorflow購買了Python，這使其成為數據分析、可視化和機器學習的首選語言。

然而，盡管對機器學習和人工智能的需求在新十年也將不斷增加，但Python的好景卻不長了。如同其它編程語言一般，Python本身也有缺陷。這些缺陷讓它能輕易被其它更適合完成企業常規任務的語言所取代。哪怕有R語言坐鎮，Swift、Julia和Rust等新編程語言的出現也對數據科學的現任王者構成了極大威脅。

Rust仍在努力適配機器學習，所以我認為Swift和Julia是取代Python并最終統治數據科學的語言。一起來看看Python面臨的困境吧。

Python缺乏類型安全性，運行速度非常慢

圖源：unsplash

所有的好事都要付出代價，Python的動態類型化也不例外。動態類型可以輕松快速地編寫代碼而無需定義類型。然而，尤其是當代碼庫變大時，代碼運行更容易出問題，開發人員在生產環境中運行代碼時會更艱難。編譯器很容易發現的 BUG，在Python中反而無法識別，這樣就會產生開發障礙，最終降低大規模應用程序的開發速度。

更糟糕的是，不同于編譯代碼，Python的解釋程序每次執行時都要分析每行代碼。相比于其它語言，Python開銷更大，程序性能低得多。

而Julia能避免上述問題。Julia雖是動態類型語言，但是它有實時編譯器。其JIF編譯器要么就是在執行前生成正確的機器代碼，要么就是使用先前已儲存、緩存的編譯，這讓它擁有與靜態類型語言一樣的性能。

更重要的是，Julia有一個稱為多分派的關鍵特性，類似于OOPs的函數重載(雖然僅能用于運行程序)。多分派的強大之處在于它能夠處理不同的參數類型，而無需創建單獨的函數名或嵌套的if語句。這有助于編寫更加緊湊的代碼，也是數值計算的一大勝利，它可以輕松地通過擴展解決方案來處理所有類型的參數。

Swift甚至更勝一籌。Swift是靜態類型語言，LLVM編譯器(低級虛擬機器)對其進行了高度優化。它能快速編譯成匯編代碼，這讓Swift超高效運行，速度可比擬C語言。

此外，Swift擁有更好的內存安全和管理工具，即自動引用計數(Automatic Reference Counting)。與garbage收集器不同，只要引用計數歸零，ARC就會回收內存，因此更為準確。

作為提供類型注釋的編譯語言，Swift和Julia比Python速度更快，功能更強大。僅僅這一點，可能就足以讓開發人員推薦它們。

Python在并行性方面有局限性

Python最大的缺點不是速度慢，而是并行計算的局限性。簡單地說，Python使用GIL(全局解釋器鎖)——它會通過阻止多個線程同時執行，來提高單個線程的性能。該過程有一個很大的障礙：開發人員不能使用多個 CPU核心來進行密集的計算。

我們在利用Python與Tensorflow、PyTorch 等C/C++庫的互操作性方面做得不錯。這一點眾所周知，我也十分贊同。但是Python包裝器并不能解決所有調試問題，最后還是得靠C和C++檢查底層代碼。從根本上說，Python的優勢在低層無效，這點足以讓Python出局。

這一因素很快將決定Python的衰落、Julia和Swift的崛起。Julia專門用來解決Python的缺陷，主要有三個特性：協同程序(異步任務)、多線程和分布式計算，這些特性都展示出并發和并行編程的無限可能，這種結構使Julia能夠以比Python更快的速度執行科學計算并解決大數據問題。

另一方面，Swift有一切開發移動應用所需的工具，能夠進行并行計算。

圖源：unsplash

Swift和Julia都擁有Python的互操作性和強大的支持

雖然在速度、多線程和類型安全方面有不足之處，但Python有包含大量庫和程序包的巨型生態系統。在Python面前，Swift和Julia在機器學習領域仍然是個“弟弟”，擁有的庫數量非常有限。然而，Julia和Swift比Python更強的互操作性大大彌補了二者庫支持的不足的缺點。

Julia不僅允許程序員使用Python代碼(反之亦然)，還能與C語言、R語言、Java以及幾乎所有主要編程語言的進行互操作。這種多功能性能有力推動這種語言的發展，增加它被數據科學家迅速采用的機會。

另一方面，Swift通過PythonKi 庫提供了與Python的互操作性。Swift(起源于蘋果)最大的賣點是它得到了谷歌的大力支持，十幾年前收益于全力支持而崛起的正是Python，可真是風水輪流轉。

另外，Swift的創建者Chris Lattner正在谷歌的AI brain團隊工作，這表明Swift正在被重點培養，以在機器學習領域的取代Python。

Tensorflow團隊通過S4TF項目投資了Swift，這進一步證明了該語言不僅僅是Python的修飾版。相反，Swift 憑借其差異化的編程支持和像C語言一樣的低層級工作能力，將有可能被用來取代支撐深度學習的工具。

圖源：unsplash

隨著數據量的不斷增加，Python的致命弱點很快就會浮現。注重易用性和快速編碼能力的日子一去不復返，速度和并行計算才是游戲的主角。Python 作為一種通用語言，將不再解決這些問題。Python終會退場，而Julia和Swift似乎就是候選接任者。

不過，我并不是說作為編程語言的Python會立刻消失，它會一點一點淡出人們的視線。Python在數據科學中的地位將逐漸降低，專門為深度學習而設計的語言才是未來主流。