为什么人工智能是由Python而不是C++驱动的？

简而言之，是为了提高生产力。

如果你想了解更多，就必须通读全文。Python并非人工智能、数据科学、深度学习、神经网络等领域的唯一解决方案。C++、.NET、Java、JavaScript、Prolog、Julia等才是这些领域常用的生态
系统。但我们听到的太多关于Python 的消息，以至于现在我们误以为人工智能、数据科学、深度学习——这些都只能在Python上运行。事实远非如此。

语言基本上分为两种类型。

• 高性能语言，例如 C、C++、汇编、B。
• 高效编程语言，例如 Python、JS、Java、Kotlin、Swift。

Python是一种胶水语言，它整合了不同库的高级 API，使代码更易于使用。这些库的底层大多是用C/C++编写的。使用胶水语言进行科学研究的历史比我们想象的要悠久。过去，程序员们常常使用Perl和TCL来编写代码。如今， Python更为流行。

现在你可能会问

“为什么要使用粘合语言？”

假设你正在做一个神经网络项目，需要解决几百个问题，或者你可能需要用多种方法多次解决同一个问题，以找出最有效的方法。对于这类任务，你需要选择一种能够将你的想法转化为代码、查看结果并根据需要尽快进行修改的语言。测试速度越快，你的工作效率就越高。这就是为什么程序员通常不想在这里接触底层代码的原因。

思考一下在这类项目中使用C/C++会产生哪些影响（包括优点和缺点） 。

优势：-

• 如果代码优化得当，性能将非常出色。
• 您可以根据需要管理内存。
• 您将拥有对底层代码库每一行的控制权。
• 数据处理速度将大大加快。

缺点：-

• 内存管理、数据类型、指针等底层技术需要投入大量精力和时间，这对快速开发来说是一个很大的劣势。
• 在这种情况下，异常处理之类的事件会很麻烦，因为C/C++是非托管语言。
• 你可能需要重写一些有用的C/C++库或框架的部分或全部代码。
• 你需要处理诸如内存泄漏/溢出、垃圾管理之类的问题。
• 您需要更多时间，开发成本也可能增加。
• 维护你的代码库将会是一场噩梦。

性能或其他方面的优化可以在部署阶段进行。但程序员通常不会在开发阶段考虑这些。他们选择编程语言时主要考虑两个关键因素：

• 这种语言的生产力如何？
• 该语言是否有大量可用的实用库/框架？

Python完全满足这些条件。考虑到这些因素，其他语言生态系统与Python相比简直是天壤之别。

但不管你承认与否，事实是……

程序员在编写人工智能代码时，90% 的时间都花在了 Python 上。另一方面，99% 的 CPU 时间都消耗在了 C/C++ 上。这是因为 Python、它的解释器以及大多数常用的库，本质上都是对 C/C++ 的抽象。