過去幾年，Python成為人工智能和數據科學領域最受歡迎的編程語言。但是隨著5g時代的來臨，生產環境對AI應用的性能要求越來越高，Python有點「力不從心」。天生支持并發的Golang應運而生，專家稱，Go語言將統治人工智能的下一個十年。

30年前，Python 首次出現。

但是Python花了20年的時間才得到公眾的認可。

根據2019年Stack Overflow的調查，Python成為開發人員第二喜愛的語言。

過去的5年里，Python的成長無疑是巨大的，已經成為機器學習和數據科學開發人員的首選語言。

短時間來看，Python 的主導地位大概率不會變。但是與一些新興的語言相比，它有一些嚴重的缺點，將成為生產環境部署的障礙。

Python 受歡迎的主要原因是它很容易學習。

與其他語言相比，它的語法很簡單，任何人都可以在幾個小時或幾天內學會 Python 的基礎知識。

即使在學習了c++ 或 Java 等其他語言之后，開發人員還是更愿意使用 Python。因為無論你想干啥，總有一個Python 庫能滿足你的需求，這些庫讓開發數據科學和AI類的應用變的簡單高效。

但Python在大規模生產環境下的性能問題，直接影響了AI應用的開發效率。現在很多人工智能初創企業，正處于底層架構的構建階段，檢查 Python 的問題很有必要。

Python是一個解釋性語言，這導致它執行起來比較慢，與其他編譯語言如c++ 和 Go 相比，Python 的執行速度就像烏龜一樣，所以很多AI模型雖然是用Python開發的原型，部署時還得轉成其他語言。

Python 是一種動態類型語言。變量的數據類型在運行時自動判斷，也使得執行速度變慢。

為了克服 Python 的速度，很多Python庫選擇更快的語言來重寫，例如 TensorFlow、 Numpy 和 Pandas 部分是用 c 或c++ 編寫的，它們有助于顯著提高執行速度。

這就有點像拄著拐走路，一直需要外界的幫助。

隨著5G時代的來臨，多任務并行處理和實時性的需求猛增，Python是可以構建小而美的應用，但是大規模、高吞吐的場景下，表現不盡如人意。雖然有很多方法，來提高Python的并行計算的能力，但都是曲線實現的，并沒有實現真正意義的并行。

因為Python中存在一個GIL鎖，每次只允許程序執行一個線程。

GIL的全稱是Global Interpreter Lock(全局解釋器鎖)，Python之父為了數據安全而設計的，那個時候計算機的主頻還沒有達到1G，程序全部都是運行在單核計算機上面。

某個線程想要執行，必須先拿到GIL，可以把GIL看作CPU的「通行證」，拿不到通行證就不允許進入CPU執行，Python 的多線程實際上并沒有利用到多核計算的優勢，它不管你有幾個核，100個核也只能跑一個線程。