上世纪90年代，Python作为一种通用编程语言诞生了。尽管语句简洁，Python在最初十年的使用情况却并不乐观，它也没能真正成为开发者使用的编程语言。当时，Perl是编程首选，Java已在面向对象编程领域站稳脚跟。

当然，一切编程语言都需要一定的成熟时间，只有它比现有工具更适合编程，才会被广泛使用。Python在21世纪初期的第一个机遇就是，人们意识到Python的学习曲线比Perl简单，还能与其他语言互相操作。这种特性让大量开发者使用Python编程。Django的出现终结了Perl, Python势头更猛了，但仍然无法与其“后辈”Java和JavaScript相提并论。

快进到现在，2019年StackOverflow开发者年度调查报告显示，Python已超越Java成为第二受欢迎的语言。

Python还是10年来发展速度最快的编程语言。Python的普及很大程度上得益于2010年大数据的出现及机器学习、人工智能的发展。企业迫切需要发展迅速、门槛低的编程语言以管理大规模数据和科学计算任务，而Python能完美解决这些问题。

除了以上优势，Python还是一种动态类型的解释型语言。更重要的是，它得到了Google的支持，后者为Tensorflow购买了Python，这使其成为数据分析、可视化和机器学习的首选语言。

然而，尽管对机器学习和人工智能的需求在新十年也将不断增加，但Python的好景却不长了。如同其它编程语言一般，Python本身也有缺陷。这些缺陷让它能轻易被其它更适合完成企业常规任务的语言所取代。哪怕有R语言坐镇，Swift、Julia和Rust等新编程语言的出现也对数据科学的现任王者构成了极大威胁。

Rust仍在努力适配机器学习，所以我认为Swift和Julia是取代Python并最终统治数据科学的语言。一起来看看Python面临的困境吧。

Python缺乏类型安全性，运行速度非常慢

图源：unsplash

所有的好事都要付出代价，Python的动态类型化也不例外。动态类型可以轻松快速地编写代码而无需定义类型。然而，尤其是当代码库变大时，代码运行更容易出问题，开发人员在生产环境中运行代码时会更艰难。编译器很容易发现的 BUG，在Python中反而无法识别，这样就会产生开发障碍，最终降低大规模应用程序的开发速度。

更糟糕的是，不同于编译代码，Python的解释程序每次执行时都要分析每行代码。相比于其它语言，Python开销更大，程序性能低得多。

而Julia能避免上述问题。Julia虽是动态类型语言，但是它有实时编译器。其JIF编译器要么就是在执行前生成正确的机器代码，要么就是使用先前已储存、缓存的编译，这让它拥有与静态类型语言一样的性能。

更重要的是，Julia有一个称为多分派的关键特性，类似于OOPs的函数重载(虽然仅能用于运行程序)。多分派的强大之处在于它能够处理不同的参数类型，而无需创建单独的函数名或嵌套的if语句。这有助于编写更加紧凑的代码，也是数值计算的一大胜利，它可以轻松地通过扩展解决方案来处理所有类型的参数。

Swift甚至更胜一筹。Swift是静态类型语言，LLVM编译器(低级虚拟机器)对其进行了高度优化。它能快速编译成汇编代码，这让Swift超高效运行，速度可比拟C语言。

此外，Swift拥有更好的内存安全和管理工具，即自动引用计数(Automatic Reference Counting)。与garbage收集器不同，只要引用计数归零，ARC就会回收内存，因此更为准确。

作为提供类型注释的编译语言，Swift和Julia比Python速度更快，功能更强大。仅仅这一点，可能就足以让开发人员推荐它们。

Python在并行性方面有局限性

Python最大的缺点不是速度慢，而是并行计算的局限性。简单地说，Python使用GIL(全局解释器锁)——它会通过阻止多个线程同时执行，来提高单个线程的性能。该过程有一个很大的障碍：开发人员不能使用多个 CPU核心来进行密集的计算。

我们在利用Python与Tensorflow、PyTorch 等C/C++库的互操作性方面做得不错。这一点众所周知，我也十分赞同。但是Python包装器并不能解决所有调试问题，最后还是得靠C和C++检查底层代码。从根本上说，Python的优势在低层无效，这点足以让Python出局。

这一因素很快将决定Python的衰落、Julia和Swift的崛起。Julia专门用来解决Python的缺陷，主要有三个特性：协同程序(异步任务)、多线程和分布式计算，这些特性都展示出并发和并行编程的无限可能，这种结构使Julia能够以比Python更快的速度执行科学计算并解决大数据问题。

另一方面，Swift有一切开发移动应用所需的工具，能够进行并行计算。

图源：unsplash

Swift和Julia都拥有Python的互操作性和强大的支持

虽然在速度、多线程和类型安全方面有不足之处，但Python有包含大量库和程序包的巨型生态系统。在Python面前，Swift和Julia在机器学习领域仍然是个“弟弟”，拥有的库数量非常有限。然而，Julia和Swift比Python更强的互操作性大大弥补了二者库支持的不足的缺点。

Julia不仅允许程序员使用Python代码(反之亦然)，还能与C语言、R语言、Java以及几乎所有主要编程语言的进行互操作。这种多功能性能有力推动这种语言的发展，增加它被数据科学家迅速采用的机会。

另一方面，Swift通过PythonKi 库提供了与Python的互操作性。Swift(起源于苹果)最大的卖点是它得到了谷歌的大力支持，十几年前收益于全力支持而崛起的正是Python，可真是风水轮流转。

另外，Swift的创建者Chris Lattner正在谷歌的AI brain团队工作，这表明Swift正在被重点培养，以在机器学习领域的取代Python。

Tensorflow团队通过S4TF项目投资了Swift，这进一步证明了该语言不仅仅是Python的修饰版。相反，Swift 凭借其差异化的编程支持和像C语言一样的低层级工作能力，将有可能被用来取代支撑深度学习的工具。

图源：unsplash

随着数据量的不断增加，Python的致命弱点很快就会浮现。注重易用性和快速编码能力的日子一去不复返，速度和并行计算才是游戏的主角。Python 作为一种通用语言，将不再解决这些问题。Python终会退场，而Julia和Swift似乎就是候选接任者。

不过，我并不是说作为编程语言的Python会立刻消失，它会一点一点淡出人们的视线。Python在数据科学中的地位将逐渐降低，专门为深度学习而设计的语言才是未来主流。