Python 是什麼？為什麼進入 AI 開發後，幾乎到處都會看到它

如果你一路看到 Lesson 025：Local LLM，很可能已經開始遇到一個新的障礙：

文件不再只叫你「點按鈕」，而是開始出現一段又一段程式碼。

而其中最常看到的名字之一，就是 Python。

你可以先把 AI 開發想成一個很大的國際工作團隊。不同硬體、模型與服務各有自己的規則，但大家需要一種容易溝通、容易把工具接起來的共同語言。

Python 就很像這個團隊裡最常用的工作語言之一。

正式來說，Python 是一種高階、通用的程式語言（Programming Language）。它不是「AI 專用語言」，但因為語法相對容易閱讀，加上 AI、資料科學與自動化生態系非常成熟，所以你會在 PyTorch、Transformers、LangChain、各種 API 範例裡一直遇到它。

第一件事：程式其實是在把步驟寫清楚

先看一小段：

name = "SATIN SYNTAX"
lesson = 26
print(f"{name} 的第 {lesson} 篇開始學 Python")

這三行在做什麼？

第一行：

name = "SATIN SYNTAX"

建立一個叫 name 的變數（Variable），把文字 SATIN SYNTAX 放進去。

第二行：

lesson = 26

建立另一個變數 lesson，裡面放數字 26。

第三行：

print(...)

print 的作用是把內容輸出到終端機。前面的 f 代表這是一個 f-string，可以把 {name}、{lesson} 這些變數直接塞進文字。

所以執行後，你會看到類似：

SATIN SYNTAX 的第 26 篇開始學 Python

重點不是背 f，而是先建立一個直覺：

程式碼就是把資料放進變數，再按照明確步驟處理它。

函式：把一段工作包成可以重複叫的工具

假設你常常需要把模型名稱印成固定格式，可以寫：

def show_model(name):
    return f"現在使用的模型：{name}"

message = show_model("my-local-model")
print(message)

這段程式做了四件事：

1. def show_model(name): 建立一個叫 show_model 的函式（Function）。
2. name 是傳進函式的資料。
3. return 把處理結果送回去。
4. show_model("my-local-model") 真正呼叫這個函式。

可以把函式想成辦公室裡的一張標準作業表：你每次只要把新的資料交進去，就能按照同樣流程處理。

之後看到 AI 程式中的：

model.generate(...)
client.responses.create(...)
agent.invoke(...)

先不要被名字嚇到。它們本質上都在做類似的事：呼叫某個已經寫好的功能，並把參數交給它。

套件：不用每個零件都自己做

AI 開發不可能每次都從矩陣運算、HTTP 連線開始自己寫。

因此 Python 很重要的一部分是套件（Package）。

套件可以理解成別人已經做好的工具箱。

例如之後要呼叫網路 API，常會看到 requests；跑深度學習可能看到 PyTorch；使用 Hugging Face 模型會碰到 Transformers。

安裝套件時常看到：

python -m pip install requests

注意：這一行不是 Python 程式碼，而是要在**終端機（Terminal）**裡輸入的命令。

它的作用拆開來看：

• python：使用目前這個 Python。
• -m pip：讓 Python 執行套件管理工具 pip。
• install：告訴 pip 要安裝東西。
• requests：要安裝的套件名稱。

所以整句的意思就是：

「請目前這個 Python 幫我安裝 requests 工具箱。」

下一篇會專門解釋 CLI、Terminal，以及為什麼工程師常在黑色視窗裡輸入這種命令。

import：把工具箱拿進目前的程式

套件安裝完後，程式還要把它載入：

import requests

print(requests.__version__)

第一行 import requests 的意思是：

把 requests 套件載入目前這支 Python 程式。

第二行讀取它的版本資訊並印出來。

這也就是為什麼你常看到 AI 範例一開始有很多：

import torch
from transformers import pipeline

那不是神祕儀式，而是在說：「接下來我要使用這些已經做好的工具。」

為什麼還需要虛擬環境？

假設你有兩個專案：

• 專案 A 需要某套件的舊版本
• 專案 B 需要新版

如果全部混在同一個 Python 環境，很容易互相打架。

因此通常會建立虛擬環境（Virtual Environment, venv）。

python -m venv .venv

這行是在目前資料夾建立一個名為 .venv 的獨立 Python 環境。

Windows PowerShell 常見的啟用方式是：

.\.venv\Scripts\Activate.ps1

macOS / Linux 常見的是：

source .venv/bin/activate

啟用後再執行：

python -m pip install requests

套件就主要裝在這個專案自己的環境裡，而不是把所有專案混成一團。

Python 檔案怎麼執行？

假設你建立：

hello.py

內容是：

print("Hello AI")

在終端機切到這個檔案所在的資料夾後，執行：

python hello.py

意思就是：

叫 Python 直譯器讀取 hello.py，然後從上到下執行裡面的程式。

這個模式之後會一直出現：

python app.py
python server.py
python train.py

檔名不同，但概念完全一樣。

Python 和 GPU 有什麼關係？

Python 本身不是 GPU。

Lesson 025 提過 GPU：GPU 是大量平行數值運算很重要的硬體，而 Python 通常負責用比較高階的方式呼叫底下已經最佳化的運算函式庫。

所以你可能只寫：

output = model(input_data)

看起來只有一行，但底下可能已經經過 PyTorch、CUDA 與 GPU 執行大量矩陣計算。

下一階段我們會把這一層一層拆開。

你現在不需要變成 Python 專家

如果你的目標是看懂 AI 工程，現在最重要的是先能回答：

• 這一行是 Python，還是終端機命令？
• 哪些是變數？
• 哪裡在呼叫函式？
• import 載入了什麼？
• pip install 安裝了什麼？
• 程式到底從哪個檔案開始跑？

先做到這些，你看 AI 教學時就已經少掉一大層迷霧。

一句話帶走

Python 不是 AI 本身，而是現代 AI 開發最常見的工作語言之一；先會讀懂變數、函式、套件與執行方式，就有能力開始理解真正的 AI 程式。