您不需要强大的语言来编写 AI。大多数开发人员都在使用 Keras、Torch、Caffe、Watson、TensorFlow 等库。这些低级库经过高度优化，可以处理所有艰巨的工作。它们是用高性能语言构建的，如 C、C++。Python 仅用于高级任务，例如描述神经网络层、加载数据、启动处理和显示结果。

将 C++ 用于高级任务而不是 Python 几乎不会带来任何性能改进，但对于非开发人员来说会更难，因为它需要关心内存管理。此外，一些 AI 人员可能没有非常扎实的编程或计算机科学背景。

另一个类似的例子是游戏开发，其中引擎是用 C/C++ 编码的，而且通常所有的游戏逻辑都用高级语言编写脚本。

C++ 实际上是 AI/ML 领域最流行的语言之一。一般来说，Python 可能更受欢迎，但正如其他人所指出的，混合系统实际上很常见，其中 CPU 密集型数字运算在 C++ 中完成，Python 用于更高级别的函数。

只是为了说明：

http://mloss.org/software/language/c__/

http://mloss.org/software/language/python/

这取决于它需要有多灵活：如果您有一个成熟的系统可以投入生产，不需要太多调整，那么 C++（甚至 C）可能就可以了。您需要花费大量时间来构建软件，但它应该运行得非常快。

但是，如果您仍在尝试设置和参数，并且可能需要调整架构，那么 C++ 将难以使用。您需要一种像 Python 这样的语言，它可以更轻松地进行更改。更改代码更容易，因为您通常可以使用 Python 等语言更快地编写代码。您付出的代价是该软件通常性能不佳。

您需要决定这种权衡如何最适合您。通常最好在编码上花费更少的时间，而不必过多担心更长的运行时间。如果你少花一天时间来完成你的代码，那么 C 编码的版本需要很多时间才能赶上。大多数时候只是不值得。

一种常见的方法似乎是混合系统，其中核心库是用 C/C++ 实现的，因为它们不需要太多改变，而前端/胶水/接口是在 Python 中，因为你需要灵活性和速度不是那个关键。

顺便说一句，这不是 AI 特有的问题，而是解释语言与编译语言的一般问题。有了人工智能，许多系统仍然专注于研究而不是应用，这就是开发速度胜过执行速度的地方。

你声称

C++ 在技术上是一种比 python 更强大的语言。

但这种说法是错误的（或意义不大）。请记住，编程语言是一种规范（通常是一些用英语编写的文档）。例如，n3337是 C++ 规范的后期草案。我不喜欢 Python，但它看起来确实比 C++ 强大（即使 C++实现通常比 Python 更快）：一个好的 Python 程序员可以用 Python 很好地编码，另一个好的 C++ 程序员可以用 C++ 很好地编码，反之亦然反之亦然。

从理论上讲，C++ 和 Python 都是图灵完备（有意）的编程语言。

Python 和 C++ 一样富有表现力。我无法命名 Python 具有但 C++ 没有的编程语言功能（与反射相关的功能除外；另请参阅此答案并注意dlopen- 参见我的manydl.c程序 - LLVM、libgccjit、libbacktrace，并考虑一些元- 使用他们的编程方法，à la Bismon或像J.Pitrat 的博客所提倡的那样）。

也许您将编程语言视为实现它的软件。然后 Python 和 C++ 一样富有表现力（而且似乎更容易学习，但这是一种错觉；有关这种错觉的更多信息，请参见http://norvig.com/21-days.html）。Python 和 C++ 具有非常相似的语义，即使它们的语法非常不同。它们的类型系统非常不同。

可悲的是，许多最近的主要机器学习库（例如TensorFlow或Gudhi，都主要使用 C++ 编写）实际上在 Python 中比在 C++ 中更易于使用。但是您可以在 C++ 代码中使用 TensorFlow 或 Gudhi，因为TensorFlow 和 Gudhi 大多是用 C++ 编码的，并且都提供和记录 C++ API（不仅仅是 Python API）。

C++ 支持多线程编程，但通常的 Python 实现有其GIL，是字节编码的，因此比 C++ 慢得多（通常通过优化编译器如GCC或Clang编译；但是你可以找到 C++ 解释器，例如Cling）。Python 的一些实验性实现是JIT 编译的，没有 GIL。但这些都不成熟：我建议投资一百万欧元来增加他们的TRL。

还要注意 C++ 比 Python 更难学习。即使有十几年的 C++ 编程经验，我也不能声称真正了解 C++ 的大部分内容。

可悲的是，最近教授 AI 软件工程的书籍（例如这本或那本）都使用 Python（而不是 C++）作为示例。我实际上想要更多最新的使用 C++ 的 AI 书籍！

顺便说一句，我使用 AI 技术编写开源软件（比如这个，或者过时的GCC MELT），但他们不使用 Python。我对 AI 应用程序的方法是开始在其中设计一些DSL。

一些人工智能方法涉及元编程，例如自己生成系统的一些（或大部分，甚至全部）代码。J.Pitrat（他于 2019 年 10 月去世）率先采用了这种方法。请参阅他的博客、他的 CAIA 系统、阅读他的人造人、一本 couscious 机器的良心书 (ISBN 978-1848211018) 和RefPerSys项目（其目标是生成大部分（希望是所有）其 C++ 代码）。

在 Linux 等操作系统上，您实际上可以在运行时生成 C++（或 C）代码并将其（使用GCC）编译成插件，然后使用dlopen(3)生成插件，并使用dlsym( 3)。请参阅manydl.c示例（在 2020 年功能强大的桌面上，如果您运行该示例几天，您将能够生成和加载 50 万个插件）。使用dladdr(3)和 Ian Taylor 的libbacktrace，您还可以检查一些调用堆栈。

AFAIK 大公司（例如 Google）在内部使用 C++ 编写大部分与 AI 相关的代码。还可以查看MILEPOST GCC或 H2020解码器项目，将机器学习技术应用于编译器。另见HIPEAC。

当然，您可以使用Haskell、Common Lisp（例如使用SBCL）或Ocaml编写 AI 软件。可以从中调用许多机器学习框架。数字运算库可以使用OpenCL。