解释语言有一些优点（与编译语言相比）

• 平台独立性（您只需要平台的解释器，即使如果您的解释语言只是用另一种编程语言编写的库的包装库，则情况并非如此）
• 动态类型（无需指定变量的类型）
• 动态范围（例如，您可以访问其他范围内的变量）
• 自动内存管理（但有些编译语言，如 Java，也有垃圾收集器）
• 快速原型设计（出于各种原因，包括动态类型），因此可以更快地编写软件

因此，与编译语言相比，解释语言的主要优点是灵活性和动态性。鉴于人工智能仍然是一个不断发展的领域，这些特征得到了广泛的认可。

解释语言也至少有一个缺点（与编译语言相比）

• 与编译语言相比运行时间更慢，编译语言一旦编译就非常快，因为它们通常被编译成可以由机器或虚拟机快速执行的代码

Python 和 R 在数据科学和人工智能领域得到了广泛的应用，正是因为这些优势，这可能促成了它们周围社区的快速增长和软件库的发展。

但是，请注意，当今最常见的机器学习库（包括 TensorFlow 和 PyTorch）的核心是用 C 和 C++ 等编译语言编写的。在 TensorFlow 的特定情况下，Python 只是一个包装库。因此，在底层，代码不是由 Python 解释器执行，而是首先编译，这意味着，当你使用 TensorFlow 时，你的代码运行速度（或多或少）与使用编译后的代码一样快。像 C 这样的语言。类似的论点可以用于像 NumPy 这样的库，其中 Python 只是一个包装库。