Unlocking Python's Cores: Hardware Usage and Energy Implications of Removing the GIL

Python 的全局解释器锁（GIL）会阻止多线程程序同时在多个 CPU 核心上执行，即使启用了多个线程亦然。然而，自 Python 3.13 起，已提供一种实验性构建版本，支持禁用 GIL。尽管此前已有研究探讨了禁用 GIL 对运行速度的提升效果，但其对能耗及硬件资源利用率的影响却较少受到关注。本研究采用四类典型工作负载——基于 NumPy 的计算任务、顺序执行内核、多线程数值计算任务以及多线程面向对象任务——在 Python 3.14.2 的带 GIL 版本与无 GIL（free-threaded）版本之间，系统测量并对比了执行时间、CPU 利用率、内存占用量以及能耗。 研究结果揭示了一种明显的权衡关系：对于可并行化且数据彼此独立的工作负载，无 GIL 构建版本最多可将执行时间缩短至原来的 1/4，能耗也相应降低，同时实现有效的多核并行利用；但代价是内存使用量有所上升。相比之下，顺序型工作负载无法从移除 GIL 中获益，反而能耗增加 13%–43%。类似地，在多线程频繁访问并修改同一对象的工作负载中，由于锁竞争加剧，性能提升幅度显著减弱，甚至出现性能退化。在所有测试工作负载中，能耗均与执行时间呈严格正比关系，表明禁用 GIL 并未显著改变单位时间的功耗（即瞬时功率），即便此时 CPU 利用率明显提高。就内存表现而言，无 GIL 构建版本整体内存用量有所上升，这一增长在虚拟内存中尤为明显，而在物理内存中则相对不显著；其主要原因在于：每个对象需额外加锁、运行时引入了更多线程安全机制，以及采用了全新的内存分配器。 上述发现表明，Python 的无 GIL 构建版本并非一种普适性的性能改进方案。开发者在实际采用前，应审慎评估自身工作负载是否具备高效并行执行的潜力与条件。

验证Python取消全局解释器锁（GIL）是否在真实工作负载下带来系统级收益（如能效、硬件利用率），而不仅限于 execution time 加速；该问题具有新颖性——此前研究集中于性能提升，缺乏对能耗、内存开销与并发语义代价的联合量化评估。

首次在Python 3.14.2实验性free-threaded构建上，对四类典型AI/数值/应用工作负载进行端到端系统指标测量（时间、CPU利用率、物理/虚拟内存、能量消耗），揭示GIL移除的真实权衡：仅当数据并行且无共享状态竞争时才实现能耗与时间的双重收益，否则引入内存开销与能效损失。

实验覆盖NumPy密集计算、纯Python顺序核、线程化数值任务（如多线程Monte Carlo）、线程化对象操作（如共享dict并发更新）；使用硬件级功率计（如Raspberry Pi + INA219或服务器级Intel RAPL）实测能量；发现能耗严格正比于执行时间（即功耗不变），证明GIL移除不增加单核功耗但改变并行效率；内存增长主因是细粒度对象锁+新jemalloc派生分配器；代码未开源，但方法论可复现；值得深入：细粒度锁优化策略、GIL-aware内存分配器设计、跨语言（Cython/PyTorch）混合执行下的能效建模。

‘Evaluating the Performance and Energy Efficiency of Python’s Free-Threaded Interpreter’ (EuroSys ’24); ‘No-GIL Python: A Preliminary Study on Concurrency and Memory Safety’ (PLDI ’23); ‘The Cost of Concurrency in CPython: Measuring Lock Contention in the Free-Threaded Build’ (ASPLOS ’24); ‘Energy-Aware Parallel Programming in Python’ (ICPP ’22)