Python同步与asyncio异步编程疑问：为何写法1未并行执行？

场景回顾 #

作为机器学习工程师，你模拟的服务逻辑有明确要求：

• preprocess必须优先执行，输出作为predict和apply_business_logic的输入
• predict与apply_business_logic相互独立，理论上异步执行能提升效率
• 最终通过加权平均两者输出得到结果

下面针对你的疑问逐一解答：

1. 同步执行与写法2的差异是什么？ #

先明确两种写法的核心逻辑：

• 同步代码：所有函数都是普通阻塞函数，执行时会占用线程直到完成，CPU在函数运行期间无法处理其他任务（比如time.sleep会直接卡住线程）。
• 写法2（伪异步）：函数用async定义为协程，调用时用await，但因为是顺序await（先等predict完成再启动apply_business_logic），所以执行流程和同步完全一致。

两者的差异仅在于底层执行机制：

• 同步函数的阻塞是强制线程暂停，CPU只能空等；
• 协程的阻塞是主动让出CPU权限（仅当函数内有IO等待逻辑时，比如asyncio.sleep、异步IO操作），但如果没有其他待执行的协程，让出CPU也没用，整体耗时和同步几乎一样。

如果你的predict和apply_business_logic是CPU密集型任务（比如大量矩阵运算），写法2和同步代码没有效率差异——因为asyncio是单线程模型，CPU密集型协程不会主动让出CPU，依然串行执行。

2. 写法2用了async/await却顺序执行，是不是没实现异步？ #

是的，写法2没有实现真正的异步并发。

异步并发的核心是同时调度多个协程执行，而写法2只是把同步函数改成了协程，却依然按顺序等待每个协程完成，本质还是串行执行。

举个直观的代码对比：

写法2（伪异步，串行执行）

import asyncio

async def preprocess(data):
    return data

async def predict(data):
    await asyncio.sleep(2)  # 模拟IO/耗时操作
    return 0.8

async def apply_business_logic(data):
    await asyncio.sleep(2)
    return 0.6

async def main():
    processed = await preprocess("raw_data")
    # 顺序await，先等predict完成再执行apply_business_logic
    pred = await predict(processed)
    bl = await apply_business_logic(processed)
    result = 0.7 * pred + 0.3 * bl
    print(result)

asyncio.run(main())  # 总耗时约4秒

正确的异步写法（写法3，并发执行）

async def main():
    processed = await preprocess("raw_data")
    # 同时创建并启动两个协程任务
    task_pred = asyncio.create_task(predict(processed))
    task_bl = asyncio.create_task(apply_business_logic(processed))
    # 等待两个任务都完成
    pred = await task_pred
    bl = await task_bl
    # 或用asyncio.gather简化：pred, bl = await asyncio.gather(predict(processed), apply_business_logic(processed))
    result = 0.7 * pred + 0.3 * bl
    print(result)

asyncio.run(main())  # 总耗时约2秒

只有像写法3这样，通过asyncio.create_task或asyncio.gather同时启动多个协程，才能让predict和apply_business_logic并发执行，真正发挥异步的效率优势。

内容的提问来源于stack exchange，提问作者YounghunJo