Python 代码被解释执行并不是唯一导致其较慢的原因，尽管这确实限制了它的速度。
如果以字节码为中心的观点是正确的，那么要想让 Python 代码像 C 语言一样快，你只需要用直接调用函数替换解释器循环，消除任何字节码，并编译出结果代码即可。但实际情况并非如此。不必完全相信我的话：你可以亲自测试。Cython 将 Python 代码转换为 C 代码，但通常情况下，转换并编译后的典型 Python 函数并不会表现出 C 级别的速度。只需查看所生成的一些典型 C 代码，便能看出原因。
真正的挑战在于多重分派（或者说是合适的术语——我记不清楚这些），我的意思是，当 a+b 的类型都已知为整数或浮点数时，在 C 中可以将其编译成一个操作符，但在 Python 中，计算 a+b 需要做更多的事情（获取名称所绑定的对象，通过 __add__ 等方式）。
这就是为什么要让 Cython 达到与 C 相同的速度，你必须在关键路径中指定类型；这也是 Shedskin 使用（笛卡尔积）类型推理将 Python 代码转换为 C++ 代码，从而加速的方式；PyPy 以及它的 JIT 能够根据代码的行为情况进行特化处理，如类型处理。每种方法都消除了动态性，无论是在编译时还是在运行时，以便生成知道自己在做什么的代码。
字节码对CPU来说不是自然的，所以需要通过一个CPU本地代码（称为解释器）进行解释。字节码的优点是可以实现优化、预计算和节省空间。C编译器生成机器代码，机器代码不需要解释，它是CPU本地的。
