129亿美元卖身英伟达之后，是时候重新理解Hugging Face了

9 月 3 日，英伟达宣布将以 129.3 亿美元收购 Hugging Face。 这不是一笔只看收入和估值就很容易理解的交易。Hugging Face 没有训练出 GPT、Claude 或 DeepSeek 这样的前沿大模型，不造 GPU，也不是一家大型云厂商。对于大多数普通用户来说，它甚至算不上一个会被直接使用的 AI 产品。但英伟达却愿意为它支付接近 130 亿美元。 黄仁勋在宣布交易时给出了一组数字：Hugging Face 已经聚集了超过 1800 万开发者、300 万个模型、50 万个数据集和 100 万个 AI 应用，超过 20 万家公司通过这个平台寻找、评估、定制和部署 AI。 英伟达还特意强调 "，交易之后 Hugging Face 仍将面向整个 AI 生态保持开放，开发者可以继续选择不同的模型、框架、云、推理服务和计算平台，使用 Hugging Face 并不要求采用英伟达的计算平台。 这些承诺本身已经透露出 Hugging Face 的重要性。如果英伟达买下的只是一家普通 AI 软件公司，它没有必要在交易宣布之初就专门解释，未来是否还会继续支持其他硬件和云。真正敏感的是，过去几年里，Hugging Face 已经进入了太多 AI 开发者的日常工作流。 现在的 Hugging Face 已经不能被简单理解成一个“模型网站”。它所扮演的角色，越来越接近 GitHub 之于软件开发：成为开发者发现、获取、修改和分发技术资产的一层基础设施。 但十年前，这家公司和“基础设施”几个字几乎毫无关系。 真正改变命运的，是一个开源库 2017 年， TechCrunch 第一次报道 Hugging Face " 时，它还是一款面向年轻用户的聊天机器人。那时候 Hugging Face 想做的是一个“人工智能好朋友”，用户可以给机器人取名字、和它聊天、交换自拍和表情。创始人 Clément Delangue 还特意解释，他们既不是想做客服，也没准备拿它提高生产力，只是希望做一个跟人聊聊天、能让人开心的 AI 伙伴。 这个方向一度还算是个热门赛道。2018 年，Hugging Face 的聊天机器人每天需要处理大约 100 万条消息，累计收到超过 1 亿条消息，公司也完成了 400 万美元融资。但今天，几乎没有人因为那个聊天机器人认识 Hugging Face。真正改变这家公司命运的，是另一条技术线上的变化。 2017 年 Google 发表《Attention Is All You Need》，Transformer 架构随后迅速改变自然语言处理。BERT、GPT、GPT-2、XLNet、T5 等预训练模型接连出现。模型越来越强，一个很现实的问题也越来越突出：论文出来了，不等于普通开发者就能把模型顺利用起来。 不同模型有不同的代码实现、配置、预训练权重和调用方式。开发者从 BERT 换到 GPT，再去尝试 XLNet，经常意味着重新理解一套工程实现。Hugging Face 最初为 BERT 做了一套 PyTorch 实现，项目最早叫 pytorch-pretrained-BERT，后来支持的模型越来越多，逐渐演变为 pytorch-transformers，最终成为今天的 Transformers 开源库 "。 它看起来只是一个开源库，却改变了 Hugging Face 和 AI 行业发生关系的方式。Transformers 开源库开始把越来越多模型纳入一套相对统一的接口，加载预训练模型、微调、文本分类、问答、摘要、生成，逐渐可以在相似的开发方式下完成。模型本身没有因此变简单，但开发者不必再为每个新模型重新搭一遍轮子。 这是 Hugging Face 第一次真正进入开发者工作流。它原本想自己做一个 AI 产品，后来却走到了另一条路上：自己不必训练最强的模型，但可以让别人更容易地使用模型。 不过，这个阶段的 Hugging Face 仍然更像一个非常成功的开发工具。真正把它推向基础设施的位置，是模型数量爆发以后发生的另一件事。 为什么最后跑出来的是Hugging Face？ Hugging Face 后来回顾 Hub 的发展时，描述过一个今天看来已经有些久远的场景。早期研究者训练出一个模型，它可能就放在实验室服务器里，也可能上传到 Google Drive，然后把下载链接贴到论文、README 或论坛里。链接失效、版本混乱、模型来源不清晰，不同团队重复训练相近的模型，都很常见。 于是，一个问题自然出现了：如果分享机器学习模型，也能像在 GitHub 上分享代码一样方便呢？ 最早的 Hugging Face Hub 很朴素，主要用于分享能够被 Transformers 开源库使用的模型检查点，与 Hub 交互的能力甚至直接写在 Transformers 开源库里面。直到 2020 年底，这部分功能才被拆出来，成为独立的 huggingface_hub。 但模型毕竟不是普通源代码。一个模型除了代码，还有权重、配置、分词器、训练数据、许可证和评测结果；使用者需要知道它适合做什么、从哪里来、怎么运行，又有哪些人已经在它的基础上做出了新版本。模型越来越多以后，一个下载链接显然不够用了。 Hugging Face 开始沿着模型的开发和使用过程往外扩展。模型之外有数据集；发布模型需要模型说明、许可证和版本管理；开发者希望直接展示模型效果；企业需要私有模型、权限和团队协作；上游模型出来后，下游训练、量化和推理工具又要尽快知道如何加载和运行它。 Hub 从模型仓库慢慢变成连接模型、数据、应用和工具的一层平台。2022 年是一个很有代表性的节点，huggingface_hub 引入 HTTP Commit API，开发者不再必须安装 Git 和 Git LFS 才能上传大型机器学习文件。Hugging Face 后来把这看作一次理念上的转折：它已经不只是在给 Transformers 开源库做一层 Git 封装，而是在建设更适合机器学习制品的基础设施。 与此同时，Transformers 开源库也从最初的自然语言处理库一路扩展到视觉、音频、视频和多模态。真正值得注意的是，当 Hugging Face 开始做 Hub 时，它并不是一个刚刚上线、需要从零寻找用户的“模型网站”。Transformers 开源库已经先替它聚集了一批模型开发者。 这是 Hugging Face 和后来出现的很多模型平台之间一个很重要的差别。 市场上不缺相似的平台。阿里的 ModelScope 同样提供模型、数据集、Studio 和开发工具，也在不断强化 Hub 能力；Replicate 的优势则更偏向模型托管和推理，让开发者可以很快把模型跑起来并通过 API 调用；GitHub Models 上线得更晚，更多依托 GitHub 原有的开发者生态，主打模型试用、对比和调用。 这些平台解决的都是模型时代真实存在的问题，也都有自己的优势。Hugging Face 特殊的地方，并不是它比别人多做了一个“模型仓库”，而是它更早把模型使用和模型分发接进了同一条开发工作流。 Transformers 开源库已经让开发者习惯通过 from_pre