Hugging Face CEO：企业不再租模型，开源迎第二增长曲线

一句话：租模型的时代快过去了

7 月 10 日，TechCrunch 播客放出 Clem Delangue 的最新访谈。Hugging Face CEO 的判断很直白——企业已经开始厌倦"按 token 付费"这套逻辑，越来越多公司选择把开源模型拉回本地、微调、部署、掌控。用他自己的话说：财富 500 强里大约一半的公司现在都是 Hugging Face 的用户，而这批人正在完成一件事——告别 API 租用时代。

这不是一句口号。Hugging Face 春季发布的《State of Open Source》报告里，你能看到很清晰的曲线：Airbnb 这种传统美国科技公司在过去 12 个月对开源生态的参与度显著上升，大量"传统企业"在 2025 年升级了 Enterprise Hub 订阅。换句话说，付费的不再只是 AI 原生初创，是那些三年前还在观望的老钱。

剧本重复上演：从"先用 API"到"必须自建"

Delangue 描述了一个他反复看到的循环，非常值得开发者对号入座：

1. 起步阶段：公司搭 demo、跑 PoC，直接调 OpenAI/Anthropic 的 API，因为快、省事、无脑
2. 规模化阶段：流量上去了，账单开始变得可怕，法务开始担心数据出境和合规
3. 迁移阶段：团队评估开源替代，做一次 fine-tune，把关键链路迁到自己控制的模型上
4. 成熟阶段：多模型混合部署，闭源 API 只承担长尾场景

这个路径在 2023、2024 年还只是极少数硅谷大厂在走。到 2026 年，它已经变成 Fortune 500 的默认路线图。原因不玄乎——当你的 AI 推理成本占了 GPU 预算的一半以上时，每一分钱都会重新审视"我为什么要租"。

Delangue 在访谈里提了个我觉得挺犀利的点：企业租 API 的隐性成本，不是账单，是没在自己内部长出 AI 能力。三年下来，公司连一个能对模型做深度定制的团队都没有，反而对某个外部 API 有了依赖。这在 CTO 眼里，是一种慢性技术债。

中国开源模型的存在感，肉眼可见地变强

这份春季报告里有一个细节值得单独拎出来讲：Hugging Face 明确指出，中国开源模型的下载增长非常凶猛，而且和一件事高度相关——这些模型开始明确支持国产芯片。

过去两年，DeepSeek、Qwen、GLM 系列已经从"性价比选项"变成"性能第一梯队"。到今年上半年，你在 Hugging Face 的模型榜单上看排行，会发现一个有意思的现象：模型和数据集在哪儿被开发出来，就在哪儿被用得最多。开发者会天然选择更贴近本国语言、本国场景、本国算力栈的模型。

这对整个行业格局的影响其实很大。它意味着 AI 不会像云计算那样收敛成 3~5 家超巨头，而是形成一个多区域、多语言、多硬件的分布式生态。Delangue 一直坚持的观点——"模型就像代码库，不会只有一个统治所有场景的代码库"——现在有了非常扎实的数据支撑。

顺便提一句，OpenAI Hub 目前已经把 DeepSeek、Qwen、GLM 这些主流开源模型都接进来了，一个 Key 就能切换调用，兼容 OpenAI 格式。对开发者来说，评估开源替代方案时不用为了对比几个模型分别注册账号、开通配额，这个环节能省不少事。

Kernel Hub：Hugging Face 悄悄干的一件大事

2025 年 Hugging Face 上线了 Kernel Hub——一个专门存放为 NVIDIA 和 AMD GPU 优化过的算子内核的地方。这件事媒体没怎么报道，但从生态角度看，它是一个信号：Hugging Face 不再只做"模型仓库"，而是想把模型运行时也一并管起来。

为什么这件事重要？因为开源模型能不能真正替代 API，除了权重要开，运行时优化也得跟上。过去大家吐槽自建部署慢，很大一部分是内核层没优化好，同样一张 H100 跑 Llama 的吞吐比 vLLM 团队手调的差 3~5 倍。Kernel Hub 干的就是把这些手调经验做成共享资产。

再加上 AMD 阵营开始被认真对待、中国厂商的 NPU 加入生态，Hugging Face 事实上是在扮演开源 AI 时代的"运行时中立层"——它不站队任何芯片，而是让开源模型能在所有芯片上跑得体面。

机器人数据集异军突起

还有一个细节，也是我读完这份报告最意外的：机器人数据集在过去一年的下载增速排到了品类第一。

这不是巧合。VLA（Vision-Language-Action）模型的路径正在被打通，Physical Intelligence、Figure、以及国内一批具身智能团队都在猛推数据集共享。Hugging Face 上现在挂着的机器人操作数据、遥操作轨迹、多模态感知数据集，数量比一年前翻了好几倍。

如果你回头看 NLP 的历史，会发现一个惊人相似的模式：

• 2018 年：BERT 发布，NLP 数据集开始在 Hugging Face 集中
• 2020 年：Transformers 库成为事实标准
• 2023 年：所有人的默认 baseline 都跑在开源模型上

机器人现在处在 2018~2020 之间。谁在这个阶段把数据基础设施占住，谁就有可能定义下一个五年的开发范式。Hugging Face 显然是奔着这个位置去的。

开发者视角：现在做技术选型该怎么想

把上面这些拆开看是几件独立的事，合起来看其实是一件事——开源 AI 生态正在进入第二增长曲线。第一曲线是"证明开源能追上闭源"，这件事在 DeepSeek-R1 之后基本已经证完了；第二曲线是"证明企业愿意为开源自建付费"，Delangue 现在给的答案是"数据已经在那儿了"。

作为开发者，我觉得有几个判断值得记下来：

• 纯 API 依赖的架构未来两年会越来越少见。不是说 API 会死，而是关键路径会被自建模型接管，API 变成兜底和长尾场景的补充
• 模型选型的核心不再是"哪个模型最强"，而是"哪个模型能进我的部署栈"。芯片、内核、推理框架、量化方案，这些以前边缘化的问题正在被抬到桌面
• 微调工程能力会成为 AI 团队的核心竞争力。租 API 时代大家拼 prompt，自建时代拼的是数据管线和后训练
• 多模型混合部署会成为默认架构。用 A 模型做主力、B 模型做垂类、C 模型做兜底，这套组合拳会普及化

关于最后一点，OpenAI Hub 这类聚合平台的意义会更明显一些——你可以在一个 Key 后面同时调 GPT、Claude、Gemini、DeepSeek、Qwen，做 A/B 或者流量切分不用改 SDK。国内直连这点在 2026 年也谈不上稀奇了，但对企业采购来说，一张发票 vs 五张发票的差距，还是能省不少 CFO 的耐心。

Delangue 的态度：不激进，但坚定

有意思的是，Delangue 本人并不是那种"开源必胜、闭源必败"的极端派。他反复强调的是"两种模式都会存在"，只是行业的重心正在明显偏移。他甚至没有把 Hugging Face 定位成 OpenAI 的对立面——Hugging Face 上一直挂着来自 OpenAI、Meta、Google、Mistral、DeepSeek 的模型权重和 checkpoint，它是基础设施，不是站队。

这种"基础设施中立"的定位其实是 Hugging Face 最强的护城河。GitHub 之所以能成为代码托管的默认答案，不是因为它站在任何一边，而是因为所有人都需要它。Hugging Face 走的是同一条路，而且现在看来，走得越来越稳。

访谈末尾，主持人问 Delangue 十年后 Hugging Face 会长成什么样。他的回答很像法国人的风格："我不太在意它有多大，我更在意它对所有人是不是有用。"

听起来有点客套，但结合他这几年不融资时不见投资人、公司团队全球分布、坚持免费增值模式这些做法，你会发现这不是 PR。他是真的按这个逻辑在跑。

对于开发者来说，Hugging Face 走的这条路带来的最直接好处是——你手上能免费用到、能自己部署、能自己改的模型和工具，比任何时候都多。这本身就是开源 AI 第二增长曲线最真实的注脚。

参考来源

• State of Open Source on Hugging Face: Spring 2026：Hugging Face 官方发布的春季开源生态报告，含 Fortune 500 使用数据、机器人数据集增长、Kernel Hub 布局等一手数据
• Shifting Compute Landscape：Hugging Face 关于中国开源模型与国产芯片适配的行业观察
• Kernel Hub 社区页面：官方 Kernel Hub 项目主页，可以看到目前已入库的 GPU 优化内核清单
• Hugging Face 中文社区介绍：知乎上关于 Hugging Face 早期成长历程的中文背景资料，适合补充上下文