社区

作者 |肖恩

编辑 |德新

你最近可能在网上刷到过一只机器鸭子。

它叫Microduck，25厘米高，售价399美元。它会踢球，摔倒了能自己翻身站起来，你还可以在仿真环境里训练它学新动作，再部署到真机上。预售仅仅几天，订单就超过了1万台，现在下单，发货已经要排到明年。

这款双足机器人背后的公司，是被称为“AI世界的GitHub”的Hugging Face。普通消费者未必熟悉这个名字，但对AI开发者来说，它是寻找模型、获取数据和分享应用最常用的平台之一，已经聚集了超过1800万用户和300万个模型。

2026年9月2日，英伟达与Hugging Face签署收购协议。次日，黄仁勋报出了一个很特别的数字：12,930,300,000美元。

这串数字里藏着一个小彩蛋。

Hugging Face的logo🤗是个拥抱脸表情，它的Unicode码位是U+1F917，转成十进制恰好是129303。

近130亿美元的交易中，约119亿美元付给Hugging Face股东，另外最多约10亿美元用于员工股权留任。

据The Information披露，Hugging Face年化收入约1.5亿美元。CEO Clément Delangue此前对TechCrunch说，公司“接近盈利”。按总价粗算，收购价约为年化收入的86倍；只算股东拿到的119亿美元，也有79倍。

这显然不是一笔便宜的收购。

年化收入约1.5亿美元、还没有确认盈利，这样一家公司，为什么能让英伟达拿出近130亿美元？Hugging Face究竟是一家怎样的公司？

一、从聊天App到AI世界的公共入口

2016年，Clément Delangue、Julien Chaumond和Thomas Wolf创办Hugging Face时，觉得当时的Siri和Alexa太无聊了。它们会查天气、设闹钟，却更像工具，而不是一个真正可以交流的AI伙伴。

三个人想做一款更有性格的聊天App，让用户可以和AI聊心情、讲段子，甚至建立一点陪伴感。

“Hugging Face”这个名字，就来自他们喜欢的🤗表情。

产品做了将近三年，用户累计发出了超过十亿条消息，但始终没能找到一条真正跑得通的商业模式。不过，为了把这个聊天机器人做出来，团队不得不先解决另一堆问题。

聊天机器人要理解情绪，要提取信息，也要生成回答，背后会同时用到不同的模型和数据。模型怎么保存，版本怎么管理，不同框架之间怎么兼容，这些原本只是产品开发中的问题，后来反而成了Hugging Face转型的基础。

真正的转折出现在2018年。那一年，Google发布BERT。这个模型后来影响了整个自然语言处理领域，但刚发布时只提供TensorFlow版本。Hugging Face联合创始人Thomas Wolf花了一个周末，把它移植到另一套当时同样流行的机器学习框架PyTorch上，然后把代码公开到了GitHub。

原本只是一个方便开发者使用BERT的小项目，很快吸引了一批开发者。有人来修Bug，有人希望加入新的模型，也有人直接参与代码维护。团队突然发现，相比那款迟迟找不到商业模式的聊天App，外面的开发者对这些工具反而更感兴趣。

Delangue后来把那个周末称为Hugging Face真正的“创立时刻”。

团队慢慢放下聊天App，把重心转到了开发者工具。那个最初只支持BERT的项目不断加入新的模型，后来发展成今天的Transformers。

Transformers不是Transformer算法本身，而是Hugging Face做的一套开源工具。简单来说，它让开发者不用每遇到一个新模型，就重新研究一遍应该怎么加载、训练和运行。一个开发者想比较几种文本模型，过去可能要分别研究几套代码；有了Transformers以后，很多操作可以沿用相似的方式。

看起来只是少做了一些重复工作，却逐渐成为Hugging Face后来做产品的一条主线：让模型变得更容易使用。

一个模型接入Transformers之后，不只是平台上多了一个名字，也意味着更多开发者可以沿用熟悉的工具去调用、修改和继续开发它。

Hugging Face也由此找到了自己的位置。它没有去和Google、Meta竞争训练出更强的模型，而是专注把模型和开发者之间那一层工具做好。

模型越来越多，新的问题也随之出现：开发者需要一个地方去找模型、存模型、管理版本。于是有了Hugging Face Hub。研究团队可以把模型、数据和使用说明上传到这里，其他人找到以后可以直接下载，也能在原来的工作上继续往下做。

如果说Transformers解决的是“模型怎么用”，Hub解决的就是“模型去哪里找”。

但模型能下载，仍然不代表所有人都能真正用起来。

Gradio是一个模型可视化的工具，它的创始人Abubakar Abid在斯坦福读博士时，开发了一个计算机视觉模型，希望让一位医生合作伙伴帮忙测试。模型已经做好了，但是医生不会Python，没办法直接拿自己的图片去跑代码。

Abid于是开发了Gradio，让开发者可以很快给AI模型套上一个操作界面。医生不用写代码，只要上传图片，就能直接看到模型给出的结果。

2021年，Hugging Face收购了Gradio。再配合Spaces这样的在线服务，开发者可以把模型做成一个网页Demo。别人点开链接就能试效果，不需要先下载几十GB文件，再折腾运行环境。

从Transformers到Hub，再到Gradio和Spaces，Hugging Face每往前走一步，解决的其实都是同一个问题：怎样让更多开发者参与进来。

当越来越多开发者加入以后，Hugging Face本身也开始发生变化。

研究团队上传模型，开发者补充工具，有人做出新的应用，也有人在别人的成果上继续修改。Hugging Face不再需要自己决定平台上应该出现什么。随着开发者越来越多，新的模型、工具和应用也被不断带进平台。

当年Hugging Face设想的是，怎样做出一个让用户喜欢的AI产品。几年以后，它更关心的是，如何让别人更容易做出自己的AI产品。

二、免费的Hugging Face，怎么赚到1.5亿美元

如果你打开Hugging Face的网站，会发现这里几乎什么都是免费的。

公开模型可以直接下载，Transformers这样的核心工具免费使用，别人做好的Demo点开就能体验。对开发者来说，它更像一个巨大的免费游乐场，而不是一家急着收费的软件公司。

但到了2026年，Hugging Face的年化收入已经达到约1.5亿美元。

这些钱是怎么赚来的？

美国个人理财应用Rocket Money的经历，是一个很典型的例子。

Rocket Money每天要处理大量用户交易。过去，它主要靠人工设定的规则，判断一笔交易来自哪家商户、属于什么类型。随着业务越来越大，团队开始尝试用机器学习模型接手其中一部分工作。

模型在测试阶段已经跑通，真正难的是把它融入业务里长期运行。

当时Rocket Money每个月要处理超过1亿笔交易，而且流量并不稳定。模型正式上线以后，不但要响应得快，还要随时应付突然增加的请求。而公司的机器学习团队并不大，也没有专门的人维护模型部署系统。

他们先试过自己搭建，也评估过亚马逊提供的模型部署服务。问题在于，Rocket Money原来的数据和模型训练都放在谷歌云上。如果再把模型搬到亚马逊云，就要多做一次迁移，原来的系统也要跟着调整。

Hugging Face提供了另一种选择。

Rocket Money可以继续在原来的谷歌云环境里处理数据、训练模型，只把训练好的模型交给Hugging Face托管。业务需要调用模型时，直接通过接口把请求发过去，不用为了上线一个模型，把原来的系统重新搬一遍。

一周之内，团队就把一小部分真实流量接到了Hugging Face。

但他们没有马上决定合作。接下来的三个月里，Rocket Money不断增加流量，还专门模拟业务高峰做压力测试，确认Hugging Face能够在请求突然增加时保持稳定和较低的延迟。

技术之外，Hugging Face的服务方式也很重要。

双方建了一个共享沟通频道，一旦出现问题，Hugging Face的工程师会直接参与处理。对Rocket Money这样没有专门模型运维团队的公司来说，这意味着工程师可以把更多时间放在模型和产品本身，而不是维护服务器和部署系统。

经过三个月测试，Rocket Money最终选择由Hugging Face托管模型。现在，这套模型每个月处理的交易量已经超过10亿笔。

这个案例也说明，企业用户需要的有时候并不是模型本身，而是模型进入业务之后的工程服务。

小团队可以购买Team账户，管理成员、权限和私有项目。规模更大的企业则使用Enterprise服务。模型运行需要的GPU、推理和存储资源，再按实际用量收费。

但这并不是Hugging Face一开始就设计好的商业模式。

很长一段时间里，Delangue更关心有多少开发者和公司在使用平台。2023年，他曾透露，大约1.5万家公司使用Hugging Face，其中约3000家付费。随着企业真正把模型放进业务，权限、安全、部署、计算和技术支持的需求越来越多，收费业务才逐渐明确下来。

慢慢地，Hugging Face也摸清了免费和收费之间的边界。

Meta发布模型，研究机构上传数据，独立开发者制作工具和Demo，这些内容大部分都可以免费使用，却不断让平台变得更丰富。企业开始一个AI项目时，也就不用什么都从零做起，很多模型、工具和经验在平台上都是现成的。

等项目真正进入生产环境，需要稳定部署、计算资源和企业级服务，Hugging Face再从中收费。

对Hugging Face来说，开放并不是商业化的代价，反而是商业化的基础。更多开发者参与，带来更多模型、数据和应用；这些内容又吸引更多企业进入平台。

这也解释了英伟达为什么愿意为Hugging Face拿出近130亿美元。

过去几年，黄仁勋一直在强调开放模型的重要性。英伟达自己也在Hugging Face上发布了数百个模型和数据集，早在收购之前，两家公司就已经有很深的合作。

更重要的是，这与英伟达的核心生意直接相关。

英伟达卖的是算力。一个开放模型被更多开发者下载、使用，再部署到企业里，背后都需要训练和推理资源。模型越容易被更多人使用，需要计算资源的人也就越多。

对英伟达来说，Hugging Face连接的并不只是几家大型模型公司，而是1800多万开发者，以及那些正在尝试把AI用进自己业务的企业。

OpenAI这样的公司可以自己训练模型，再通过API把能力卖出去。开放模型则允许开发者和企业自己下载、训练和部署，不必把所有需求都留在少数几家模型公司手里。

一个研究团队、一家银行，甚至一家小型创业公司，都可能成为模型的使用者。

这些人最后不一定会给Hugging Face付很多钱，却都有可能成为英伟达算力的用户。

英伟达买下Hugging Face，并不只是买一家年化收入1.5亿美元的软件公司。它买到的，是开放模型触达开发者和企业的一条重要入口。

从黄仁勋过去几年的表态看，他一直把开放模型视为扩大AI市场的一种方式：参与者越多，最终需要的算力也越多。

三、一个开源平台，为什么要造机器人

Hugging Face真正把目光转向机器人，是因为Thomas Wolf发现，实验室里的机器人突然变得不太一样了。

他后来回忆，那几年陆续看到机器人学会叠衣服、洗碗。真正让他感兴趣的，不是这些动作本身，而是背后的变化：过去机器人最难解决的软件问题，开始随着大模型和新的学习方法出现突破。

Wolf很快联想到Hugging Face过去几年经历过的事情。

AI开发原本也是少数研究人员才能参与的工作，后来随着工具越来越成熟，普通软件开发者也能调用模型、微调模型，甚至自己做应用。

机器人有没有可能也经历一次这样的变化？

2024年，曾参与Tesla Optimus项目的Rémi Cadène加入Hugging Face，随后推出LeRobot。

Hugging Face一开始并没有造机器人，而是先做自己最熟悉的部分：工具。

LeRobot把机器人数据、训练方法和模型接口整理到一套开源工具里，让原本没有机器人研究背景的软件开发者，也能更容易开始尝试。思路和当年的Transformers很像——先把复杂的东西整理成更容易使用的工具，再让开发者继续往下做。

但LeRobot很快碰到了一个Transformers从来没有遇到过的问题。

代码可以免费，模型可以下载，机器人不行。

一个开发者想真正训练机器人，手里首先要有一台机器。只要设备仍然是几万、十万美元一台，不管软件多开放，真正能参与的人依然主要是实验室和少数企业。

于是，Hugging Face开始考虑开发硬件。

它没有从头搭建机器人制造团队，而是先和法国公司Pollen Robotics合作。双方2024年已经围绕Reachy 2开展项目，到2025年，Hugging Face直接收购了Pollen。

Pollen原来的Reachy 2是一台面向大学和研究机构的机器人，售价大约7万美元。

如果沿着传统机器人公司的路线继续往前，下一步通常是做一台更复杂、更强，也更贵的机器人。

Hugging Face却选择了相反的方向：先把机器人做得更简单、更便宜。

如果目标是让更多开发者真正拥有一台机器人，就不能一开始追求完整的人形结构。复杂的手臂、双腿和大量执行器都会迅速推高价格，而且很多开发者最初想研究的，其实只是视觉、语音、交互和AI应用。

于是有了Reachy Mini。

它没有做成完整的人形机器人，而是保留了摄像头、麦克风、扬声器和身体运动这些与交互最相关的能力，把起售价压到了399美元。

Reachy Mini并不是Reachy 2的缩小版。Hugging Face从一开始就想把它做成一个可以继续开发的平台。

Wolf曾把Reachy Mini类比成智能手机：手机真正有生命力的地方，不是出厂时预装了多少功能，而是后来不断出现的App。Reachy Mini也是一样，用户买到的只是一个起点，开发者可以继续给它增加新的应用，再分享给其他人使用。

所以它从一开始就配套了开发工具、仿真环境和应用分发。机器人最后能做什么，不必全部由Hugging Face提前定义。

Microduck，则是在Reachy Mini开发过程中产生的另一个想法。

如果小机器人不只是待在桌面上和人交流，而是能够真正移动，会怎么样？

这一次，团队想解决的是动作学习。

Microduck同样卖399美元，但重点不再是对话和交互。开发者可以先在仿真环境里训练动作，再把训练结果部署到真机上，让它学习走路、踢球或者完成新的动作。

它为什么也要做得这么小？

因为训练机器人，本来就是一个不断失败的过程。大型人形机器人每摔一次，都可能需要人工复位，严重时还会损坏硬件。设备越贵、越复杂，试错的成本就越高，也越不适合普通开发者反复折腾。

Microduck只有25厘米高，不到一公斤。摔倒以后，它甚至可以尝试自己站起来。

团队还刻意避免把Microduck做成一块难上手的开发板。它出厂时就有可以直接体验的动作。不会写代码的人可以先玩起来，愿意继续深入的人，再进入仿真、强化学习和动作训练。

Reachy Mini和Microduck看起来是两种不同的产品，背后的理念却是相同的。

Hugging Face没有先去追求一台能力最完整的机器人，而是先把价格和使用门槛压到更多开发者能负担的范围，再把后面的创造空间留给他们。

开发者在这些硬件上做出的应用、动作和训练策略，又会继续回到社区，成为下一批人的起点。

从软件到硬件，Hugging Face一直想做的，都是让更多人能够参与开发。

四、结语

十年前，Hugging Face想做的只是一款聊天机器人。那款产品最终没有做成，却让这家公司找到了后来十年反复在做的一件事：把AI开发变得更容易，让更多人参与进来。

后来有了Transformers、Hub，也有了今天的企业服务和机器人。产品一直在变，背后的理念没有变。

开发者上传模型、数据和工具，分享应用和开发经验。Hugging Face并不拥有所有这些成果，但这些不断积累的内容、协作关系和使用习惯，构成了它最难复制的部分。

130亿美元的收购价当然不便宜。

但如果买到的是一个连接1800万开发者、影响开放模型分发和使用的重要入口，这个数字也就有了另一层意义。

从这个角度看，英伟达买下的不只是一家公司，更像是一张进入开放AI生态的门票。

130亿美元也许没有也没有那么贵。