Hugging Face：成为机器学习界的“GitHub”
来源｜The Robot Brains Podcast
翻译｜程浩源、胡燕君、许涵如、董文文
五年前，AI领域的知名研究者Andrej Karpathy发文称， 传统人工编程属于“软件1.0”，“软件2.0”时代将以神经网络来编程 ，在这个过渡过程中，将涌现像GitHub这样的重量级平台。
AI届网红公司“抱抱脸（Hugging Face）”有志于成为“软件2.0”时代的GitHub。在Hugging Face上，用户可以托管机器学习模型和数据集等，对它们进行共享、协作和评价，最后将它们投入生产应用，这种模式有点像Github上的托管和协作模式。
如今，依靠明星项目Transformers库走红的Hugging Face的关注点不止于NLP库。Hugging Face已经共享了超100,000个预训练模型，10,000个数据集，涵盖了 NLP、计算机视觉、语音、时间序列、生物学、强化学习等领域，以帮助科学家和相关从业者更好地构建模型，并将其用于产品或工作流程。
对于这些耀眼的成绩，在此前的《 一个GitHub史上增长最快的AI项目 》一文中，Hugging Face的CEO兼联合创始人Clément Delangue分析称，主要是因为Hugging Face弥补了科学与生产之间的鸿沟，通过搭建平台为开源界和科学界赋能，所产生的价值比通过搭建专有工具产生的价值要高上千倍，而很多开源软件和公司都没有做到这一点。
Hugging Face培育了一个庞大的开源社区，商业化似乎也顺理成章。目前，已有超过10,000家公司在使用他们提供的产品和服务，其中付费用户超过1000。在资本市场，Hugging Face也备受青睐，它于今年5月完成1亿美元的C轮融资，估值达到20亿美元。
在Pieter Abbeel近期主持的The Robot Brains Podcast节目中，Clement Delangue聊了聊Hugging Face的发展历程，开源协作和商业化以及机器学习行业的发展。 以下为对话内容，由OneFlow社区编译。
1
从研发聊天机器人到开源平台
Pieter：2016年当你们创业时，为什么一开始决定开发聊天机器人？后来又是怎样改变想法搭建了机器学习开源库？
Clement： 我和Julien Chaumond、Thomas Wolf一起创办了Hugging Face。我们非常热爱机器学习，认为机器学习代表未来，是我们想为之奋斗的事业。
我们希望挑战机器学习领域最难的方向，所以决定开发一个娱乐型的开放域对话式AI，就像科幻电影《Her》里面的AI那样，可以跟人聊天气、朋友、爱情和体育比赛等各种话题。市场上还没有人很好地做出这样的聊天机器人，当时的Siri和Alexa都是事务型AI，主要是为了帮助人类完成某些任务，缺乏趣味性和娱乐性。所以我们就定下了这个创业方向。
为了做好开放域的对话式AI，我们必须做好一系列不同的机器学习任务。我们需要从文本中提取信息，理解文本意图和情感，还要生成回答，对话中涉及图片时还需要进行图像识别。我们还希望AI能够驾驭多种聊天话题，所以需要多种数据集，比如聊体育比赛要有体育数据集，聊天气要有天气数据集等等。
刚开始的两年我们都在做这件事，很幸运在创业初期就能够把自己想做的事做好。
后来就搭建了Hugging Face平台，上面有各种不同的模型和数据集，几乎想到什么就加进去，因为我们一直希望能为整个机器学习社区做贡献。在我们决定开源后，就得到了热烈反响，大家都踊跃地贡献代码，很多公司也开始使用Hugging Face库，让我们觉得创造了巨大的价值。
虽然当时还不清楚这个平台的具体意义是什么，但既然有这么多人感兴趣，那它一定有比较大的作用。几个月后，我们就决定从研发聊天机器人转向搭建机器学习平台，然后在这条路上一直走到今天。这是我们创业途中最正确的决定，我们对此非常开心。
Pieter：你们当初为什么选择开源模式？
Clement： 不同公司想法不同，有些公司认为其主要竞争力在于拥有其他公司所没有的技术，而我们认为公司的竞争力在于技术是否创新，开发速度是否够快，所以选择了开源。
在机器学习这样快速发展的领域，技术更迭日新月异。通过开源共享，既可以帮助他人，又可以为社区吸引到优秀人才，从而提高自己解决问题的能力。
尽管有些人可能不愿意为社区做贡献，但我认为开源是一个明智的决定，可以提高技术敏感度，保证公司永远处于技术前沿。
现在很多AI公司已经失去了技术优势，即使是盈利良好的公司也招不到AI领域的核心人才，这个问题很致命，因为没有前沿技术人才，做出来的东西都是落后、过时的。
Pieter：我记得Hugging Face平台一开始开源的是Transformer库。2017年，Google在 Attention is All You Need 这篇论文中提出了Transformer模型，可以说是继Geoffrey Hinton团队的AlexNet后AI界最重大的突破之一。Transformer模型公布时，你们有什么想法？
Clement： 我们那时一直很关注行业动态，比如Jeremy Howard 和Sebastian Ruder发表的成果（ https://arxiv.org/abs/1801.06146 ）。我们也在实践一些好的想法，比如表征学习（representation learning）。我们读了那篇Transformer论文，后来又试用了BERT模型，觉得非常震撼，决定做点什么。我们的库建起来后，很快就吸引了很多用户，觉得可以在这方面发挥重大影响力。
Pieter：现在人们参与和使用机器学习的方式有很多，有人需要机器学习API，有人需要下载模型用以训练，还有人可能只需要训练模型的数据。在这么多不同的需求中，Hugging Face如何找准定位？
Clement： Hugging Face的用户所选择的抽象层不仅取决于他们的公司类型，还取决于他们在机器学习开发周期中所处的阶段，用户在机器学习开发周期的不同阶段需要不同的抽象层。
当他们处在构建新产品或者构建工作流新功能的初始阶段，他们可能希望从最简单的抽象级别开始，例如从API甚至是demo开始。他们可以在Hugging Face平台上立即试用和测试所有的模型，无需编写任何代码。
这样他们就可以在项目初期非常方便地测试新模型、新用例和新功能。随着新功能逐渐开发成熟，用户会希望自己能够操控更多内容，也愿意投入更多资源，在自己的设备上优化大规模推理、降低延迟。这时，他们可以逐渐接触HuggingFace堆栈中更多的可扩展内容，例如可以使用几乎囊括了市面上最受欢迎的开源库。
Pieter：对用户来说，Hugging Face是一个提供模型的平台，但用户也是Hugging Face平台模型共享的贡献者，你们如何引导用户进行共享？
Clement： Hugging Face社区的发展是一个有机的过程，我们很乐意根据社区用户的意见改进Hugging Face平台。平台创立初期，完全是社区驱动，我们先搞清楚研发人员想要什么，然后去满足他们的需求。 比如研发人员最初想要的是一个托管模型的平台，我们就构建了这样的平台。
后来吸引了一些非研发的用户，他们也想要试用模型，但是运行不起来，所以我们就开始支持在web界面演示模型，比如之前收购的 Gradio 支持用Python演示机器学习模型。
也有研发人员提出来，是否可以提供途径让他们能就模型的偏差和局限进行说明，所以我们就推出了模型卡（model card），这样研发人员可以与想使用模型的公司进行沟通，这类似于一个迭代的过程。模型卡的提出者Margaret Mitchell博士也在几个月后离开谷歌，加入了我们的团队。
Pieter：Hugging Face提供的是平台，那你们怎么获得收入？
Clement： 如果你看看过去十年市场上初创公司的创业历程，会发现开源模式的商业可行性得到了有力印证。像MongoDB、Elastic、Confluent等是收入增长最快的开源公司，获得了商业上的成功。
开源的目的是为整个行业创造更大的价值，通过开源，模型可以得到非常广泛的使用。有一万多家公司在使用Hugging Face的超过十万个模型，其中一半的模型是公开的，任何人都可以使用。
在如此庞大的用户群体中，总有一部分公司愿意付费，例如一些大型公司希望付费获得更多的企业功能，还有一些公司因为重度依赖Hugging Face平台而产生了某些特定的需求，所以希望通过付费得到解决。
因为我们秉持做好机器学习和实现机器学习“平民化”的信念，所以我们一定不能成为闭源公司单打独斗，我们希望采取一种非常开放的协作方式，让任何人都可以和我们一起做出贡献。
2
“开放科学“推动机器学习的发展
Pieter：一年前，我一直认为Hugging Face是NLP开源的大本营，但最近Hugging Face中新增了很多视觉模型。
Clement： 目前在Hugging Face上语音模型和视觉模型都很热门，语音模型的下载量是每月约30万次，视觉模型的下载量每月超20万次。像Vision Transformer这样的Transformer模型在语音和视觉领域已经开始超过一些SOTA模型。
我们刚刚完成了C轮融资， 会持续加大对计算机视觉、语音强化学习、生物化学等方面的投入。我更期待看到不同领域之间的结合：比如将语音与NLP、计算机视觉结合，添加强化学习来做对齐。通过将机器学习的不同领域进行融合，我们可以探索如何提高传统任务的精确度，让研发人员和公司更易上手；同时可以探索创建新的用例，解决遗留难题。
Pieter：虽然现在Hugging Face已经不局限于NLP，但你们一直处于NLP发展的中心。过去五年NLP的发展速度太疯狂，你如何看待NLP的迅猛发展，以及它未来的发展前景。
Clement： NLP的发展速度确实很疯狂，这种迅速发展的起点大概是Google在2017年发表的论文《 Attention is All You Need》 ，接着2018年出现了BERT模型。
Transformer模型基本上在每一项NLP任务和每一个基准测试中击败所有的SOTA模型。自此，越来越多的预训练模型出现，从BERT开始，然后是GPT，RoBERTa以及T5。
这些新一代的模型让NLP变得更准确、易用。所以在这些模型发布几周后，许多公司借助Hugging Face平台和开源库，开始将这些模型应用到生产中，例如搜索功能、信息提取功能、文本分类功能等。
然后就产生了一个良性循环：这些模型越来越完善，准确性越来越高，公司使用这些模型并且看到了其中的价值，然后在机器学习和NLP中加大投入，从而获得更好的模型。这种良性循环彻底改变了NLP领域的格局，把NLP这个三四年前还很小众的机器学习领域，变为当今最大的机器学习门类。
现在Transformer模型已经改变了NLP领域的格局，也开始应用在语音、视觉、强化学习等范畴。这得益于“开放科学”的推动，“开放科学”指的是，全世界顶尖研究实验室的科学家都公开自己的研究论文，将自己的模型面向全世界开源。
我之所以提起这一点，是因为现在参与“开放科学”和开源的实验室越来越少了。我希望唤起大家对开源和开放的重视，没有这种精神就没有Hugging Face今天的发展。如果大家不再公开分享自己的成果，未来我们的发展速度就会变慢。
Pieter：“开放科学”的力量非常强大，特别是在机器学习领域。我想，现在越来越多人选择闭源是因为训练模型的成本太高了。他们花了数百万美元来处理海量数据、训练模型，因此很难狠下心将模型公开提供给外界免费使用。
Clement： 是的。 聘请机器学习人才的成本也非常高，不过纵观整个模型生态，虽然初始训练的成本略显高昂，但一旦训练完成，就可以直接用在很多用例中，模型利用率非常高。以往，我们必须针对每项任务、每个领域、每种语言和每个用例重新训练模型，现在如果想让模型执行新领域的新任务，甚至处理一种全新语言，后续对它们进行成本较低的微调就可以了。这就是迁移学习的美妙之处。
当然，大多数的模型训练都是由科技巨头或大公司完成，它们资金充裕，所以几百万美元的训练成本对它们来说也只是九牛一毛。
如果综合考虑各种因素，我认为现在选择将模型开源共享依然十分划算，因为开源带来的收益要比投入的训练成本多得多。开源可以让更多人接触到你的模型，提高知名度，可以帮你培育生态，提升模型性能，减少模型偏差，还可以帮你吸引到更优秀的研究员，因为杰出的研究员会更希望为整个行业做贡献，而不仅仅是为某一家公司服务，这也解释了为什么科学界一旦有了新研究成果，总要发表论文公开研究成果。
机器学习也是一个科学推动的领域，因此同样适用这个道理。可惜目前大家分为泾渭分明的两大阵营，有人关注模型的短期经济效益，有人着重长远的可持续效益。
Pieter：Transformer模型似乎比以往的模型更通用，似乎朝着人类大脑的通用性迈近了一步。你认为Transformer模型的通用性在代码上有所体现吗？如果要用Transformer模型处理不同的任务，有多少代码可以共享？
Clement： 没错，代码共享是迁移学习的一大特性，而迁移学习是Transformer模型的基础，也是机器学习中最令我感到振奋的发展方向，它可以提高通用性。
一开始Transformer模型只是应用于NLP和文本处理，但现在还可以应用于其他模态。于是现在诞生了更多的多模态模型，例如 CLIP 和 DALL-E 是“文本+图像”的混合，我相信，未来不同模态之间的界限会渐渐消失。
Andrej Karpathy 在Twitter上发表过一系列 帖子 ，很好地解释了为什么不同模态之间的差别会渐渐缩小。我相信大概在三年后，我们不会再按照不同模态把机器学习细分为计算机视觉和NLP等领域，而只会整体谈论Transformer模型、迁移学习和机器学习。因为区分多种模态已经没有必要，不同模态仅意味着模型的输入数据类型有所不同而已。
这种通用性也会给机器学习注入新活力。首先，原本分属不同领域的研究者可以合作，促进科研发展；其次，不同的公司可以使用相同的抽象，这样它们开发新功能时就会容易很多。例如，不同公司要研发的功能和使用的工作流有所不同，但它们都可以使用Hugging Face平台上的资源，而不必单独重新研发新系统。
很多公司一开始只是研发一个非常简单的功能，例如信息提取。完成了这个功能后，基于模型的通用性，他们又可以用同一个模型继续研发文本分类功能，再到文本自动补全功能，继而拓展到图像分类，可以一直不断发展下去。最终，更多公司可以开发更多机器学习功能——这就是实现机器学习的“平民化”。
3
Hugging Face的工作方式
Pieter：作为一个超级篮球迷，我发现NBA球星杜兰特也投资了你们。
Clement： 我们认识的过程挺有意思。杜兰特是天使投资人之一的Brian Pokorny推荐认识的，Brian在SV Angel工作，在公司成立早期，他给了我们很多帮助，大家都叫他“教练”。Brian把我介绍给杜兰特和他的投资公司Thirty Five Ventures的经理人Rich Kleiman，我们就这样认识了。
我是一个法国人，之前对NBA了解也不多。第一见他时不知道他的身份，就像和普通人说话一样和他正常交流，也没有像粉丝见到偶像一样激动。尽管他没有说，但我认为他还是很赞同这种沟通方式。
他非常看好机器学习这类技术工作的前景，而且整个沟通过程比较轻松，不像和其他公司沟通时那么严肃，但对待自己的事业，我们都是认真负责的。
还有一个比较有意思的事，他投资我们时还在勇士队，于是作为合作伙伴，我开始支持勇士队，当时我住在纽约，但是带着金州勇士队的帽子。两年后，他加入了离我一个街区远的布鲁克林篮网队，当时我住在巴克莱中心（篮网队主场）旁边的格林堡。
然后我就犯难了。如果转向支持篮网队，我会被人说是“叛徒”；如果继续支持勇士队，但杜兰特就在离我一个街区远的球队打球，我很为难，所以那时我选择停止关注NBA。
Pieter：C轮融资完成后，团队的规模也在逐步扩大吧？
Clement： 是的，Hugging Face开放了很多岗位。团队从去年的30人扩大到了现在130多人，计划在年底扩大到200人左右。我们的招聘方式和传统的招聘方式不太一样，我们想找一些和公司文化相符合，能够扩大公司价值的人，所以没有设置特定的岗位名称和岗位职责。
我认为，不管处在什么岗位，从事什么样的工作内容，只要员工认可我们的事业并且愿意为之奋斗，他们都可以找到自己的价值，在公司发光发热。我们一直坚守”去中心化、开放协作、价值导向“的价值观。
Pieter：你们的办公地点散落在不同城市，日常工作方式是怎样的？
Clement： Hugging Face在成立之初就在不同城市有办公地点，我在纽约，Julien Chaumond在巴黎，Thomas Wolf在荷兰。现在我们在巴黎和纽约有几个大的办公室，在帕洛阿尔托（位于美国加利福尼亚州圣克拉拉县西北部）、瑞士、伦敦、法国南部各有一间小办公室。
我目前主要在佛罗里达州迈阿密的办公室工作，有时也会飞到另一个地方办公。我们团队约60%的成员都在世界各地远程办公，有时会飞到办公室和团队成员一起线下办公。
在2016年公司创立早期，我们就开始远程办公，并且一直延续至今，这对去中心化的公司文化非常合适。去中心化的核心是异步、公开和透明，比如我们的沟通都是在Twitter和Slack上进行。
新冠疫情爆发后，员工去办公室受到了限制，而此时远程办公的工作方式优势尽显。
（本文经授权后编译发布。原视频：
https://www.youtube.com/watch?v=db_ltgsCR54&list=PLwrcw5ryumgCwOvOsU7U5XIr7OHfjc1Ur&index=37）
其他人都在看
欢迎体验OneFlow v0.8.0：https://github.com/Oneflow-Inc/oneflow/
本文分享自微信公众号 - OneFlow（OneFlowTechnology）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
|
- 上一条： Hugging Face：成为机器学习界的“GitHub” 2022-09-09
- 下一条： 没有了
- Hugging Face创始人亲述：一个GitHub史上增长最快的AI项目 2022-05-13
- 无缝支持Hugging Face社区，Colossal-AI低成本轻松加速大模型 2022-07-13
- 机器学习和深度学习的区别 2022-02-18
- 机器学习算法整理(三) 2021-09-13
- 机器学习算法整理(二) 2021-08-30
