如果说ChatGPT、Stable Diffusion等AI应用是闪耀在夜空中的明星，那么它们背后所依托的“ Transformer ”等模型架构，就是孕育这些明星的浩瀚星云。不过，对于绝大多数人而言，这片星云曾经遥不可及——直到 HuggingFace 的出现。

2017年，三位年轻的创始人本想开发一款能和青少年聊天的AI聊天机器人，并给它起了个温暖的名字“Hugging Face”（拥抱的脸），寓意友善、亲切的交流。

创始人： Clément Delangue、Julien Chaumond 和 Thomas Wolf

不过，在开发过程中，他们被一个难题深深困扰：当时，像BERT这类强劲的AI模型层出不穷，但它们的使用方法千奇百怪，代码和模型权重散落在各处，让开发者们头疼不已。

于是，一个划时代的转折点出现了：

他们意识到，比起做一个单一的聊天应用，创造一个能让所有开发者轻松使用和分享AI模型的工具，显然价值更大。

于是，他们放弃了最初的产品，全身心投入开发了开源的 transformers 库。这个库如同一座“万能适配器”，让开发者能用几行简单的代码，就调用各种复杂的模型。

这个原本为解决自身痛点而生的工具，正好站在了AI技术爆发的风口，精准地击中了整个行业的迫切需求。

可以说，HuggingFace的成功，一半在于其开放的精神，另一半则在于它为用户精心设计的、极其友善的功能体验

我们目前进入官网huggingface.co

huggingface.co（记得科学上网）

在页面的上方的前三个就是huggingface最主要的功能：模型、数据集、试用空间

1.模型仓库（Model Hub）

这里托管了超过几十万个预训练的机器学习模型，涵盖自然语言处理、计算机视觉、音频处理等多个领域。可以根据任务（如文本分类、图像生成）、框架（PyTorch, TensorFlow）、数据集、许可证等条件轻松找到所需的模型。在左侧的筛选区域或者直接搜索都可以找到。

所以这些模型到底该怎么下载呢？

我以比较热门的生图模型（flux）来举例

我在搜索栏输入flux，并选择第一个

在页面上方可以看到有三个选项分别就是这个模型的模型介绍、文件、社区

• 模型介绍页面一般作者会留下该模型的特点使用方法等等

• 文件页面可以直接下载该模型（可以直接在网页下载），当然不同模型的文件页面可能会有不同版本的文件，记得仔细斟酌
• 社区界面相当于该模型的评论区，大家登录后即可相互评论或询问作者

2. 数据集仓库（Dataset Hub）

简单来说就是为模型训练提供燃料。模型根据数据集来了解这个世界

来举个栗子

https://huggingface.co/datasets/hfl/ruozhiba_gpt4

这是弱智吧的数据集，曾经包含超级多高质量的问答。

这个作者把这些数据收集起来做成了数据集

我们可以通过这个数据集训练自己的小模型。

下载方式呢，和下载模型差不多，我们进入Files and versions页面

这个*.json的文件就是他的数据集。

3. 空间（Spaces）

这是让AI应用真正“活”起来的地方

我们可以在这里免部署免调试，不占用自身设备资源，直接测试这些模型

在这里任意选择一个自己想尝试的AI应用

这里我使用的是flux的生图应用，输入我们想要生成的内容，很快生成完毕

本质上，HuggingFace 通过构建一个开源、协作的全栈式平台，成功地成为了 AI 领域的“水、电、煤”——一种不可或缺的基础设施。

• 核心价值：在于将原本分散、高门槛的AI资源（模型、数据、算力），变成了标准化、可组合、易获取的公共服务。
• 定位：它既是AI资源的“图书馆”与“应用商店”，也是开发者们的“工具箱”与“游乐场”。

简而言之，HuggingFace 的魔力就在于，它让 “使用AI”和“创造AI” 这件事，从一项复杂的科研工程，变成了每个有想法的人都能参与的、充满乐趣的实践。

想象一下，拥有了HuggingFace这个‘魔法杖’，你最想创造出一个什么样的AI应用？来评论区描绘你的蓝图！