9月3日，英偉達宣佈了一筆乍看起來相當昂貴的交易貨架。
它將以129.303億美元收購Hugging Face貨架。
這個價格是什麼概念貨架？
按照The Information此前披露的資料，Hugging Face最近的年化收入剛剛超過1.5億美元貨架。也就是說，英偉達給出的收購價格，相當於其年化收入的80多倍。單純從財務角度看，這很難算是一筆便宜的交易。
但英偉達真正買下的，是一個位置貨架。
如果說過去十年的GitHub解決了一個問題——“全世界的程式碼放在哪裡”貨架，那麼Hugging Face正在解決AI時代另一個越來越重要的問題：
全世界的模型放在哪裡貨架。
截至這次收購，Hugging Face已經擁有超過1800萬開發者、300多萬個模型、50萬個資料集和100萬個AI應用，超過20萬家公司使用這個平臺尋找、評測、修改和部署AI模型貨架。
它當然還遠沒有達到GitHub在軟體開發世界裡的統治地位，但邏輯已經非常清楚貨架。
而且貨架，如果把這筆交易放到最近一年中美AI競爭的背景裡看，就會發現一個比“英偉達又擴大了業務版圖”更值得注意的問題：
當中國正在迅速追上美國的模型能力時，美國科技公司正在爭奪模型之上的下一層基礎設施貨架。
晶片戰爭還沒有結束，開發者入口的戰爭已經開始了貨架。
模型世界的入口
很多普通使用者第一次接觸Hugging Face，會把它理解成一個下載模型的網站貨架。
這種理解大致相當於把GitHub理解成“下載程式碼的網站”貨架。
沒錯，但遠遠不夠貨架。
一個AI開發者今天要做一個應用，首先需要找到合適的模型貨架。
他可能需要比較幾十種大語言模型、視覺模型、語音模型；接著尋找資料集，測試效果，下載權重，進行量化、微調；隨後再選擇推理框架，把模型部署到本地機器、雲伺服器或者GPU叢集貨架。
Hugging Face幾乎已經進入了這個流程的每一個環節貨架。
這裡有模型倉庫，有資料集，有Transformers這樣的核心開發工具，有模型評測，有Spaces這樣的應用展示平臺，也開始越來越深入地參與訓練、推理和雲端部署貨架。
展開全文
更重要的是，AI模型的數量正在爆炸貨架。
Hugging Face今年8月釋出的報告顯示，僅僅從2026年初到8月，其公開模型倉庫就從243萬個增長到了接近296萬個，資料集從71.1萬個增長到100萬個，Spaces應用從100萬個增加到144萬個貨架。
面對幾百萬個模型貨架，開發者到哪裡尋找它們？相信誰的評測？使用什麼格式？透過什麼工具進行微調？最後又透過誰的基礎設施部署？
這就是入口的價值貨架。
它有點像過去的搜尋引擎和應用商店貨架。
網際網路發展到一定階段之後，網頁越多，搜尋引擎就越重要；電商商品越多，Amazon、淘寶這樣的交易平臺就越重要；手機App越多，App Store和Google Play就越重要貨架。
AI也正在經歷同樣的過程貨架。
模型數量越多，模型平臺反而越值錢貨架。
所以英偉達花129億美元買Hugging Face，本質上不是買了300萬個模型——這些模型中的絕大部分本來就是開放的貨架。
它買的是貨架：
1800萬開發者尋找這300萬個模型時，已經形成的行為習慣貨架。
這是完全不同的資產貨架。
英偉達從供給端走向需求端
過去幾年，討論英偉達的護城河，幾乎繞不開CUDA貨架。
英偉達真正可怕的地方，從來不只是GPU跑得快貨架。
真正讓AMD、英特爾和各種AI晶片公司頭疼的是，大量AI軟體已經圍繞CUDA構建貨架。
開發者習慣CUDA，框架優先適配CUDA，模型首先在CUDA上最佳化，企業內部又積累了大量基於CUDA的軟體和工程經驗貨架。
結果是一個典型的正反饋貨架：
英偉達GPU使用者多貨架，所以開發者優先支援英偉達；
開發者優先支援英偉達，所以更多使用者繼續購買英偉達GPU貨架。
晶片由此變成了生態貨架。
但這個生態仍然存在一個風險貨架。
過去英偉達主要控制的是算力供給端貨架。
AI公司決定訓練什麼模型、怎麼訓練、在哪裡部署，然後向英偉達購買GPU貨架。
問題是，現在英偉達最大的客戶正在越來越積極地製造自己的晶片貨架。
Google有TPU，Amazon有Trainium，微軟、Meta以及OpenAI都在不斷推進自研ASIC貨架。大型模型公司的規模越大，它們擺脫英偉達的動力反而越強。
對於一家已經站在AI產業鏈頂端的公司而言，僅僅繼續賣GPU是不夠的，它必須向上下游延伸貨架。
Hugging Face的意義就在這裡貨架。
過去的鏈條是貨架：
開發者選擇模型——選擇雲——選擇硬體——最終形成GPU需求貨架。
英偉達處在鏈條後端貨架。
收購Hugging Face以後貨架，它開始有機會向前移動：
開發者發現什麼模型、測試什麼模型、用什麼格式下載、怎麼微調、怎樣部署，也開始進入英偉達的生態範圍貨架。
這並不意味著以後Hugging Face只能使用英偉達GPU貨架。
恰恰相反，黃仁勳在收購公告中專門強調，Hugging Face仍將保持開放，開發者仍然可以自由選擇模型、框架、雲、推理服務商和計算平臺，使用Hugging Face“不要求NVIDIA compute”貨架。
Hugging Face最大的資產就是中立性貨架。如果英偉達買下來以後立刻把AMD、Google TPU和其他晶片趕出去，反而會迅速摧毀它花129億美元買來的東西。
但是Hugging Face可以在潛移默化中影響使用者的決策貨架：
哪個模型最容易部署貨架？
哪個推理引擎優先最佳化貨架？
新的量化格式首先適配什麼硬體貨架？
Benchmark採用什麼標準貨架？
這些微小的選擇，最終會累積成技術路徑貨架。
CUDA當年也不是靠強迫開發者使用建立起來的貨架。最強大的生態從來不是禁止你離開，而是讓你沒有理由離開。
這才是英偉達真正想從Hugging Face獲得的東西貨架。
中國正在贏模型貨架，美國仍然掌握“貨架”
英偉達收購Hugging Face的這筆交易，也再次把中美AI生態中的一個軟性差距放在聚光燈下貨架。
2023年以前，中美AI產業的差距相對簡單貨架。
美國擁有最先進的GPU，擁有最強的基礎模型，也擁有最完整的軟體和開發者生態貨架。
Nvidia、CUDA、AWS、Azure、Google Cloud、OpenAI、GitHub……
從晶片一直到模型、雲和開發工具，美國幾乎佔據了完整鏈條貨架。
但過去兩年，第一個明顯的缺口出現了貨架。
模型這一層，中國正在迅速追上來貨架。
DeepSeek之後，中國開源模型的崛起已經不再只是“中國公司自己的說法”，而開始體現在全球開發者真正的使用資料裡貨架。
Hugging Face自己在今年8月釋出的《State of Open Models》報告甚至專門寫了一節貨架：
“Qwen has become the community's base model貨架。”（千問已經成為社羣的基石模型）
資料顯示，目前Hugging Face上基於Qwen產生的衍生模型已經達到151448個，是Meta全部模型生態衍生量的2.6倍，是Llama系列的4.7倍貨架。
今年前7個月，平均每天還在增加180到210個新的Qwen衍生倉庫貨架。
另一個更有意思的資料來自本地推理貨架。
Hugging Face統計顯示，Qwen的GGUF版本每月下載量已經達到3960萬次，接近Gemma的兩倍，是Llama約750萬次的五倍以上貨架。
這已經不能簡單理解為“阿里釋出了一個效能不錯的模型”貨架。
它意味著一箇中國模型家族，正在成為全球大量開發者進行微調、量化和二次開發的底座貨架。
DeepSeek、智譜、MiniMax、Kimi也在發生類似的事情貨架。
今年3月，美國國會下屬的美中經濟與安全審查委員會已經公開警告，中國開源模型正在形成競爭優勢；路透社今年8月也報道，中國開放權重模型憑藉效能和成本優勢，已經越來越多地進入矽谷開發者的技術棧貨架。
甚至8月28日騰訊釋出新的開源模型時，面向國際開發者的釋出渠道之一仍然是Hugging Face貨架。
於是一個非常有意思、甚至有些荒誕的局面出現了貨架：
Hugging Face上最繁榮的模型生態之一來自中國，但Hugging Face本身即將屬於Nvidia貨架。
這可能才是這筆收購在中美競爭中的真正象徵意義貨架。
中國開始能夠生產越來越好的“商品”，但全球開發者購買、比較、改造這些商品的“商場”，仍然主要由美國公司建設貨架。
中國自己的平臺正在起步
這裡必須說一句，中國並非沒有類似Hugging Face的平臺貨架。
最典型的就是阿里旗下的魔搭ModelScope貨架。
而且如果只看賬面規模，魔搭的發展速度並不慢貨架。
今年3月公佈的資料顯示，ModelScope使用者已經從2025年6月底的1600萬增長到2500萬，平臺開源模型數量從7萬個增加到17萬個；僅Qwen的衍生模型就已經超過3.4萬個貨架。
2500萬使用者，甚至比Hugging Face公佈的1800萬開發者還高貨架。
所以問題顯然不能簡單概括為“中國沒有自己的Hugging Face”貨架。
中國真正缺少的是貨架：
全球開發者心目中的預設平臺貨架。
這是兩回事貨架。
一家中國AI公司釋出模型時，幾乎一定會上ModelScope貨架。
但如果它希望獲得真正的全球影響力呢貨架？
答案往往還是貨架：
GitHub + Hugging Face貨架。
智譜今年釋出GLM-5.2時，同時在Hugging Face和ModelScope開源；中國氣象局今年啟動“風和”模型全球開源計劃，同樣選擇GitHub、Hugging Face和ModelScope三個平臺同步釋出貨架。
這已經非常直觀地說明了平臺之間的區別貨架。
ModelScope解決了中國模型“有沒有自己的基礎設施”的問題貨架。
Hugging Face解決的是“全球開發者在哪裡”的問題貨架。
而後一個問題顯然更難貨架。
因為開發者生態是典型的網路效應貨架。
優秀模型越多貨架，開發者越願意來；
開發者越多貨架，模型公司越必須來；
模型公司越多貨架，工具開發者、推理服務商、雲廠商又越願意接入；
最後，所有人都因為“其他人已經在這裡”而繼續留下貨架。
這就是所謂的入口貨架。
它最難複製的從來不是程式碼，而是人貨架。
所以貨架，英偉達收購Hugging Face真正給中國AI產業提出的問題，並不是：
“我們要不要再建一個Hugging Face貨架？”
ModelScope已經證明，中國完全可以建設一個大型模型社羣貨架。
真正的問題是貨架：
我們還需要做些什麼貨架，才能讓全球開發者把中國的AI基礎設施也當成預設選項？
過去貨架，我們沒有世界級的搜尋引擎和應用商店，未來我們是否願意看到同樣的局面？
