AI行业新变局:Hugging Face或130亿美元出售,OpenRouter被80亿级收购!

不造模型,也值130亿美元

据报道,开源AI平台Hugging Face正在探索出售,潜在交易价值至少130亿美元。目前,包括微软、谷歌、亚马逊、英伟达等在内的AI巨头,都被认为可能对这家公司感兴趣。

如果消息最终落地,这会成为AI行业又一笔重量级交易。这笔收购格外引人注意,Hugging Face并非传统模型公司,而是AI模型世界里的大型开源社区和分发平台。研究人员和开发者可以在这里上传、下载、测试各种模型,也可以基于已有模型进行微调和二次开发。

Hugging Face成立于2016年,最初做的是一款聊天机器人。随着Transformer模型和开源AI的发展,公司才逐渐转向模型社区和开发平台。2023年,Hugging Face完成4.35亿美元融资,当时公司估值约45亿美元,年化收入约3000万美元。

如果按照如今传闻中的130亿美元交易价格计算,短短几年时间,Hugging Face的估值还将接近增长3倍。一家成立不到十年的公司,没有训练出一个行业领先的大模型,收入规模也远不能和OpenAI、Anthropic相比,为什么会被巨头按照百亿美元级别争夺?答案就是:生态。

随着开源模型快速发展,Hugging Face逐渐成为全球AI开发者最重要的平台之一。如今,Hugging Face已经拥有超过300万个公开模型、约100万个公开数据集,以及超过1300万用户。很多开源模型的发布,都会选择Hugging Face作为第一站。对于开发者来说,大模型公司创造的是模型能力,而Hugging Face连接的是模型从开发到落地的整个过程。这也是Hugging Face最核心的价值。

AI角斗场,不只有选手值钱

就在Hugging Face传出探索出售之后,AI行业还出现了另一笔让人意外的交易。今年8月,支付公司Stripe宣布收购AI模型路由平台OpenRouter,交易价格达到80亿美元级别。

OpenRouter成立于2023年,今年5月刚刚完成一轮1.13亿美元融资,当时公司估值约13亿美元。短短几个月后,收购价格较公司的估值上涨了超过6倍。据报道,OpenRouter近期年化收入约1.4亿美元,按照80亿美元交易价格计算,收购价格相当于接近60倍年收入。

和Hugging Face一样,OpenRouter也不是一家训练大模型的公司。如果说OpenAI、Anthropic、Google等公司是站在AI竞争中心的“选手”,不断争夺谁能训练出更强的模型,那么Hugging Face和OpenRouter更像是围绕这些选手搭建起来的“角斗场”。它们都没有创造最核心的模型能力,却连接了大量模型开发者和使用者。

对开发者来说,模型选择越多,接入反而越麻烦。OpenRouter提供了一个统一入口,让开发者可以通过一次接入调用不同公司的模型,并根据任务需求在不同模型之间切换。如今OpenRouter已经接入超过400个模型,覆盖数十家模型供应商,每天处理万亿级Token请求,用户包括个人开发者、创业公司和企业客户。这也是Stripe愿意花数十亿美元收购它的原因。

为什么巨头都想买下“第三方”

软件行业曾经有过非常类似的案例——2018年,微软宣布以75亿美元股票收购GitHub。GitHub成立于2008年,最初只是一个帮助开发者托管代码、协作开发的平台。到微软宣布收购时,GitHub已经拥有超过2800万开发者和8500万个代码仓库,是全球最大的代码托管平台之一。但从商业规模来看,GitHub并不像一家值75亿美元的公司。

微软真正买下的是软件行业最大的开发者网络。GitHub证明了一件事,即在技术产业里,控制生产资料很重要,但控制生产资料流动的入口,同样具有巨大价值。

如今AI行业正在出现类似变化。既然入口这么重要,微软、谷歌、亚马逊这些已经拥有模型、云服务和开发者工具的巨头,为什么不能自己做一个?巨头当然可以这么做,但问题是平台将天然带有商业立场,这对促发活力并无益处。Hugging Face为代表的“角斗场”最特殊的地方正是在于它长期扮演一个相对中立的角色。

GitHub当年也是如此。微软在宣布收购时,专门强调GitHub将继续保持独立运营,保持开放平台属性。Hugging Face未来如果被微软、谷歌或者亚马逊收购,也会面对类似问题。收购可以带来更多资金、更强基础设施和更快商业化,但同时也可能削弱它作为公共AI社区的中立性。这其实也是AI时代正在出现的矛盾。开源模型需要开放平台,开发者需要自由选择,巨头又希望控制这些连接智能能力的关键入口。这将是一个“不可能三角”吗?

内容概要:本文围绕基于CNN-BiLSTM-Attention混合神经网络模型的电力负荷预测展开研究,提出一种结合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)与注意力机制(Attention)的深度学习框架,并通过Python代码实现高精度的短期与超短期负荷预测。该模型充分利用CNN对局部特征的提取能力,捕捉负荷数据中的周期性与趋势性模式;借助BiLSTM对时间序列前后向依赖关系的建模能力,增强对动态变化的感知;并通过Attention机制自适应地聚焦关键历史时刻,提升预测准确性。文中详细阐述了数据预处理、模型结构设计、训练流程及超参数调优方法,并在真实负荷数据集上进行了实验验证,结果表明该混合模型相比传统单一模型和其他基准模型具有更优的预测性能,尤其在应对非线性、非平稳负荷波动方面表现突出。; 适合人群:具备一定Python编程能力和机器学习基础,从事电力系统分析、能源管理、智能电网时序预测相关工作的科研人员、工程师及高校研究生。; 使用场景及目标:①应用于电网调度、电力市场出清、需求响应管理等场景下的精细化负荷预测;②为研究人员提供一套完整的、可复现的深度学习负荷预测代码框架,推动AI技术在能源领域的落地应用;③帮助理解CNN、BiLSTM与Attention模块之间的协同机制及其在时序建模中的集成方式。; 阅读建议:建议读者结合所提供的Python代码进行动手实践,重点掌握数据归一化、滑动窗口构造、模型搭建与训练技巧,并尝试在不同地区、不同季节的负荷数据上进行迁移测试,以深入理解模型泛化能力与调参策略。
内容概要:本文围绕“MATLAB具有储能的经济调度及机会约束和鲁棒优化”展开,系统研究了电力系统中融合储能技术的经济调度问题,重点探讨了机会约束规划与鲁棒优化方法在应对能源出力不确定性、负荷波动及系统运行风险中的应用。内容涵盖风光储协同调度、多微网共享储能、电动汽车参与调度、低碳经济调度等多种典型场景,深入分析了储能的选址定容、功率协调控制、状态估计与优化调度模型。核心技术包括粒子群优化(PSO)、分布鲁棒机会约束(DRCC)、模型预测控制(MPC)、鲁棒优化、二阶锥规划(SOCP)等先进算法,并提供了基于Matlab/Simulink的完整仿真代码实现,旨在提升型电力系统的运行灵活性、经济性与抗风险能力。; 适合人群:具备电力系统、自动化、电气工程相关专业背景,熟悉Matlab/Simulink仿真环境与基本优化算法,从事能源并网、微电网运行、储能系统规划、电力市场调度等领域的研究生、科研人员及工程技术人员。; 使用场景及目标:① 学习并构建含储能的电力系统经济调度优化模型;② 掌握机会约束与鲁棒优化在处理能源不确定性问题中的建模思路与求解方法;③ 利用提供的Matlab代码进行算法复现、仿真验证与性能对比,支撑科研项目攻关;④ 为撰写高水平学术论文、学位论文工程优化方案提供可靠的模型参考与代码支持。; 阅读建议:建议读者结合文档中具体的案例(如风电-水电联合调度、电动汽车集群调度、多微网共享储能等)和配套的Matlab代码进行动手实践,重点关注优化模型的构建逻辑、约束条件设定与求解器配置过程,同时可关注公众号“荔枝科研社”获取完整资源包、复现教程及持续的技术支持。
打开链接下载源码: https://pan.quark.cn/s/d8b35376d2e3 深度学习不确定性量化近年来已成为人工智能研究中的一个关键议题,特别是在优化过程和决策制定中的应用正变得越来越关键。文章《深度学习不确定性量化:技术、应用与挑战》详细研究了这一议题,其目的在于归纳当前已有的方法,审视其在不同场景下的应用情况,并明确当前面临的难题以及未来的探索方向。不确定性量化(UQ)的主要宗旨在于对模型的不确定程度及其预测结果的可信度进行评估,这对于防止决策失误和增强系统稳定性具有决定性作用。在深度学习模型中,由于模型结构的复杂性以及训练数据的限制,模型可能表现出高度的不确定性,这使得UQ成为深度学习不可缺的一部分。 在不确定性量化的方法论层面,文章指出了两种主要技术路径:贝叶斯近似方法和集成学习方法。贝叶斯近似通过构建概率模型来推断模型参数的后验分布,以此方式捕捉模型内在的不确定性;而集成学习则通过组合多个模型的预测结果来减少单一模型的不确定性。这些技术已在包括计算机视觉(涵盖自动驾驶和物体识别)、图像处理(比如图像修复)、医疗影像分析(涉及医学影像的归类和分割)、自然语言处理(如文本归类和风险评估)、生物信息学等多个领域展现出广泛的应用前景。 在强化学习(RL)的框架内,不确定性量化同样扮演着重要角色。在非静态环境中,智能体需要评估其行为决策所带来的不确定性,从而做出更为合理的行动选择。不确定性量化技术能够提供关于奖励机制和环境状态的不确定性评估,进而帮助智能体更有效地探索环境并优化其学习策略。 尽管深度学习中的不确定性量化取得了长足的发展,但仍存在若干核心难题。例如,如何高效地评估大型神经网络的不确定性,特别是在计算资源受限的情况下;如何将不确定性量化...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值