Lukas：在你看来，是什么促成了Hugging Face的成功？Clément：回头看看那些最流行的开源项目，你会发现它们都经历了很长时间的沉淀。我们在两年半前才发布了第一个版本，现在仍处于婴儿期，但Hugging Face Transformers绝对是GitHub上增长最快的机器学习库。现在，它在Github上已经获得了超过42,000个Star，每月被安装超100万次，有800人为Transformers贡献了代码（译者注：截止2022年5月，该库已获得超62,000个Star，代码贡献者超1200人），取得这些成绩的主要原因在于，它弥补了科学与生产之间的鸿沟，很多开源软件和公司都没有做到这一点。我觉得，与软件工程1.0或计算机科学相比——尽管计算机科学在名义上有“科学”二字，但它实际上并不是一个科学驱动的主题，看看那些优秀的软件工程师，并不会真正地去阅读、研究论文，也不会在计算机科学的“科学”方面循规蹈矩。而机器学习属于真正意义上由科学驱动的领域，这一切都源于世界各地几十个非常出色的NPL团队创建了BERT、T5和RoBERTa等很多模型。我们的Transformers库就是为这些研究者提供一个平台，去展示那些他们想要分享的模型，以及测试他人的模型，以此来深入研究这些模型的内部架构。同时，Transformers库旨在创建一个很简单的抽象体，让所有NLP领域的参与者都能够在研究人员发布模型后的几个小时内使用这些模型。每当研究者在Transformers库中发布新模型，就会产生神奇的网络效应。人们都关注着这些模型，谈论着这些模型，并在Transformers中测试这些模型。他们将其用于工作，投入生产，尽其所能支持这些模型。对于科学家来说，他们也很乐意看到自己的研究被看到、使用，影响着整个社会，反过来也会驱动他们想要创造和分享更多模型。这种良性循环会使我们的项目比传统的开源项目发展得更快，并且已经引起了市场和机器学习领域的共鸣。Lukas：一个模型从最初构想到最终投入生产应用，其中最意想不到的挑战是什么？用户使用你们的平台时还有没有什么困难需要解决，还是说这个平台可以开箱即用？Clément：机器学习模型与传统的软件工程有很大不同，很多公司都很难从后者过渡到前者。由于机器学习模型缺乏可解释性，所以很难预测模型的输出结果，也很难对模型进行调整；而软件工程师一直以来习惯了可以非常明确地界定他们想要的结果，因此，对他们来说这种思维转变非常不容易。我认为，对机器学习的理解是最难的部分，甚至比技术性问题还要难。从技术层面讲，很高兴看到模型做得越来越大，但投入生产应用还需要更多技巧和更大努力。我记得Roblox发表过一篇很好的文章（http://blog.roblox.com/2020/05/scaled-bert-serve-1-billion-daily-requests-cpus/），阐述了他们如何利用DistilBERT在一天内处理超过10亿次推理，但挑战依然存在，还需要提升基础设施能力。Lukas：你怎么看待这个领域所存在的竞争？Clément：我始终秉持的一个观点是：在NLP或者机器学习领域，最坏的情况就是要与整个科学界和开源界竞争。我以前就是这样过来的。我是法国人，曾在巴黎一家创业公司做计算机视觉工作。在机器学习这么一个日新月异的领域，要与整个科学界和开源界竞争非常艰难。巨头公司或者大学里有上百个研究实验室，虽然可能不是每个实验室都比我们做得好，但竞争对手实在太多，压力巨大。你或许可以在一段时间内超越对手，风光一两天，但过不了多久可能就会被赶超。所以，我们现在不再试图竞争，转而选择为开源界和科学界赋能。通过开源模型，可以为架构和数据库的改进提供灵感。Elastic和MongoDB就是很好的例子，它们的事迹表明，初创公司可以通过某种方式为社区赋能，此种方法产生的价值比通过搭建一个专有工具产生的价值高出上千倍。你也不需要从创造的价值中获取100%的红利，而是可以只将其中1%的价值变现，维持公司的经营。但即便只是1%，也足够让你成为一家高市值的公司，MongoDB就是一个例子。Elastic和MongoDB都是以开源为核心，也都成功发展起来了，并且还能在市场中活下去。我相信，在机器学习领域也可以复制它们的模式，机器学习技术还处于早期发展阶段，但我相信很快要迎来它的春天，在未来5到10年，会有1到10家开源机器学习公司崛起。（本文已获得编译授权，原视频：https://www.youtube.com/watch?v=SJx9Fsnr-9Q） 其他人都在看