3.3 开源的盛宴

—— 框架与社区的力量

AI 的繁荣不只靠大公司，更靠全球千万开发者的“用爱发电”。

3.3.1 PyTorch、TensorFlow 与 JAX：主流框架格局

在深度学习框架里，PyTorch 和 TensorFlow 仍是最常见的两大阵营，另外 JAX 在研究和高性能训练场景也越来越活跃。 这有点像手机系统里既有主流双寡头，也有细分强者。

• TensorFlow：生态成熟，部署工具链完整，在部分传统企业场景仍很常见。

• PyTorch：在研究和开源社区占比更高，教程和示例丰富，上手门槛相对低。

• JAX：函数式和并行化能力强，常见于前沿研究和高性能训练实验。

现在的趋势是：PyTorch 在研究和开源社区的使用占比很高。大量最新论文和开源项目会优先给出 PyTorch 版本。 对初学者来说，先学 PyTorch 往往更顺手；但落地到生产时，仍要尊重团队现有栈和部署要求。

3.3.2 Hugging Face：AI 界的 GitHub

如果你问 AI 开发者最常用的模型社区之一，Hugging Face 基本绕不开。

它本来是一家做聊天机器人的公司，后来无心插柳变成了全球最大的 AI 模型集市。 在这里，你可以：

1. 下载模型：全世界的大神把训练好的模型（LLaMA, BERT, Stable Diffusion）上传上来，你一键就能下载用。

2. 体验 Demo：不用写代码，直接在网页上点一点，就能体验最新的 AI 功能。

3. 下载数据：海量的公开数据集供你训练。

可以说，Hugging Face 显著降低了开源 AI 的试错成本。

3.3.3 GitHub Copilot 与 Agentic Coding：当 AI 开始写 AI

这一讲必须提到一个关键方向：AI 编程助手（如 GitHub Copilot、Cursor 等）。 近几年，单纯的代码补全已经不稀奇了，现在更常被讨论的是 Agentic Coding（智能体编程）。

以前，程序员写代码要一个字一个字敲。现在，你写注释或需求描述，AI 就能生成初稿，甚至给出重构方案。 但要注意：AI 代码不是免检代码，仍需要测试、代码审查和安全扫描。

这引发了一个现实问题：当越来越多代码由 AI 参与生成时，我们如何保证代码质量、版权合规和可维护性？ 这已经是工程团队正在面对的问题。

开源与闭源的博弈仍在继续。对初学者而言，先从 Hugging Face 上找一个感兴趣的模型跑起来，比纠结“选哪个框架”重要得多。

3.3.4 思考题

如果你要在一周内“把一个开源模型跑起来并做出一个小 Demo”，你会怎么选：

• 你更愿意先学 PyTorch 还是先用 Hugging Face 的现成管线？为什么？

• 你会如何验证“AI 生成的代码/配置”是可靠的（至少做哪 2 件事）？