原本差點成為一家沒人記得的聊天 App，最後卻變成 AI 世界的基礎設施

2026-09-14 · Simon 巫

他們想賣的 AI 朋友沒做起來，免費送出去的工具，最後讓 NVIDIA 出價 129 億美元收購

2016 年，三個法國人在紐約創業。

他們想做一個很超前的東西：

AI 朋友。

那時候社群媒體已經進入青少年的生活，但網路霸凌、惡意留言、孤獨感也跟著進來。

所以他們做了一個聊天 App。

裡面的角色會陪你聊天、跟你交換照片，甚至會感知你的情緒。

公司名字也很可愛。

Hugging Face。

就是現在手機裡那個張開雙手的「🤗」。

2017 年，他們募到約 120 萬美元。

投資人裡甚至有 NBA 球星 Kevin Durant。

想法很新。

錢也拿到了。

問題只有一個：

東西沒有真的做起來。

現在回頭看，原因其實不難理解。

2016 年是什麼年代？

連後來改變整個 AI 世界的 Transformer 論文，都還要到 2017 年才出現。

今天我們已經習慣 ChatGPT可以跟你聊工作、感情、財務、人生。

但那個時候，AI 要把一句人話接得自然都不容易。

Hugging Face 想做的東西，

跑得比當時的技術快太多了。

聊天品質上不去。

使用者留不住。

商業模式也沒有真的跑出來。

如果故事照這條線繼續走，

Hugging Face 很可能就跟那個年代幾千個新創 App 一樣：

募到一點錢。

紅一小段時間。

然後就消失了。

真正的轉機，發生在他們快做不下去的時候

2018 年，Google 發布 BERT。

如果你不是做 AI 的，

不用管那些技術名詞。

你只要知道一件事：

當時 BERT 的自然語言處理能力非常強。

而 Hugging Face 正好需要它。

因為他們還在想辦法把自己的聊天機器人救起來。

問題來了。

Google 公開的 BERT，主要是 TensorFlow 版本。

Hugging Face 團隊平常用的卻是 PyTorch。

你可以把它想成：

現在有一套很好用的軟體，但它只有 Windows 版。

偏偏你整間公司都用 Mac。

看得到。

用不了。

怎麼辦？

自己搬。

Hugging Face 團隊把 BERT 移植到 PyTorch。

2018 年 11 月 5 日，他們直接到 Google BERT 的 GitHub 頁面留言：

我們做出 PyTorch 版本了。

希望對大家有用。

然後順手把它開源。

免費。

所有人都可以去拿。

這件事情當時沒有什麼宏大的商業計畫。

他們不是突然開會決定：

「我們不要做聊天機器人了，我們來改變全球 AI 基礎設施。」

他們只是想救自己的產品。

自己的工具不相容。

那就自己做一套。

結果，外面的人比他們自己還興奮。

原本的產品沒人排隊，旁邊那張工作桌卻擠滿了人

BERT 的 PyTorch 版本放出去之後，開發者開始湧進來。

五個月左右，在 GitHub 上已經拿到大約五千顆星。

連 Thomas Wolf 自己都很意外。

他們原本只是做一個內部需要的工具。

結果外面一堆人剛好也卡在同一個地方。

而且那些人不是被廣告說服進來的。

也不是業務一個一個打電話找來的。

他們自己找過來，因為他們真的需要。

後來這套工具開始加入更多模型。

名字也一路從：

pytorch-pretrained-BERT，變成 pytorch-transformers，最後變成今天很多 AI 開發者都知道的：

Transformers。

到這裡，Hugging Face 才真正看到一件事。

他們一直想推的聊天 App，市場反應平平。

反而那個根本沒想過要賣的工具，卻一直有人在使用。

市場其實已經把答案寫在他們面前了。

但接下來又出現第二個麻煩

工具有人用了之後，模型開始愈來愈多。

這時候又卡住了。

GitHub 很適合放程式碼。

可是 AI 模型不太一樣。

程式碼可能只是幾 MB。

模型檔案可能是幾 GB、幾十 GB，後來甚至更大。

當時很多研究者訓練完模型，只能把檔案丟到雲端硬碟、自己的伺服器，再貼一個下載連結。

久了就開始出問題。

連結失效。

版本搞不清楚。

文件找不到。

到底哪一個模型是最新版，也不知道。

這一次，Hugging Face又遇到一個自己正在痛的問題。

於是他們開始想：

如果 GitHub 是放程式碼的地方，

那 AI 模型有沒有可能也有一個自己的 GitHub？

2019 年完成 A 輪融資之後，這個方向開始愈來愈清楚。

2020 年，Model Hub 上線。

模型可以直接放上去。

別人可以搜尋。

可以下載。

可以管理版本。

後來資料集也放進來。

再後來，連讓別人直接在瀏覽器裡試模型的 Spaces 都做了。

一個工具，慢慢長成一個平台。

再從一個平台，長成一個社群。

大家不是「使用 Hugging Face」，是習慣「去 Hugging Face」

這是很不一樣的事情。

一開始，Hugging Face 只是提供一套好用的工具。

後來，Meta 發模型，放那裡。

Google 有模型，放那裡。

中國團隊有模型，也放那裡。

大型公司、研究機構、新創公司、個人開發者，彼此可能是競爭對手，用的硬體不同，模型不同，立場甚至不同。

但是很多人最後還是會去同一個地方：

Hugging Face。

到 NVIDIA 宣布收購時，

平台上已經有超過 1,800 萬名開發者、研究人員與創作者，

超過 300 萬個模型，50 萬個以上的資料集，以及超過 20 萬家企業使用者。

所以黃仁勳在宣布這樁交易時，用了一個我覺得很準的形容。

他說 Hugging Face 建立了一個：

開放模型開發者社群的「家」。

不是一套工具。

不是一個模型。

是一個大家已經習慣去的地方。

做到這一步，它的護城河就完全不一樣了。

那東西都免費，到底怎麼賺錢？

這也是 Hugging Face 最容易被誤解的地方。

如果故事只寫到這裡，很容易變成一句很危險的雞湯：

「東西免費送出去，就有可能發大財。」

當然不是。

Hugging Face 真正聰明的地方，

不是免費。

是它慢慢把免費跟付費切在一條很漂亮的線上。

你是開發者。

你想試模型。

想下載。

想研究。

很多東西可以免費用。

先進來。

沒關係。

但是哪一天，你不是「試試看」了。

你要把模型放進公司。

要正式跑。

要穩定服務客戶。

那事情就完全不同了。

你會需要私人空間、權限管理、資安、運算、儲存、模型部署、穩定的推論服務、企業支援。

這些開始收錢。

所以 Hugging Face 後來賣 Team、Enterprise、Inference、運算與儲存等服務。

它不是靠把開源社群關起來收門票。

反而是：

先讓所有人進來工作。

等你真的開始拿它做生意，再收你的錢。

到 2026 年收購前，

外界報導 Hugging Face 的年化營收已經超過 1.5 億美元。

2025 年，NVIDIA 其實已經想進來一次

更有意思的是，NVIDIA 並不是 2026 年才突然看到 Hugging Face。

2023 年，Hugging Face 募了 2.35 億美元，估值 45 億美元。

NVIDIA 本來就是那一輪的投資人之一。

到了 2025 年底，NVIDIA 又提出一個更大的方案。

5 億美元。

希望入股 Hugging Face。

對應估值大約 70 億美元。

Hugging Face 當時沒有接受。

當時對外傳出的考量很直接：

它不希望一個單一的大型科技公司，在 Hugging Face 裡擁有太大的影響力。

因為 Hugging Face 最值錢的東西之一，就是大家相信它是中立的。

你可以想像。

AMD 的模型也能來。

NVIDIA 的也能來。

不同雲端可以來。

不同框架可以來。

大家都把東西放在同一個地方。

如果某一家硬體公司影響力太大，其他人自然會開始問：

這裡還是不是大家共同的平台？

所以當時，Hugging Face 選擇不拿那 5 億美元。

結果不到一年，劇情又翻了一次。

這一次 NVIDIA 不投資了，直接整家公司買走

2026 年 9 月 3 日，NVIDIA 正式宣布：

同意收購 Hugging Face。

金額不是 129 億。

也不是 130 億。

是一個奇怪的數字：

12,930,300,000 美元。

129.303 億美元。

這樁交易目前還沒有完成。

預計 2027 年上半年完成，而且還需要通過監管審查。但如果成交，

一家十年前還在苦苦思考怎麼讓青少年願意跟我們的聊天機器人多聊幾句的公司，最後會用接近 130 億美元的價格，賣給全世界最重要的 AI 晶片公司之一。

而 NVIDIA 真正想買的，早就不是當年的聊天 App。

甚至也不只是 Transformers。

它買的是 Hugging Face 已經卡住的那個位置。

1,800 萬個人已經在那裡。

300 萬個模型已經在那裡。

整個開源 AI 世界的一大部分，

已經習慣從那裡開始。

最後那個 129.303 億，甚至還藏了一個梗

為什麼價格要訂得這麼奇怪？

交易公布之後，Hugging Face 的共同創辦人Thomas Wolf 還故意叫大家猜：

這個數字裡藏了Hugging Face 和 NVIDIA 的彩蛋。

答案之一是：

129303。

這正好是「🤗」這個 Hugging Face表情符號 Unicode 編號換成十進位之後的數字。

而同一組數字拿來當成色碼，又接近 NVIDIA 的綠色。

十年前，他們拿一個表情符號幫公司取名字。

十年後，連公司的收購價，都把那張臉藏了進去。

我覺得這件事很好玩。

但它還不是這個故事裡最值得看的地方。

真正有意思的，是他們兩次面對市場的方式完全不一樣

第一次，

他們先有一個想法。

「現在很多年輕人很孤單。」

「他們可能需要一個 AI 朋友。」

所以做了一個產品，再去找使用者。

第二次完全相反。

他們自己先遇到一個問題。

BERT 用不了。

所以做一套工具解決。

結果工具放出去之後，外面的人自己跑進來。

這兩個東西最大的差別，不是一個是聊天機器人，一個是開發工具。

差別是：

第一個需求，是他們猜的。

第二個需求，是已經有人正在痛。

你不需要花錢教育那些開發者：

「你應該很需要 PyTorch 版 BERT 喔。」

不用。

他已經需要了。

他自己會 Google。

自己會找。

自己會下載。

甚至用了之後，還會告訴旁邊的人。

這就是為什麼我覺得 Hugging Face 這個故事，比「創業失敗後成功轉型」更值得看。

它不是單純換了一個產品。

是市場第一次很明確地告訴他們：

你一直想賣給我的那個產品，我沒有那麼想要。

但是你旁邊順手做的這個，可以給我嗎？

很多老闆最容易忽略的，剛好就是旁邊那個東西

這件事情我自己其實也有一點體會。

我的 AI 分身，一開始也不是因為我決定：

「我要來做一個 AI 產品。」

才開始的。

最早只是我自己每天有大量工作要處理。

文章、資料、公司文件、策略、會議內容、團隊溝通。

很多事情其實不是很難，但非常碎片化。

而且每件事情最後都會回到我身上。

所以我開始想辦法：

怎麼把我自己的判斷方式、資料和工作習慣，

慢慢放進 AI 裡面。

先給我自己用。

後來給團隊用。

有人本來要花幾個小時做的事情，開始可以很快整理出第一版。

有些原本一定要來問我的問題，也不一定第一時間就要找到我。

那個時候，我沒有覺得自己做了什麼產品。

我只是覺得：

這樣比較方便。

真正讓我開始注意這件事情的，

反而是後來跟其他老闆聊天。

我才發現很多人都有一樣的問題。

他不是缺一個更厲害的 ChatGPT。

他是腦袋裡有很多東西，公司裡也有很多東西，但全部散在不同地方。

而且所有判斷最後還是壓在老闆身上。

請一個真的懂你的助理，

很貴。

而且很難。

所以他們開始問我：

「你現在這套是怎麼做的？」

「可不可以也給我用？」

「我的公司能不能做一個？」

我才慢慢意識到：

原來我為了自己方便做出來的東西，

剛好也卡在別人的痛點上。

所以我現在看一個新產品，反而會先看另一件事

以前我們做生意，很容易先問：

市場還缺什麼？

現在什麼最紅？

下一個趨勢是什麼？

消費者會想要什麼？

這些問題都可以問。

但 Hugging Face 讓我覺得，還有一個問題可能更值得先問：

你自己最近被什麼問題煩到，已經忍不住替自己做了一套解法？

可能是一張 Excel。

一個 SOP。

一套排班方法。

一個 AI Prompt。

一個報表。

一套客戶追蹤方式。

甚至只是一個你公司裡大家每天都在用，外面的人根本不知道存在的小工具。

先不要急著幫它取名字。

不要急著做 Logo。

也不要急著做網站。

你只要做一個很小的測試。

拿給第二個人用。

最好是跟你處境很像的人。

同行、朋友、另外一個老闆、另一個店長。

不要問他：

「你覺得這個產品怎麼樣？」

就給他用。

然後看結果。

過一個星期，

他有沒有繼續用？

會不會主動問你？

會不會拿去給同事？

甚至有一天跑回來說：

「欸，那個東西還可以給我嗎？」

如果他只是跟你說：

「不錯耶。」

然後再也沒有打開，那可能只是你的習慣。

但如果你不給他，他開始覺得很麻煩。

那就不一樣了。

Hugging Face 當年真正收到的訊號，

不是五千個人跟他們說：

「你們這個 idea 很棒。」

是那五千個人真的跑進來用了。

所以今天如果要從這個 129 億美元的故事裡帶走一件事情，

我覺得不是：

「創業失敗沒關係。」

也不是：

「要勇敢 Pivot。」

反而是：

不要只盯著你想賣的東西。

也要看看，大家正在從你手上拿走什麼。

有時候，你真正的生意，可能早就已經做出來了。

只是你還沒有把它當成產品。