今日事項：了解匯集了開源模型的託管平台 HuggingFace。

如果文章對你有幫助的話，歡迎按讚或留言，讓我知道我不是一個人在這裡碎碎念（？），我會很感謝的❤️

在 Day6 怪獸培育場－模型的一千種玩法 的時候我們有提到四種使用 AI 聊天模型的方法，今天我們要來聊聊第三種－－從 模型託管平台引用進行雲端部屬。

閉源模型 v.s. 開源模型

除了閉源的模型，也有開源模型可以研究、訓練

前面幾天我們提到的模型大多是閉源的，也就是說他把這些神奇寶貝放在自己家的研究所，你要玩的話，要嘛去他們家付錢玩，要嘛按照遠端玩的次數付錢。

這些閉源模型包括 ChatGPT、Gemini、Grok 等我們現在生活中常見的模型。

而除了閉源模型之外，當然也有開源模型，比如前陣子很紅，說會取代 OpenAI 模型的 DeepSeek 等。當然，前面提到的國際大廠也有推出自己的開源模型來競爭，比如 Google 的 Gemma、OpenAI 的 gpt-oss，還有 XAI 的 Grok2 等等，說明 AI 模型已經呈現出了自己的生態圈，在慢慢成形。

開源模型出現的主要原因

AI 模型現在看起來很好用，但實際上在訓練的過程中要經歷過非常非常非常多的調適，才可以把模型訓練成我們現在用的這個模樣。

像 GPT-3 就用了 1750 億個參數用以訓練，而可以看到，它還沒有我們想要達到的效果，一直到了 GPT-4 才真正聲名大噪。

而 GPT-4 的參數量可以想像是更大的，雖然沒有公布，但有學者認為那個參數量可能達到兆的級別。

而除了訓練的資料以外，還需要人工去參與、輔助訓練，才能夠把 AI 訓練成一個既聰明又會乖乖聽話的學生，讓它可以在生成好的結果的同時，又不會出現教唆以自殺或是離婚之類的問題。

那麼問題來了，如果要訓練一個模型就這麼累，那一般人要用自己訓練來用的話不就完全沒辦法？

為什麼要自己訓練？你想想看，如果一個模型只能在別人家用，資料不就全部在別人家裡面了嗎？雖然他說不會洩漏出去，但是信不過啊！

個人還好，但如果是企業之類的呢？

而開源模型的出現，就大大的解決了這個問題。

開源模型在本地端跑很好，但是硬體也很花錢……

開源模型可以直接把模型下載下來到本地端跑，甚至可以離線跑，對於大公司或企業來說，真的是非常方便。

但是這時候又有問題出現了。

等等，大公司覺得很讚，是因為他們有錢，有錢買那些貴死人的 GPU 來跑，那我們一般人呢？！

誰說一般人就不需要完開源模型了？但是想玩又沒有錢可以玩啊……

這時候就有公司提出了想法：「不然如果我把 GPU 買回來，然後在網路上租給大家，是不是一個會賺錢的事情？！」

所以，像 colab 等等的雲端運算公司就應運而生了。一台大型的 GPU 要幾百萬，你買不起沒關係，我租你一個小時幾塊到幾十塊，你總買得起了吧？

HuggingFace － 開源模型的俱樂部

而今天要介紹的 HuggingFace 的雲端運算功能其實跟 colab 差不多，只是他多了一個功能：「開源模型託管」。

使用者除了在上面運行自己的模型之外，也可以把自己訓練好的模型放出來跟大家分享，互相進步。而一些大廠，如前面提到的 google、XAI、DeepSeek，或是 meta 的 Llama 甚至一些圖像模型等，也都選擇在這個平台發布自己的開源模型，HuggingFace 儼然成為了 AI 界的 GitHub。

而模型託管的好處就是，當你要用模型的時候，你不需要先把整個模型下載下來到你的雲端裡－－有些模型可能就要到幾十幾百 GB。

當需要用模型的時候，只需要串接 HuggingFace 的 API，就可以直接選擇要使用哪個或那些模型，非常方便。

而其中的 Space 更是非常酷的功能，把模型結合 Gradio、Streamlit 等等的前端框架，就可以在上面展示自己創建的 AI 應用，並分享給大家使用。

（這個真的很有趣，推薦可以去玩玩看）

Day10 總結

今天講的主要是雲端部屬模型的介紹。本來今天還有要講一下 HuggingFace 的 Space 的實作，奈何沒有時間了，只好放在其他天來講。

而 HuggingFace 之所以重要，是因為他大大降低了 AI 模型的使用門檻，而聚集、託管了許多的模型，更是方便了許多的開發者或測試者，原本需要下載才能用的模型，可以在線上就直接從 API 引用。