2025 年底，Nvidia 向 Hugging Face 提出 5 億美元少數股權投資，估值 70 億。Hugging Face 拒絕了，理由是不想讓單一晶片巨頭對平台有太大影響力。

九個月後，Nvidia 同意以 129 億美元買下整間公司。

The Information 首先報導了這筆交易。CNBC 獨立消息源確認收購「已是近期持續談判的一部分」。談判始於 Hugging Face 收到另一家公司的收購意向之後——Business Insider 報導 Hugging Face 已聘請投資銀行評估競標方。

中立性不是談不攏。是價格。

數字先攤開來

項目 數字
收購價 $12.9B
2023 年 8 月 Series D 估值 $4.5B（Salesforce 領投，Google、Amazon、Nvidia、AMD、Intel 跟投）
2025 年底被拒投資估值 $7B
收購價 vs 2023 估值 近 3 倍
年化營收 ~$150M
Price-to-revenue ~86x
Nvidia 同期營收（Q2 FY2027） $96.2B（年增 106%）
Nvidia 訂單積壓 > $2 兆

129 億除以 1.5 億，price-to-revenue 約 86 倍。這個倍數買 SaaS 公司是瘋的。但 Nvidia 買的不是 SaaS。

換個角度看：Nvidia 一季營收 962 億美元，129 億大約是兩週的收入。如果擁有 Hugging Face 能讓 GPU 需求多長 10%，一年多出來的營收就把收購價賺回好幾遍。對一家訂單積壓超過 2 兆美元的公司來說，這筆錢不叫投資，叫四捨五入。

為什麼 Nvidia 需要開源贏——這筆交易的結構性動機

要看懂這筆交易，得先看懂 Nvidia 的營收跟開源模型之間的共生關係。

先釐清一件事：封閉模型一樣跑在 Nvidia GPU 上。OpenAI 的資料中心裡堆滿了 H100，Anthropic 也是。不管開源還是封閉，訓練和推理都需要 GPU。Nvidia 兩邊都賺。

但兩邊的客戶結構完全不同。

封閉模型的 GPU 買家是少數幾家 hyperscaler——OpenAI、Google、Amazon、Microsoft。這些公司有三個特徵：議價能力極強、訂單集中度高、而且正在積極開發自己的晶片。Google 有 TPU，Amazon 有 Trainium，Microsoft 在做 Maia。封閉模型越集中在這幾家手上，Nvidia 的營收就越依賴一小群正在試圖擺脫它的客戶。

開源模型的 GPU 買家是成千上萬的企業和開發者。每一家選擇自建推理的公司，都需要 GPU，而且沒有規模自研晶片。客戶分散、議價能力低、替代方案少。

封閉模型的世界裡，Nvidia 的客戶是幾個正在造自己晶片的巨頭。開源模型的世界裡，Nvidia 的客戶是整個市場。

這才是 Nvidia 押注開源的結構性原因。不是不賺封閉模型的錢——那些訂單照收。但開源模型擴大了買 GPU 的人口基數，降低了客戶集中度風險，而這些客戶對 Nvidia 的依賴遠比 hyperscaler 深。

而 Hugging Face 是這整個生態的漏斗口。

漏斗有多寬：開源模型半年內四層同時爆發

這個漏斗不是在穩定成長，是在暴漲。過去半年，開源模型在每一個級距同時爆發：

級距 代表模型 硬體門檻
地端小模型（< 15B） 雨後春筍，各家都出 筆電、手機
消費級（27B–35B） Qwen 主導的 27B / 35B 戰場 一張 RTX 5090
中量級 MoE（125B–284B） DeepSeek V4 Flash（284B）、Qwen3.8-Flash-Next（125B）、GLM 5.3 Flash DGX Spark ×2 或 RTX 5090 + 256GB RAM
SOTA 旗艦（> 800B） Kimi K3、GLM 5.3、DeepSeek V4 Pro（1.6T） 多卡機

兩年前開源模型只有一個級距在打——「堪用但比封閉差很多」。現在從手機到多卡機，每一層都有可部署的開源選項，而且性能在快速逼近封閉旗艦。兩天前那篇文章裡的數字：Kimi K3 和 GLM 5.3 在 Artificial Analysis Intelligence Index 上拿到 60，封閉旗艦 Fable 5 是 62。差距只剩 2 分。

Qwen3.8-Flash-Next 在收購消息的前一天（8 月 26 日）才剛發布——權重直接上了 Hugging Face。

這就是 Nvidia 看到的圖景：開源模型不是在追趕封閉模型，是在每一個算力級距同時展開。每展開一層，就多一批需要 GPU 的客戶，就多一批需要從 Hugging Face 下載模型的開發者。漏斗在變寬，而 Nvidia 剛剛買下了漏斗口。

86 倍買的不是營收，是漏斗

Hugging Face 2016 年創立，現在是開源 AI 模型的分發樞紐。開發者在上面發布、下載、測試、部署模型。Meta 的 Llama、Mistral、DeepSeek、Qwen——所有主要的開源模型權重都在 Hugging Face 上流通。

「開源 AI 的 GitHub」不是比喻，是功能描述。

開發者在 Hugging Face 上發現一個模型，下載它，下一個問題是：拿什麼硬體跑？如果平台預設推薦 CUDA 優化版本、TensorRT-LLM 部署指南、Nvidia GPU 的 benchmark 數據，開發者的選擇就已經被引導了。Hugging Face 是 GPU 銷售的 top-of-funnel。 擁有漏斗口的人，不需要在漏斗底端搶客戶。

86 倍 revenue 不是買一家公司的營收，是買一個 chokepoint 的位置。2018 年 Microsoft 以 75 億美元收購 GitHub 時，GitHub 的營收也撐不起那個價格。Microsoft 買的是全球程式碼協作的分發節點。Nvidia 的邏輯一樣：所有人跑開源模型，都要經過這裡。

今年二月 Hugging Face 收購了 GGML.ai，把量化推理技術也納入版圖。這不只是一個模型倉庫，它正在往推理層延伸。而 Nvidia 擁有它之後，這個延伸會加速——往 Nvidia 的方向。

還有一層：Hugging Face 不只有模型，還有 datasets、Spaces（demo 應用）、評測工具。它是模型生命週期的全鏈路平台。擁有這個平台，Nvidia 能看見整個市場的需求走向——哪些模型被下載最多、哪些任務最熱門、算力需求往哪裡移動。這是產品路線圖層級的戰略情報。

另一個動機：GPU 商品化的防線

Nvidia 不只是在擴張，也在防守。

資料中心端，AMD MI300X、Intel Gaudi、Google TPU、Amazon Trainium 都在搶 GPU 的地盤。但最值得注意的威脅不在資料中心，在桌面上。

Apple 三天前（8 月 25 日）發表了 M5 Ultra Mac Studio，統一記憶體最高 512GB、頻寬 1.2TB/s，$5,499 起。幾千億參數的開放模型整顆放得進去。四台 Mac Studio 可以用 Thunderbolt 5 串成共用記憶體池，AI 推論快 3 倍。同場發表的 M6 Mac mini 是 Apple 第一顆 2 奈米晶片，$899 起。

這意味著：個人開發者跑開源模型，不一定需要 Nvidia GPU 了。一台 Mac Studio 就能跑 Llama、DeepSeek、Qwen，不用碰 CUDA，不用買顯卡。Apple 把「在家跑 AI」從技術宅的事，變成了消費電子產品的功能。

硬體的替代選項越多，Nvidia 在硬體層的護城河就越淺。護城河必須往上移——移到生態層。

但不管你用 Nvidia GPU 還是 Apple Silicon 跑模型，你都要從 Hugging Face 下載。

控制 Hugging Face，等於在模型分發層建立一道跟硬體無關的壁壘。不需要禁止其他硬體，只需要讓 Nvidia 的路更順——CUDA 優化版本更完整、TensorRT-LLM 部署指南更深、Nvidia GPU 的 benchmark 更顯眼。開發者在選硬體之前，先在 Nvidia 的平台上選了模型。選擇的順序，決定了結果的傾向。

硬體競爭越激烈，分發平台的控制力就越值錢。Apple Silicon 的崛起不是讓 Hugging Face 變得不重要，反而讓它變得更重要——因為它是唯一一個跨硬體平台的共同入口。

這跟 Google 收購 Android 的邏輯類似。2005 年 Google 買 Android 時，Android 幾乎沒有營收。Google 買的是行動生態的分發管道——確保搜尋引擎在每一支手機上都是預設。Nvidia 買 Hugging Face，確保的是每一個開源模型的部署路徑，預設指向 Nvidia 的硬體——即使硬體戰場上的對手越來越多。

Nvidia 的 full-stack 棋局

把這筆交易放進 Nvidia 過去一年的動作裡看：

時間 動作 拿到什麼
2025-12 $20B Groq 授權交易（licensing-and-acquihire） 低延遲推理晶片技術（LPU）
2025 年底 向 HF 提出 $500M 少數投資，被拒 （未成功）
2026-08-26 Q2 財報：營收 $96.2B，盤後股價漲約 5% 現金流的底氣
2026-08-27 同意 $12.9B 收購 HF 模型分發平台

Eonopolis Exponential Technologies 基金經理 Siddy Jobe 在 CNBC 上說了一段話，值得完整引用：

“It is clear that Nvidia wants to be integrated in the entire stack vertically, going from energy to foundational models and also to applications.”

從能源到基礎模型到應用，整條垂直 stack。

他提到 Nvidia 有一個「five-layer cake」的結構，基礎模型是其中一層。Hugging Face 不是模型本身，但它是模型流通的管道——把管道拿到手，比自己做模型更有槓桿。

但這不是什麼新戰略。這是老黃一直在做的事。

Jensen Huang 四月接受 Dwarkesh Patel 一百分鐘的長訪談時，把 Nvidia 的核心邏輯壓成一句話：

“The input is electron, the output is tokens. In the middle is Nvidia.”

輸入是電子，輸出是 token，中間是 Nvidia。要撐住這句話，你必須控制整條鏈上的每一個瓶頸。他在訪談裡用了一個詞叫「prefetching the bottlenecks」——提前好幾年，在供應鏈的瓶頸變成瓶頸之前就鎖住。HBM 記憶體是一個瓶頸，他提前跟三星、SK 海力士談好了產能。CoWoS 先進封裝是一個瓶頸，他確保 TSMC 的產能優先排給 Nvidia。矽光子元件是下一個，他幾年前就開始投資 Lumentum 和 Coherent。每一次都是同一套動作：在別人還沒意識到這是瓶頸的時候，先把位置佔了。

他同一場訪談裡也講得很直白：

“Accelerated computing was a full stack problem, you have to understand the application to accelerate it.”

加速運算是整條 stack 的問題。你不能只做一層。

收購 Hugging Face 就是這套哲學往上再延伸一層。GPU 硬體的供應鏈鎖完了，推理層用 Groq 補上了，下一個瓶頸在哪裡？在模型分發層。當開源模型的數量和使用量指數級成長，分發層會成為新的 chokepoint——誰的模型被看見、被下載、被部署，都經過這個節點。Jensen 不等這個瓶頸出現再搶，先買下來了。

一個月前，他用人生第一則 X 貼文發出 25 家機構連署的公開信「Open Weights and American AI Leadership」，Hugging Face 也在連署名單上。一個月後買下這個平台。倡導開源和擁有開源的分發管道，是兩件不同的事。

疊在一起看：GPU 硬體 → HBM 供應鏈 → 推理加速（Groq LPU）→ 模型分發（Hugging Face）。每一層，Nvidia 都握著。四月那篇拆解 HBM 供應鏈鎖喉的圖景，現在要往上再加一層。同一套 prefetching the bottlenecks 的劇本，從半導體供應鏈一路打到開發者生態。

而 Groq 交易已經被兩名民主黨參議員質疑是否規避反壟斷審查。HF 這筆交易的監管阻力，大概只會更大。

關於駭客事件的弦外之音

這筆收購發生在 Hugging Face 七月的駭客事件之後。那次事件的性質不一般：自主 AI agent 突破 sandbox、入侵 Hugging Face 基礎設施，被標記為第一起由 agentic system 從頭到尾執行的攻擊。

Hugging Face CEO Clément Delangue 在 CNBC 上說：

“AI cybersecurity is going to become a huge market in the U.S. and in the world.”

“In this market, probably open models will be kings.”

他把資安事件歸因於工程失誤，並提到用了一個 Nvidia 版本的中國開源模型來修復。

弦外之音：Hugging Face 需要更強的基礎設施和安全能力。Nvidia 有。這筆交易的敘事裡，資安事件不是阻力，是推力。

Nvidia 在賭的另一件事：主權 AI 的分發層

兩天前本 blog 寫了一篇 not your weights, not your product，核心論點來自 Sequoia 的 Sonya Huang：你的產品要真正屬於你，權重要在你手上。

主權 AI 正在從口號變成現實。前面那張四層表格說的就是這件事——從 27B 到 1.6T，越來越多企業和開發者擁有或微調自己的模型。

而主權 AI 對 Nvidia 有一層更直接的好處，跟推理和訓練的競爭格局有關。

當企業只用 API 呼叫封閉模型時，他們需要的只有推理。推理這件事，Apple M5 Ultra 能做、Google TPU 能做、華為昇騰能做、AMD MI300X 也能做。Nvidia 在推理端的護城河正在被侵蝕——前面 GPU 商品化那段講的就是這件事。

但主權 AI 不只是推理。Sonya Huang 四級路徑的第四級是 post-training——fine-tuning、RL environment、領域資料訓練。一旦企業走到這一步，他們需要的是訓練用的 GPU。而訓練這件事，Nvidia 到今天還是當之無愧的獨大。沒有哪家公司在 Apple Silicon 上做大規模 fine-tuning，也沒有人拿 Mac Studio 跑 RL。訓練需要的互連頻寬、多卡並行、軟體生態（NCCL、NeMo、Megatron-LM），Nvidia 全部握在手上，短期內沒有可比的替代方案。

所以 Nvidia 當然要推主權 AI。 推理端的競爭對手越來越多，但訓練端 Nvidia 獨大。主權 AI 把企業的關注點從「只需要推理」拉到「推理 + post-training」——而 post-training 正是 Nvidia 最不可替代的地盤。每多一家公司走上自建模型的路，就多一家公司在訓練端離不開 Nvidia。

這就是 Nvidia 拱 Hugging Face 的底層邏輯。HF 降低了企業從 API 走向自有模型的門檻——下載基底模型、做 fine-tuning、發布回平台，整條路徑都在 HF 上。門檻越低，走到第四級的公司越多，Nvidia 訓練用 GPU 的需求就越大。

「擁有模型」只解決了一半的問題。另一半是：怎麼分發、怎麼部署、怎麼讓別人用得到？

這正是 Hugging Face 解決的問題。模型版本管理、權重託管、demo 空間、評測工具、一鍵部署——這些基礎設施如果每家公司都要自己建，成本和複雜度會擋住大多數人。Hugging Face 把分發層變成了公共建設，就像 GitHub 把程式碼協作變成了公共建設一樣。

如果主權 AI 是未來的趨勢——每一個人、每一家公司都有自己的模型——那分發端會變得比訓練端更重要。因為訓練只做一次，分發是持續的：更新版本、發布到不同環境、讓下游團隊取用、讓客戶存取。模型越多，分發層的價值越高。

Nvidia 說不定就是在賭這件事。 當分發層變得越來越重要，擁有 Hugging Face 的人就天然地成為預設的分發渠道。不需要強迫任何人——你做完 fine-tuning，最自然的下一步就是推上 Hugging Face。整個生態的慣性會替你完成鎖定。

Nvidia 的資源——算力、安全基礎設施、全球開發者關係——注入 Hugging Face 之後，分發層的能力會大幅提升。企業做完 fine-tuning，不需要自己建模型倉庫和部署管道，Hugging Face 都有現成的。門檻越低，自建模型的公司就越多，主權 AI 的趨勢就越強——而 Nvidia 已經站在分發渠道的位置上了。

Sonya Huang 的框架裡，sovereignty 有四級：API → harness → 回饋閉環 → 自有模型。Nvidia 買 HF 可能會加速更多公司走到第四級。而每多一家走到第四級的公司，Hugging Face 的分發價值就多一分。

坦白說

這筆交易目前只是「agreed to buy」的階段，CNBC 原文的消息來源是 The Information 加上一位匿名消息人士。Nvidia 和 Hugging Face 都沒有公開回應。交易可能在監管審查階段被修改甚至擋下——考慮到 Groq 交易已經引發反壟斷質疑，HF 這筆的監管風險不低。

86 倍 revenue 的數字是用公開報導的 $150M 年化營收算的，不是 Nvidia 公布的。實際交易的估值基礎可能不同。

還有一個時間差的問題。Nvidia 現在根本不缺需求——訂單積壓超過 2 兆美元，GPU 是想買買不到的狀態。既然供不應求，為什麼還要花錢去經營需求端的生態？

因為供應瓶頸是暫時的。TSMC 在擴產，AMD 和 Intel 在追，Apple Silicon 在搶消費端。等到供應跟上來的那一天，Nvidia 需要的不是「更多人想買 GPU」，是「買 GPU 的人離不開 Nvidia 的生態」。Hugging Face 不是解決今天的問題，是卡位明天的戰場。

至於「Nvidia 會不會摧毀 HF 的中立性」——這是一個關於意圖的預測，不是事實。上面分析的是結構性的位置和動機，不是預言。Microsoft-GitHub 的先例說明，巨頭收購社群平台，結果可以是正面的。但結構性差異也是真的。

關鍵洞察

一、Nvidia 兩邊都賺，但開源那邊更安全。 封閉模型的 GPU 買家是幾個正在自研晶片的 hyperscaler，客戶集中、替代風險高。開源模型的 GPU 買家是整個市場，客戶分散、依賴更深。Nvidia 買 Hugging Face 是確保這個更安全的營收來源持續擴大，同時把生態入口握在自己手上。

二、86 倍不是買營收，是買漏斗口。 開發者在 Hugging Face 上選模型 → 下載 → 選硬體跑。擁有漏斗口的人控制選擇的順序。GPU 商品化的壓力越大，生態層的鎖定就越值錢。

三、「not your weights」需要一個補丁。 自有權重的前提是分發管道中立。如果管道有了主人，sovereignty 的定義要擴充：不只是訓練自己做，分發管道也得有備案。企業 CTO 現在該做的事：建 model registry mirror，確保不依賴單一平台下載關鍵模型。

四、個人開發者的行動項更簡單。 短期內什麼都不會變。但養成在本地保留常用模型權重的習慣，現在是個合理的預防措施。harness 是你的 weights——模型來源可以換，你的工作流不能被任何平台綁死。

常見問題 Q&A

Q: 129 億美元買一家年營收只有 1.5 億的公司，86 倍 revenue 是不是買太貴了？

86 倍的倍數拿來買 SaaS 公司確實是瘋的，但 Nvidia 買的不是營收，是漏斗口（distribution chokepoint）。開發者在 Hugging Face 上選模型、下載、然後才決定拿什麼硬體跑，擁有漏斗口的人控制的是選擇的順序。然後換個角度算：Nvidia 單季營收 962 億美元，129 億大約是兩週的收入。如果擁有 Hugging Face 能讓 GPU 需求多長 10%，一年多出來的營收就把收購價賺回好幾遍。對一家訂單積壓超過 2 兆美元的公司來說，這筆錢叫四捨五入。2018 年 Microsoft 以 75 億收購 GitHub 的邏輯是一樣的——GitHub 的營收也撐不起那個價格，買的是全球程式碼協作的分發節點。

Q: Nvidia 封閉模型也跑在它的 GPU 上，為什麼還要特別押注開源？

兩邊都賺沒錯，但客戶結構完全不同。封閉模型的 GPU 買家是少數幾家超大規模雲端商（hyperscaler）——OpenAI、Google、Amazon、Microsoft，這些公司議價能力極強、訂單集中度高，而且正在積極開發自研晶片（Google TPU、Amazon Trainium、Microsoft Maia）。對 Nvidia 來說，營收依賴一小群正在試圖擺脫你的客戶，結構性風險很高。開源模型的 GPU 買家是成千上萬的企業和開發者，客戶分散、議價能力低、沒有規模自研晶片。就是說，開源模型擴大了買 GPU 的人口基數，同時降低了客戶集中度風險（customer concentration risk），而且這些客戶對 Nvidia 的依賴遠比 hyperscaler 深。

Q: Apple M5 Ultra 512GB 都能跑開源模型了，Nvidia 買 Hugging Face 是在防守什麼？

防守的就是 GPU 商品化（GPU commoditization）。Apple M5 Ultra Mac Studio 最高 512GB 統一記憶體、頻寬 1.2TB/s，幾千億參數的模型整顆塞得進去，個人開發者跑開源模型不一定需要 Nvidia GPU 了。硬體端的替代選項越多，Nvidia 在硬體層的護城河就越淺，所以護城河必須往上移——移到生態層。關鍵在於：不管你用 Nvidia GPU 還是 Apple Silicon 跑模型，你都要從 Hugging Face 下載。控制 Hugging Face 等於在模型分發層（model distribution layer）建立一道跟硬體無關的壁壘。不需要禁止其他硬體，只需要讓 Nvidia 的路更順——CUDA 優化版本更完整、TensorRT-LLM 部署指南更深、benchmark 更顯眼。硬體競爭越激烈，分發平台的控制力就越值錢。

Q: 主權 AI（Sovereign AI）跟這筆收購有什麼關係？

主權 AI 對 Nvidia 有一層很直接的好處，跟推理和訓練的競爭格局有關。當企業只用 API 呼叫封閉模型時，他們只需要推理——推理這件事 Apple M5 Ultra、Google TPU、AMD MI300X 都能做，Nvidia 在推理端的護城河正在被侵蝕。但主權 AI 走到 post-training（微調 fine-tuning、RL environment、領域資料訓練）這一步的時候，需要的是訓練用的 GPU，而訓練這件事 Nvidia 到今天還是獨大，互連頻寬、多卡並行、軟體生態（NCCL、NeMo、Megatron-LM）短期內沒有可比的替代方案。Hugging Face 降低了企業從 API 走向自有模型的門檻——下載基底模型、做 fine-tuning、發布回平台，整條路徑都在 HF 上。門檻越低，走到 post-training 的公司越多，Nvidia 訓練用 GPU 的需求就越大。

Q: 企業 CTO 現在該做什麼準備？

短期內什麼都不會變，但有兩件事值得做。第一，建立模型倉庫鏡像（model registry mirror），確保不依賴單一平台下載關鍵模型——自有權重的前提是分發管道中立，如果管道有了主人，sovereignty 的定義要擴充，不只是訓練自己做，分發管道也得有備案。第二，對個人開發者來說行動項更簡單：養成在本地保留常用模型權重的習慣，現在就是一個合理的預防措施。模型來源可以換，你的工作流不能被任何平台綁死。另外要注意，這筆交易目前還在「agreed to buy」的階段，Nvidia 和 Hugging Face 都沒有公開回應，考慮到 Groq 交易已經引發反壟斷質疑，HF 這筆的監管風險不低，有可能在審查階段被修改甚至擋下。