1. 首頁 > 生活百科 > >

昔日王者TensorFlow，已死

aigithub

昔日王者TensorFlow，已死

文章圖片

昔日王者TensorFlow，已死

文章圖片

昔日王者TensorFlow，已死

文章圖片

昔日王者TensorFlow，已死

文章圖片

【昔日王者TensorFlow，已死】昔日王者TensorFlow，已死

文章圖片

昔日王者TensorFlow，已死

文章圖片

昔日王者TensorFlow，已死

金磊 發自 上海外灘
量子位 | 公眾號 QbitAI
噫吁嚱！
那個昔日叱咤風云的開源框架——TensorFlow ， 已然是行將就木了 。

如此斷言并非空穴來風 ， 而是根據一份冷靜的數據洞察所得出的結論 。

一個十年的時間 ， TensorFlow的社區活躍度 ， 有過巔峰 ， 但后來卻不可逆轉地一路下跌至最低谷 ， 甚至還不及出道之際 。
而與之形成鮮明對比的 ， 卻是另一條高歌猛進的紅色曲線——PyTorch 。

這便是螞蟻開源技術委員會副主席王旭 ， 在剛剛過去的外灘大會中給出的令人唏噓不已的趨勢分析 。
△螞蟻開源技術委員會副主席 ， 王旭
也正因如此 ， 在螞蟻開源最新發布的一張《大模型開源開發生態全景圖2.0》中 ， TensorFlow已經被正式除名 。

如果說TensorFlow的發展軌跡 ， 是AI開源技術浪潮更迭的一個縮影 ， 那么十年時間 ， 或許對于它的衰敗來說已經顯得有些溫柔了 。
因為我們從這張全景圖中發現 ， 開源項目的興衰交替不能再按“年”來度量 ， 它的計量單位已經變成了“天” 。
僅僅100天 ， 開源世界大變天為什么這么說？
因為在5月27日的螞蟻技術日上這張全景圖1.0版本就已經亮相 。
而僅僅時隔100天 ， 全景圖里就有不少的“玩家”已經慘遭出局（下圖灰色）的部分：

要理解這些變化 ， 我們首先需要了解這份全景圖的構建方法 。
根據王旭的介紹 ， 它并非基于少數專家的經驗判斷 ， 而是一個數據驅動的項目 ， 其核心是名為OpenRank的影響力評估算法 。
OpenRank類似于網頁排名領域的PageRank算法 ， 但應用于開源社區；它通過分析項目與項目、開發者與開發者之間的協作關聯網絡 ， 體現項目的活躍影響力和開發者的活躍貢獻度 。
一個項目的影響力 ， 取決于與之關聯的其他項目及開發者的影響力 。 這套算法為評估開源生態提供了一個相對客觀的宏觀視角 。
不過在2.0版本中 ， 螞蟻開源團隊對研究方法也進行了升級——
直接拉取GitHub當月全域項目的OpenRank排名 ， 并設定“OpenRank50”的準入門檻 ， 篩選出屬于大模型生態的項目 。
這一方法論的調整 ， 可以說是給版圖帶來了較為明顯的變化；與1.0版本相比 ， 新版圖中更新了39個項目 ， 替換率達到35% ， 同時有60個原有項目被移出 。
王旭認為 ， 在迭代周期極快的AI領域 ， 這種幅度的變化是在預期內的 。
那么具體什么樣的開源項目會被除名呢？
首先就是短期熱點型項目 。
例如3月份因Manus熱潮而出現的開源復刻項目OpenManus和OWL ， 隨著熱點消退 ， 其社區活躍度未能持續 ， 在新標準下被移出 。 這類項目的生命周期往往較短 ， 符合“黑客松”式開發的特征 。
其次是迭代速度落后的項目 。
NextChat作為早期流行的大模型客戶端應用 ， 在后續的版本迭代和新功能跟進上 ， 慢于Cherry Studio、LobeChat等新興項目 ， 導致用戶和開發者流失 ， 活躍度下降 。
最后就是同生態位競爭中的落后者 。
在端側模型部署領域 ， MLC-LLM和GPT4All曾是備受關注的工具 。 然而 ， Ollama憑借其更完善的生態和用戶體驗 ， 逐漸占據了該生態位的主導地位 ， 導致前兩者活躍度相對不足 。
AI開源生態競爭的激烈程度 ， 可見一斑 。

△正在步入“AI 墓園”路上的項目
其中的原因也是多樣 ， 包括技術熱點轉移、產品迭代滯后 ， 或在直接競爭中處于下風；這表明 ， 在當前環境下 ， 持續的技術創新和社區運營才是維持開源項目生命力的關鍵 。
但項目進出全景圖的變化也僅僅是一個表象 ， 我們還從中觀察到一個更深層次的趨勢——
開源本身的定義和運作模式 ， 正在發生演變 。
新范式：開源被重新定義開源這一概念的內涵 ， 在當前的AI時代下 ， 可以說是正在變得更加復雜 。
若是觀察2.0版圖中最活躍的Top 10項目列表 ， 就不難發現一個現象：部分高活躍度項目并未采用OSI（Open Source Initiative）批準的標準開源許可證：

Dify（第四名）：其許可證在Apache 2.0基礎上增加了對多租戶使用的限制和對品牌Logo的保護條款 。 Cherry Studio（第七名）：采用根據用戶組織規模而定的雙許可模式 ， 對超過特定規模的團隊要求商業授權 。 n8n（第九名）：采用了其自行提出的“Sustainable Use License” ， 對商業分發進行了限制 。王旭對此評論道：
雖然從嚴格的許可證定義上看 ， 這些修改使其偏離了標準 ， 但從產業生態的角度看 ， 這種做法或許有助于實現更均衡的利益分配 ， 從而保障生態的長期健康發展 。
但這一現象背后 ， 更反映出的是兩個非常值得關注的范式轉變 。
首先就是開源的運營屬性增強 ， GitHub成為GTM（Go-to-Market）的重要渠道 。
GitHub的功能正在超越單純的代碼托管與協作 ， 逐漸演變為一個集產品發布、用戶反饋、社區營銷于一體的綜合性平臺 。
許多商業產品 ， 即便是閉源的（如Cursor、Claude-Code） ， 也在GitHub上維持著活躍的社區 ， 將其作為與用戶互動、收集反饋和進行市場推廣的核心渠道 。
在此背景下 ， 開源本身成為了一種重要的GTM（Go-to-Market）戰略 。 一個項目是否100%代碼開放的重要性在相對下降 ， 而其社區活躍度（如星標、Issue、PR等）則成為衡量其產品活力和市場接受度的重要指標 。
其次就是在“社區開放”與“商業利益”間尋求新平衡 。
新一代的AI開源項目 ， 它們的商業化訴求從項目初期就非常明確 ， 通過定制化的許可證條款 ， 試圖在享受開源帶來的社區生態紅利與保護核心商業利益之間找到一個平衡點 。
例如 ， Dify對多租戶的限制 ， 意在規范云服務商基于其項目的SaaS化服務；n8n的許可證則直接將用戶引向其商業化路徑 。 這種“源碼可用 ， 但商用受限”的模式 ， 正在被越來越多的項目所采納 。
雖然這挑戰了傳統開源關于非歧視性的原則 ， 但在商業化落地需求迫切的當下 ， 這種務實的做法可能代表了一種新的發展方向 。
總而言之 ， 開源的定義正在演變 ， 其商業價值的實現路徑也更加直接 。
新戰?。 捍涌蚣苤叫閱芪?如果說生態發展的1.0階段是圍繞功能實現的廣泛探索 ， 那么2.0階段的競爭焦點則明顯發生了轉移 。
技術領域發展趨勢圖 ， 就非常直觀地反映了這一點：

Agent Framework（智能體框架）領域：整體活躍度呈下降趨勢 。 一些早期代表性項目 ， 如LangChain、LlamaIndex、AutoGen ， 社區活躍度有所回落 。 Model Serving（模型服務）和AI Coding（AI編程）領域：呈現出顯著的增長態勢 。這一升一降的背后 ， 是AI產業從探索期向工程落地期過渡的體現 。
首先是生態正在從探索期邁向工程落地期 。
Agent框架的活躍度下降 ， 并不代表其理念的失敗 ， 而是市場在經歷早期廣泛探索后 ， 開始進入理性篩選階段 。 早期的通用框架證明了構建Agent的可行性 ， 但在實際部署中 ， 開發者遇到了性能、穩定性和成本等工程化挑戰 。
因此 ， 市場的關注點正從“能否實現”轉向“能否高效、經濟、穩定地運行” 。
這一轉變標志著大模型生態正在進入工程落地期 。 在此階段 ， 大而全的通用框架的吸引力下降 ， 而那些更垂直、性能更優、能解決具體工程問題的專用工具則受到更多關注 。
其次 ， 推理成本成為工具鏈演進的核心驅動力 。
AI應用大規模落地的核心制約因素之一是推理成本 。 每一次模型調用都直接關聯到計算資源的消耗 。 如何優化模型服務的效率、降低單位成本 ， 是所有AI應用開發者共同面臨的問題 。
正因如此 ， Model Serving成為了新的競爭焦點 。
以vLLM和SGLang為代表的高性能推理引擎 ， 通過技術創新（如PagedAttention）顯著提升了GPU的利用率和推理吞-吐量 。 NVIDIA的TensorRT-LLM則利用其軟硬件協同的優勢 ， 提供了極致的性能優化方案 。
這些項目目前在AI Infra（基礎設施）層占據了核心生態位 ， 它們的性能表現直接影響上層應用的商業可行性 。 可以說 ， 誰能在模型推理的性能優化上取得突破 ， 誰就在很大程度上掌握了生態的話語權 。
競爭的主題 ， 已從功能覆蓋轉向了性能的深度優化 。
新格局：中美正在引領開源世界從全球開發者貢獻來看 ， 一個新的格局已經形成：中國和美國成為驅動全球AI開源發展的兩大核心力量 。
數據顯示 ， 在可識別地理位置的開發者中 ， 美國開發者占比24% ， 中國開發者占比18% 。 從基于OpenRank計算的貢獻度來看 ， 美國以37.4%領先 ， 中國以18.7%位居第二 ， 兩國合計貢獻度超過55% 。
△大模型開發生態整體貢獻度Top 10國家分布
△不同技術領域下的貢獻度Top 3國家分布
在整體格局之下 ， 細分領域的貢獻分布呈現出不同特點 。
首先 ， 全球AI開源格局呈現“雙中心”特征 。
AI Infra領域：美國貢獻度達43.39% ， 中國為22.03% ， 美國在該領域有顯著的領先優勢 。 這與其在底層芯片、基礎模型和云服務等方面的長期積累有關 。 AI Agent領域：中美之間的差距則大幅縮小 ， 貢獻度分別為24.62%和21.5% 。 中國開發者在更貼近應用層的領域表現出強大的活力和增長潛力 。這種差異化的分布 ， 勾勒出一個“雙中心”的格局：美國在基礎設施層具備更強的主導權 ， 而中國則在應用創新層展現出強勁的追趕勢頭 。
其次 ， 是應用場景驅動的技術創新模式 。
中國開發者在Agent領域的活躍 ， 與國內龐大且復雜的數字經濟應用場景密切相關 。 在各行各業 ， 都存在著利用AI技術進行流程自動化、提升服務效率和降低運營成本的巨大需求 。
這種強烈的“場景驅動力” ， 催生了大量面向具體問題的AI原生應用和Agent解決方案 ， 形成了一種自下而上的創新模式：由真實的應用需求來驅動和選擇最適合的技術工具 。
這也在一定程度上解釋了為何如Dify（低代碼Agent平臺）、Cherry Studio（Chatbot應用）等項目能夠快速發展 ， 并在全球范圍內獲得關注 。
它們的優勢可能不在于底層技術的絕對領先 ， 而在于對AI能力的產品化和場景化落地有更深刻的理解 。
最后 ， 總結來看這份《大模型開源開發生態全景圖2.0》 ， 我們可以從中總結出三個清晰明了的大趨勢：
范式演變：開源的運作模式正從純粹的技術社區 ， 向商業化和市場運營驅動的模式轉變 。 戰場轉移：生態的競爭核心正從功能廣度轉向運行性能 ， 推理效率成為關鍵瓶頸 。 格局形成：中美兩國成為全球AI開源生態的兩個主要貢獻中心 ， 并在不同技術層面呈現出各自的優勢 。總而言之 ， 這是一個關于快速迭代和適者生存的演進故事 。 在這場“黑客松”式的競爭中 ， 沒有一成不變的領先者 ， 只有持續的創新者 。
One More Thing：與TensorFlow的趨勢形成對比的是 ， 新一代開源項目正以極快的速度崛起 。
例如 ， 新上榜的AI Coding項目OpenCode（定位為Claude Code的開源替代）和Google的Gemini CLI ， 都在發布后的短短數月內獲得了極高的社區關注度和活躍度 。
而最值得一提的一個開源項目 ， 就是Browser-use——2個研究生僅用9個月便拿下60K星！

那么問題來了 ， 你覺得再過100天 ， 下一個類似“Browser-use”的時刻 ， 會花落誰家呢？
《大模型開源開發生態全景圖2.0》原文地址：
https://mp.weixin.qq.com/s/QRY5HBtZwrCZ95WHubTwsg
— 完 —
量子位 QbitAI · 頭條號
關注我們 ， 第一時間獲知前沿科技動態

    推薦閱讀