900个开源AI工具背后，我看到的趋势
内容提要
本文分析了开源机器学习生态系统的变化，重点关注基础模型的技术栈。AI技术栈分为基础设施层、模型开发层、应用开发层和应用层。2023年，应用层和应用开发层增长迅速，而基础设施层变化较小。中国的开源生态系统逐渐壮大，出现了许多针对中文用户的AI代码库，尽管一些项目经历了快速崛起和衰退，社区仍在不断开发创新工具。
延伸解读
AI技术栈的分层演变
文章将AI技术栈分为基础设施、模型开发、应用开发和应用四层。2023年，应用层和应用开发层增长最快，而基础设施层变化较小。这反映出开源生态正从底层工具向更贴近用户的应用层转移，开发者更易在应用层创新。
中国开源生态的崛起
中国开源AI生态逐渐壮大，出现了许多针对中文用户的代码库，如Qwen、ChatGLM3等。在GitHub排名前20的账户中，有6个来自中国，包括清华大学、上海人工智能实验室等机构。这表明中国在开源AI领域的参与度和影响力正在提升。
个人开发者的机会与挑战
开源软件遵循长尾分布，少数账户掌控大部分代码库。个人开发者在应用层表现活跃，超过一半的应用程序由个人托管，且平均获得的star数比组织发起的更多。但技术栈层级越低，个人开发难度越大，基础设施层几乎由组织主导。
快速崛起与短暂辉煌现象
许多代码库在短期内迅速吸引关注，但随后快速衰落。在845个代码库中，18.8%在过去24小时内没有获得新star，4.5%在过去一周内没有新star。这提示开源项目需要持续维护和创新才能保持活力。
Q&A
开源机器学习生态系统的主要变化是什么？
开源机器学习生态系统在基础模型的技术栈方面发生了显著变化，尤其是应用层和应用开发层的快速增长。
AI技术栈分为哪几个层级？
AI技术栈分为基础设施层、模型开发层、应用开发层和应用层。
2023年开源AI工具的增长主要集中在哪些方面？
2023年，开源AI工具的增长主要集中在应用层和应用开发层，基础设施层的变化较小。
中国的开源AI生态系统有什么特点？
中国的开源AI生态系统逐渐壮大，出现了许多针对中文用户的AI代码库，且与西方存在差异。
开源AI工具的开发者分布情况如何？
开源AI工具遵循长尾分布，少数账户掌控大部分代码库，个人开发者在应用层表现活跃。
开源AI工具的应用层主要包括哪些类型？
应用层主要包括编码、工作流自动化和信息聚合等类型的开源应用程序。
