被PyTorch打爆！谷歌抛弃TensorFlow，押宝JAX

---

很喜欢有些网友的一句话：

「这孩子实在不行，咱再要一个吧。」

谷歌还真这么干了。

养了七年的TensorFlow终于还是被Meta的PyTorch干趴下了，在一定程度上。

谷歌眼见不对，赶紧又要了一个——「JAX」，一款全新的机器学习框架。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

最近超级火爆的DALL·E Mini都知道吧，它的模型就是基于JAX进行编程的，从而充分地利用了谷歌TPU带来的优势。

TensorFlow的黄昏和PyTorch的崛起

2015年，谷歌开发的机器学习框架——TensorFlow问世。

当时，TensorFlow只是Google Brain的一个小项目。

谁也没有想到，刚一问世，TensorFlow就变得非常火爆。

优步、爱彼迎这种大公司在用，NASA这种国家机构也在用。而且还都是用在他们各自最为复杂的项目上。

而截止到2025年11月，TensorFlow的下载次数已经达到了1.6亿次。

不过，谷歌好像并没有十分在乎这么多用户的感受。

奇奇怪怪的界面和频繁的更新都让TensorFlow对用户越来越不友好，并且越来越难以操作。

甚至，就连谷歌内部，也觉得这个框架在走下坡路。

其实谷歌如此频繁的更新也实属无奈，毕竟只有这样才能追得上机器学习领域快速地迭代。

于是，越来越多的人加入了这个项目，导致整个团队慢慢失去了重点。

而原本让TensorFlow成为首选工具的那些闪光点，也被埋没在了茫茫多的要素里，不再受人重视。

这种现象被Insider形容为一种「猫鼠游戏」。公司就像是一只猫，不断迭代出现的新需求就像是一只只老鼠。猫要时刻保持警惕，随时扑向老鼠。

这种困局对最先打入某一市场的公司来说是避不开的。

举个例子，就搜索引擎来说，谷歌并不是第一家。所以谷歌能够从前辈（AltaVista、Yahoo等等）的失败中总结经验，应用在自身的发展上。

可惜到了TensorFlow这里，谷歌是被困住的那一个。

正是因为上面这些原因，原先给谷歌卖命的开发者，慢慢对老东家失去了信心。

昔日无处不在的TensorFlow渐渐陨落，败给了Meta的后起之秀——PyTorch。

2017年，PyTorch的测试版开源。

2018年，Facebook的人工智能研究实验室发布了PyTorch的完整版本。

值得一提的是，PyTorch和TensorFlow都是基于Python开发的，而Meta则更注重维护开源社区，甚至不惜大量投入资源。

而且，Meta关注到了谷歌的问题所在，认为不能重蹈覆辙。他们专注于一小部分功能，并把这些功能做到最好。

Meta并没有步谷歌的后尘。这款首先在Facebook开发出来的框架，慢慢成为了行业标杆。

一家机器学习初创公司的研究工程师表示，「我们基本都用PyTorch。它的社群和开源做得是最出色的。不仅有问必答，给的例子也很实用。」

面对这种局面，谷歌的开发者、硬件专家、云提供商，以及任何和谷歌机器学习相关的人员在接受采访时都说了一样的话，他们认为TensorFlow失掉了开发者的心。

经历了一系列的明争暗斗，Meta最终占了上风。

有专家表示，谷歌未来继续引领机器学习的机会正慢慢流失。

PyTorch逐渐成为了寻常开发者和研究人员的首选工具。

从Stack Overflow提供的互动数据上看，在开发者论坛上有关PyTorch的提问越来越多，而关于TensorFlow的最近几年一直处于停滞状态。

就连文章开始提到的优步等等公司也转向PyTorch了。

甚至，PyTorch后来的每一次更新，都像是在打TensorFlow的脸。

谷歌机器学习的未来——JAX

就在TensorFlow和PyTorch打得热火朝天的时候，谷歌内部的一个「小型黑马研究团队」开始致力于开发一个全新的框架，可以更加便捷地利用TPU。

2018年，一篇题为《Compiling machine learning programs via high-level tracing》的论文，让JAX项目浮出水面，作者是Roy Frostig、Matthew James Johnson和Chris Leary。

从左至右依次是这三位大神

而后，PyTorch原始作者之一的Adam Paszke，也在2025年初全职加入了JAX团队。

JAX提供了一个更直接的方法用于处理机器学习中最复杂的问题之一：多核处理器调度问题。

根据所应用的情况，JAX会自动地将若干个芯片组合而成一个小团体，而不是让一个去单打独斗。

如此带来的好处就是，让尽可能多的TPU片刻间就能得到响应，从而燃烧我们的「炼丹小宇宙」。

最终，相比于臃肿的TensorFlow，JAX解决了谷歌内部的一个心头大患：如何快速访问TPU。

下面简单介绍一下构成JAX的Autograd和XLA。

Autograd主要应用于基于梯度的优化，可以自动区分Python和Numpy代码。

它既可以用来处理Python的一个子集，包括循环、递归和闭包，也可以对导数的导数进行求导。

此外，Autograd支持梯度的反向传播，这也就这意味着它可以有效地获取标量值函数相对于数组值参数的梯度，以及前向模式微分，并且两者可以任意组合。

XLA（Accelerated Linear Algebra）可以加速TensorFlow模型而无需更改源代码。

当一个程序运行时，所有的操作都由执行器单独执行。每个操作都有一个预编译的GPU内核实现，执行器会分派到该内核实现。

举个栗子：

def model_fn(x, y, z):
return tf.reduce_sum(x + y * z)

在没有XLA的情况下运行，该部分会启动三个内核：一个用于乘法，一个用于加法，一个用于减法。

而XLA可以通过将加法、乘法和减法「融合」到单个GPU内核中，从而实现优化。

这种融合操作不会将由内存产生的中间值写入y*z内存x+y*z；相反，它将这些中间计算的结果直接「流式传输」给用户，同时将它们完全保存在GPU中。

在实践中，XLA可以实现约7倍的性能改进和约5倍的batch大小改进。

此外，XLA和Autograd可以任意组合，甚至可以利用pmap方法一次使用多个GPU或TPU内核进行编程。

而将JAX与Autograd和Numpy相结合的话，就可以获得一个面向CPU、GPU和TPU的易于编程且高性能的机器学习系统了。

显然，谷歌这一次吸取了教训，除了在自家全面铺开以外，在推进开源生态的建设方面，也是格外地积极。

2025年DeepMind正式投入JAX的怀抱，而这也宣告了谷歌亲自下场，自此之后各种开源的库层出不穷。

纵观整场「明争暗斗」，贾扬清表示，在批评TensorFlow的进程中，AI系统认为Pythonic的科研就是全部需求。

但一方面纯Python无法实现高效的软硬协同设计，另一方面上层分布式系统依然需要高效的抽象。

而JAX正是在寻找更好的平衡，谷歌这种愿意颠覆自己的pragmatism非常值得学习。

causact R软件包和相关贝叶斯分析教科书的作者表示，自己很高兴看到谷歌从TF过渡到JAX，一个更干净的解决方案。

谷歌的挑战

作为一个新秀，Jax虽然可以借鉴PyTorch和TensorFlow这两位老前辈的优点，但有的时候后发可能也会带来劣势。

首先，JAX还太「年轻」，作为实验性的框架，远没有达到一个成熟的谷歌产品的标准。

除了各种隐藏的bug以外，JAX在一些问题上仍然要依赖于其他框架。

拿加载和预处理数据来说，就需要用TensorFlow或PyTorch来处理大部分的设置。

显然，这和理想的「一站式」框架还相去甚远。

其次，JAX主要针对TPU进行了高度的优化，但是到了GPU和CPU上，就要差得多了。

一方面，谷歌在2018年至2025年组织和战略的混乱，导致在对GPU进行支持上的研发的资金不足，以及对相关问题的处理优先级靠后。

与此同时，大概是过于专注于让自家的TPU能在AI加速上分得更多的蛋糕，和英伟达的合作自然十分匮乏，更不用说完善对GPU的支持这种细节问题了。

另一方面，谷歌自己的内部研究，不用想肯定都集中在TPU上，这就导致谷歌失去了对GPU使用的良好反馈回路。

此外，更长的调试时间、并未与Windows兼容、未跟踪副作用的风险等等，都增加了Jax的使用门槛以及友好程度。

现在，PyTorch已经快6岁了，但完全没有TensorFlow当年显现出的颓势。

如此看来，想要后来者居上的话，Jax还有很长一段路要走。

# pytorch  # 就连  # 失去了  # 这也  # 明争暗斗  # 也在  # 就像  # 是在  # 都是  # 自己的  # 开源  # bug  # 搜索引擎  # 谷歌  # tensorflow  # 人工智能  # windows  # overflow  # 闭包  # 值参数  # 循环  # 递归  # numpy  # 分布式  # batch  # Python 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 网络优化91478 】 【 技术知识72672 】 【 云计算0 】 【 GEO优化84317 】 【 优选文章0 】 【 营销推广36048 】 【 网络运营41350 】 【 案例网站102563 】 【 AI智能45237 】

相关推荐： 探索弦乐器世界：从吉他到卡曼切，乐器全解析  DeepSeek写合同怎么用_DeepSeek写合同使用方法详细指南【教程】  AI视频生成器：免费工具，图像转视频和文字转视频  AI QA 工程：通往人工智能质量保障工程师的职业道路  教你用AI帮你生成一份详细的搬家清单，告别手忙脚乱  MagicAnimate怎么让图片动起来 字节跳动MagicAnimate配置及用法【教程】  百度AI搜索怎样设置搜索偏好_百度AI搜索偏好设置与个性化推荐【技巧】  Midjourney怎么用一键生成漫画_Midjourney漫画生成方法【攻略】  百度ai助手通知栏怎么关 百度ai助手通知消息屏蔽  10平米房间设计终极挑战：人类 vs AI，DIY极简主义胜出！  Feelin网页版在线使用 Feelin官网登录入口  ChatGPT怎样一键生成PPT_ChatGPT生成PPT方法【步骤】  探索孟加拉音乐魅力：高尔德普林特莎丽，节日欢歌  AI照片编辑：为你的单人照添加逼真女友，告别孤单  tofai入口官方网站 tofai网页版入口地址  探索心灵的音乐之旅：Kanwar Garewal的《Ishq Bulleh Nu》  Descript音频编辑终极指南：技巧、AI工具与专业效果  终极人声移除器UVR5：AI驱动的免费开源音频处理神器  通义听悟转会议纪要怎么用_通义听悟转会议纪要使用方法详细指南【教程】  钉钉ai划词工具怎样查看划词历史_钉钉ai划词工具历史记录查询【指南】  Semrush Summary Generator: 高效总结长篇文章的终极指南  利用 DeepSeek 进行大规模 C++ 代码库审计  讯飞星火怎样一键生成教案_讯飞星火教案生成与学科选择【教程】  教你用AI一键去除图片水印，操作简单效果惊人  feelin聊天官方网站入口 feelinAl官方网站  2025年43英寸电视选购指南：最佳品牌与型号推荐  eGain AI Knowledge Hub：助力 Specialized 成熟运营和卓越 CX  DeepSeek解释机器学习模型 DeepSeek数据科学学习指南  AI Buildr: 构建 AI 应用的终极指南  AI视频生成终极指南：免费为店铺打造引流爆款  AI视频工具：加速内容创作，提升效率的终极指南  豆包AI怎么查看个人主页_管理账号信息与偏好设置  Tenorshare PDNob：免费AI图像翻译器，即时转换图像为文本  Excel Copilot：AI驱动的数据分析革命，提升效率秘籍  掌握写作技巧：小说情节设计的核心要素解析  AI任务管理器终极评测：找到最适合你的效率神器  AI如何一键生成PPT大纲_利用AI工具制作演示文稿方法【教程】  百度AI助手网页版入口 免安装直接打开入口  教你用AI帮你进行论文选题，快速找到有研究价值的方向  美图秀秀AI抠图如何换背景_美图秀秀AI背景替换与贴纸添加【攻略】  银行经理写给银行经理的信：实用模板和关键要素  深度解析Coldplay酷玩乐队《Viva la Vida》的音乐内涵  百度AI对话助手入口 智能聊天机器人入口  E-LabVine：AI赋能的数字化学习平台，提升高中学业表现  唐库AI拆书工具怎么查看拆书进度_唐库AI拆书工具进度查看与异常排查【方法】  颠覆认知！《小丑回魂》幕后：用爆笑台词颠覆你的恐怖想象  AI 和 Plagiarism Checker：SEO 内容创作的终极指南  软件工程师必备的AI工具：提升效率的六款利器  稿定设计AI抠图怎样调整透明度_稿定设计AI透明度滑块与渐变设置【攻略】  如何通过豆包 AI 进行每日新闻简报的个性化定制 

 2023-05-04