2015 年，谷歌大腦開放了一個名為「TensorFlow」的研究項目，這款產品迅速流行起來，成為人工智能業界的主流深度學習框架，塑造了現代機器學習的生態系統。從那時起，成千上萬的開源貢獻者以及眾多的開發人員、社區組織者、研究人員和教育工作者等都投入到這一開源軟件庫上。

然而七年后的今天，故事的走向已經完全不同：谷歌的 TensorFlow 失去了開發者的擁護。因為 TensorFlow 用戶已經開始轉向 Meta 推出的另一款框架 PyTorch。

眾多開發者都認為 TensorFlow 已經輸掉了這場戰爭，并將其比喻為：「PyTorch 吃掉了 TensorFlow 的午餐?！?/span>

在 PyTorch 的陰影下，谷歌正在悄悄地開發一個機器學習框架，就是 JAX（曾是「Just After eXecution」的首字母縮寫，但官方說法中不再代表任何東西），許多人將其視為 TensorFlow 的繼承者。

一時之間，關于谷歌要放棄 TensorFlow，全面轉向 JAX 的說法鬧得人盡皆知。其實不然，谷歌并沒有放棄 TensorFlow，他們表示未來 TensorFlow 將與 JAX 并肩發展。

不過話說回來，在這短短的七年中，TensorFlow 已經有了亮眼的表現，已然發展成為最常用的機器學習平臺，使用人數達數百萬。TensorFlow 現在每月被下載超過 18M 次，在 GitHub 上積累了 166k 顆星——比任何其他 ML 框架都多。

此外，TensorFlow 還為在移動生態系統上進行機器學習帶來了便利：目前 TFLite 在大約 40 億臺設備上運行，也許你的設備也包含在內。TensorFlow 還將機器學習引入 Web，TensorFlow.js 現在每周下載量超 17 萬次。

在谷歌的整個產品系列中，TensorFlow 幾乎為所有機器學習提供支持，包括搜索、GMail、YouTube、Maps 、Play、廣告、照片等等。除了谷歌，在 Alphabet 旗下的子公司，TensorFlow 連同 Keras 為 Waymo 自動駕駛汽車提供了新的機器智能。

在更廣泛的行業中，TensorFlow 為數千家公司的機器學習系統提供支持，其中包括蘋果、ByteDance、Netflix、騰訊、Twitter 等公司。研究領域，在 Google Scholar 上每個月都有超過 3000 篇出版物提到 TensorFlow，包括重要的應用科學研究，比如了解癌癥的 CANDLE 研究。

毫不夸張的說，TensorFlow 基礎用戶和開發者生態比以往任何時候都要多，而且還在不斷增長。谷歌認為 TensorFlow 的發展不僅是一項值得慶祝的成就，它也為機器學習社區走得更遠提供了新的機會。

谷歌一直以來奉行的目標是提供最好的機器學習平臺，并努力將機器學習從小眾工藝轉變為像 Web 開發一樣成熟的行業軟件。

谷歌對 TensorFlow 的開發還將繼續，走過了 7 年，還會有下個 7 年。

TensorFlow 未來四大支柱

近日，谷歌宣布他們已經著手開發 TensorFlow 的下一個迭代，并專注于四大支柱。更具體地，谷歌計劃在 2023 年第二季度發布新的 TensorFlow 預覽版，之后晚些時候發布生產版本。

快速和可擴展

首先是 XLA 編譯。谷歌專注于 XLA 編譯，讓訓練和推理模型在 GPU 和 CPU 上更快，并致力于讓 XLA 成為行業標準的深度學習編譯器，并且作為 OpenXLA 計劃的一部分，谷歌已將其開放給開源協作。

其次是分布式計算。谷歌正在專注于 DTensor 的研究，這是一種用于大規模模型并行的新 API。DTensor 將與 tf.distribute API 統一，允許靈活的模型和數據并行。

最后是性能優化。除了編譯之外，谷歌還進一步專注于算法性能優化，例如混合精度和降低精度計算，從而在 GPU 和 TPU 上提供相當大的加速。

應用型 ML

用于 CV 和 NLP 的新工具。谷歌正在投資應用型 ML（Applied ML）的生態系統，特別是通過 KerasCV 和 Keras NLP 包為各種用例提供模塊化和可組合的組件。

開發者資源。谷歌正在為流行以及新興的應用機器學習用例添加更多代碼示例、指南和文檔，降低開發人員進入 ML 的門檻，使得每個開發工具簡單可用。

部署層面

更容易導出。谷歌將會使模型導出到移動設備（Android 或 iOS）、邊緣設備（微控制器）、服務器后端或 JavaScript 變得更加容易。用戶可以將模型導出到 TFLite 和 TF.js，并優化模型推理性能，操作起來就像調用 model.export() 一樣簡單。

用于應用程序的 C++ API 。谷歌正在開發公共 TF2 C++ API ，作為 C++ 應用程序的一部分用于本地服務器端推理。

部署 JAX 模型。谷歌正在使得 TensorFlow 服務部署模型變得更容易。

簡單化

NumPy API。過去幾年，ML 領域快速發展，與此同時 TensorFlow 的 API 也隨之增加。為了適應技術的發展，谷歌正在全面整合和簡化 API。

讓 debug 變得更容易。在 ML 領域，debug 是一項不可忽略的技術。谷歌將專注于更好的 debug 功能，以最小化其時間。

谷歌表示，TensorFlow 未來將是 100% 向后兼容的。谷歌希望 TensorFlow 成為機器學習行業賴以發展的基石，并承諾從 TensorFlow 2 開始到下一個版本，TensorFlow 完全向后兼容，代碼將按原樣運行，不需要運行轉換腳本，也不需要手動更改。谷歌將繼續在 TensorFlow 框架上投資，以推動研究和應用，為數百萬用戶服務。