21世纪经济报道记者孔海丽 北京报道
2025年，全球AI产业迎来分水岭。
DeepSeek开源大模型迅速成为行业焦点。OpenAI创始人山姆·奥特曼（Sam Altman）也罕见承认其“闭源路线站在了历史错误的一边”，并于近期宣布在接下来的几个月里将发布自GPT-2以来的第一个开源模型；国内原本走闭源路线的互联网企业也转向开源生态。
一系列事件标志着开源AI路线取得阶段性胜利，开源的成本、透明度与灵活性等优势，正在重塑大模型竞争格局。
作为全球范围内开源路线的代表之一，红帽“以开源推动效率革命”的理念其实更早，当下，DeepSeek的爆火，加强了公众对于开源路线的认知。
近日，红帽全球副总裁兼大中华区总裁曹衡康在接受21世纪经济报道记者采访时表示，红帽将DeepSeek视为“生态伙伴”：“他们的模型可以无缝运行在红帽平台上。”这种互补合作催生了新的商业模式——企业可在红帽的OpenShift AI平台上同时部署DeepSeek、Llama等开源模型，根据业务需求动态分配算力。
尽管AI非常火热，但很多企业依然处于探索和测试阶段。
红帽数据显示，94%的企业正在进行生成式AI试点，预计未来3到5年才能真正实现AI投资的回报。“AI部署的挑战不只是技术本身，更重要的是如何把AI应用到实际生产环境中，尤其是在企业的核心应用上。”曹衡康说。
曹衡康透露，在红帽看来，企业级AI应用更恰当的路径是开源、混合式和专有小模型。
截至目前，开源的价值更明显。原因在于，现阶段的AI仍然需要大量尝试，如果一千个人在一千个方向上探索，速度就会比一家公司单独摸索要快得多。
在传统软件开发中，需求和实现路径往往较为明确，用闭源也没什么不妥；可是在AI领域里还有很多未知，开源能够极大加快创新进程。闭源意味着只有少数人能尝试，效率相对低很多。通过开源，全球的开发者可以共同参与到AI的创新与改进中。
“混合式AI”意味着AI不会局限于云端，企业内部的计算资源同样可以用于AI模型的开发和应用。
闭源模型通常绑定特定云服务商，导致企业存在“被技术绑架”的风险。混合云策略允许AI模型在本地数据中心、公有云或边缘设备间自由迁移。
此外，不同于通用AI，行业专用的生成式AI模型要求根据具体业务需求定制。曹衡康举例说，医疗行业、汽车行业和零售行业都需要专门针对各自行业特点的AI模型，而不是通用的大模型。
通用大模型并不总是最适合企业资源。企业需要的不是“万能模型”，而是贴合业务的专有模型。
“我们相信，AI的应用应当能够跨越不同平台，从企业的数据中心到边缘计算，甚至个人设备，都能灵活部署和运用。”曹衡康表示，开源、混合式和小模型原则，可以帮助企业以更低的成本开发高效的AI模型，减少对GPU等高性能硬件的依赖，并降低运营成本。
曹衡康也提到了企业AI部署的三个挑战：成本、复杂度和灵活性。
闭源大模型的训练和部署需要天量算力，企业往往因硬件投入和云服务费用不堪重负。曹衡康指出，“小模型”策略通过模型蒸馏（Distillation）和私有数据调优，可将参数规模缩减至原模型的千分之一，硬件成本明显降低。并且，通用大模型为追求广泛适用性，往往保留冗余功能，导致输出不可控，“专有小模型”策略则聚焦垂直场景，调用算力更少，效率更高。
多数企业缺乏AI专业人才，难以驾驭复杂的模型开发和数据清洗流程。红帽通过RHEL AI、OpenShift AI等一体化平台，将模型训练、调优和部署集成到标准化工具中。例如，InstructLab允许企业用私有数据生成合成训练集，将数据需求量降至原来的千分之一，同时支持自动化模型“瘦身”。
最后，灵活性至关重要，企业需要能够根据自身需求，在不同平台、不同硬件上灵活部署AI模型。
大模型的“幻觉问题”也是闭源路线的硬伤。由于模型参数和训练数据不透明，企业难以追溯错误根源。而开源AI通过透明化调优与社区监督，可以有效降低模型幻觉率。开源模型的代码、参数和训练数据完全公开，企业可根据自身需求调整模型逻辑。
开源AI的胜利并非偶然，而是AI规模化落地的优势路径。在这场变革中，那些以开放生态赋能企业的平台，不追求垄断模型，而是构建自由、透明、经济的AI未来。
0 条