DeepSeek開(kāi)源大模型迅速成為行業(yè)焦點(diǎn)。OpenAI創(chuàng)始人山姆·奧特曼（Sam Altman）也罕見(jiàn)承認(rèn)其“閉源路線站在了歷史錯(cuò)誤的一邊”，并于近期宣布在接下來(lái)的幾個(gè)月里將發(fā)布自GPT-2以來(lái)的第一個(gè)開(kāi)源模型；國(guó)內(nèi)原本走閉源路線的互聯(lián)網(wǎng)企業(yè)也轉(zhuǎn)向開(kāi)源生態(tài)。

一系列事件標(biāo)志著開(kāi)源AI路線取得階段性勝利，開(kāi)源的成本、透明度與靈活性等優(yōu)勢(shì)，正在重塑大模型競(jìng)爭(zhēng)格局。

作為全球范圍內(nèi)開(kāi)源路線的代表之一，紅帽“以開(kāi)源推動(dòng)效率革命”的理念其實(shí)更早，當(dāng)下，DeepSeek的爆火，加強(qiáng)了公眾對(duì)于開(kāi)源路線的認(rèn)知。

近日，紅帽全球副總裁兼大中華區(qū)總裁曹衡康在接受21世紀(jì)經(jīng)濟(jì)報(bào)道記者采訪時(shí)表示，紅帽將DeepSeek視為“生態(tài)伙伴”：“他們的模型可以無(wú)縫運(yùn)行在紅帽平臺(tái)上。”這種互補(bǔ)合作催生了新的商業(yè)模式——企業(yè)可在紅帽的OpenShift AI平臺(tái)上同時(shí)部署DeepSeek、Llama等開(kāi)源模型，根據(jù)業(yè)務(wù)需求動(dòng)態(tài)分配算力。

盡管AI非?；馃?，但很多企業(yè)依然處于探索和測(cè)試階段。

紅帽數(shù)據(jù)顯示，94%的企業(yè)正在進(jìn)行生成式AI試點(diǎn)，預(yù)計(jì)未來(lái)3到5年才能真正實(shí)現(xiàn)AI投資的回報(bào)?！癆I部署的挑戰(zhàn)不只是技術(shù)本身，更重要的是如何把AI應(yīng)用到實(shí)際生產(chǎn)環(huán)境中，尤其是在企業(yè)的核心應(yīng)用上?！辈芎饪嫡f(shuō)。

曹衡康透露，在紅帽看來(lái)，企業(yè)級(jí)AI應(yīng)用更恰當(dāng)?shù)穆窂绞情_(kāi)源、混合式和專有小模型。

截至目前，開(kāi)源的價(jià)值更明顯。原因在于，現(xiàn)階段的AI仍然需要大量嘗試，如果一千個(gè)人在一千個(gè)方向上探索，速度就會(huì)比一家公司單獨(dú)摸索要快得多。

在傳統(tǒng)軟件開(kāi)發(fā)中，需求和實(shí)現(xiàn)路徑往往較為明確，用閉源也沒(méi)什么不妥；可是在AI領(lǐng)域里還有很多未知，開(kāi)源能夠極大加快創(chuàng)新進(jìn)程。閉源意味著只有少數(shù)人能嘗試，效率相對(duì)低很多。通過(guò)開(kāi)源，全球的開(kāi)發(fā)者可以共同參與到AI的創(chuàng)新與改進(jìn)中。

“混合式AI”意味著AI不會(huì)局限于云端，企業(yè)內(nèi)部的計(jì)算資源同樣可以用于AI模型的開(kāi)發(fā)和應(yīng)用。

閉源模型通常綁定特定云服務(wù)商，導(dǎo)致企業(yè)存在“被技術(shù)綁架”的風(fēng)險(xiǎn)?；旌显撇呗栽试SAI模型在本地?cái)?shù)據(jù)中心、公有云或邊緣設(shè)備間自由遷移。

此外，不同于通用AI，行業(yè)專用的生成式AI模型要求根據(jù)具體業(yè)務(wù)需求定制。曹衡康舉例說(shuō)，醫(yī)療行業(yè)、汽車行業(yè)和零售行業(yè)都需要專門針對(duì)各自行業(yè)特點(diǎn)的AI模型，而不是通用的大模型。

通用大模型并不總是最適合企業(yè)資源。企業(yè)需要的不是“萬(wàn)能模型”，而是貼合業(yè)務(wù)的專有模型。

“我們相信，AI的應(yīng)用應(yīng)當(dāng)能夠跨越不同平臺(tái)，從企業(yè)的數(shù)據(jù)中心到邊緣計(jì)算，甚至個(gè)人設(shè)備，都能靈活部署和運(yùn)用?！辈芎饪当硎荆_(kāi)源、混合式和小模型原則，可以幫助企業(yè)以更低的成本開(kāi)發(fā)高效的AI模型，減少對(duì)GPU等高性能硬件的依賴，并降低運(yùn)營(yíng)成本。

曹衡康也提到了企業(yè)AI部署的三個(gè)挑戰(zhàn)：成本、復(fù)雜度和靈活性。

閉源大模型的訓(xùn)練和部署需要天量算力，企業(yè)往往因硬件投入和云服務(wù)費(fèi)用不堪重負(fù)。曹衡康指出，“小模型”策略通過(guò)模型蒸餾（Distillation）和私有數(shù)據(jù)調(diào)優(yōu)，可將參數(shù)規(guī)模縮減至原模型的千分之一，硬件成本明顯降低。并且，通用大模型為追求廣泛適用性，往往保留冗余功能，導(dǎo)致輸出不可控，“專有小模型”策略則聚焦垂直場(chǎng)景，調(diào)用算力更少，效率更高。

多數(shù)企業(yè)缺乏AI專業(yè)人才，難以駕馭復(fù)雜的模型開(kāi)發(fā)和數(shù)據(jù)清洗流程。紅帽通過(guò)RHEL AI、OpenShift AI等一體化平臺(tái)，將模型訓(xùn)練、調(diào)優(yōu)和部署集成到標(biāo)準(zhǔn)化工具中。例如，InstructLab允許企業(yè)用私有數(shù)據(jù)生成合成訓(xùn)練集，將數(shù)據(jù)需求量降至原來(lái)的千分之一，同時(shí)支持自動(dòng)化模型“瘦身”。

最后，靈活性至關(guān)重要，企業(yè)需要能夠根據(jù)自身需求，在不同平臺(tái)、不同硬件上靈活部署AI模型。

大模型的“幻覺(jué)問(wèn)題”也是閉源路線的硬傷。由于模型參數(shù)和訓(xùn)練數(shù)據(jù)不透明，企業(yè)難以追溯錯(cuò)誤根源。而開(kāi)源AI通過(guò)透明化調(diào)優(yōu)與社區(qū)監(jiān)督，可以有效降低模型幻覺(jué)率。開(kāi)源模型的代碼、參數(shù)和訓(xùn)練數(shù)據(jù)完全公開(kāi)，企業(yè)可根據(jù)自身需求調(diào)整模型邏輯。

開(kāi)源AI的勝利并非偶然，而是AI規(guī)?；涞氐膬?yōu)勢(shì)路徑。在這場(chǎng)變革中，那些以開(kāi)放生態(tài)賦能企業(yè)的平臺(tái)，不追求壟斷模型，而是構(gòu)建自由、透明、經(jīng)濟(jì)的AI未來(lái)。