DeepSeek開源大模型迅速成為行業焦點。OpenAI創始人山姆·奧特曼（Sam Altman）也罕見承認其“閉源路線站在了歷史錯誤的一邊”，并于近期宣布在接下來的幾個月里將發布自GPT-2以來的第一個開源模型；國內原本走閉源路線的互聯網企業也轉向開源生態。

一系列事件標志著開源AI路線取得階段性勝利，開源的成本、透明度與靈活性等優勢，正在重塑大模型競爭格局。

作為全球范圍內開源路線的代表之一，紅帽“以開源推動效率革命”的理念其實更早，當下，DeepSeek的爆火，加強了公眾對于開源路線的認知。

近日，紅帽全球副總裁兼大中華區總裁曹衡康在接受21世紀經濟報道記者采訪時表示，紅帽將DeepSeek視為“生態伙伴”：“他們的模型可以無縫運行在紅帽平臺上。”這種互補合作催生了新的商業模式——企業可在紅帽的OpenShift AI平臺上同時部署DeepSeek、Llama等開源模型，根據業務需求動態分配算力。

盡管AI非常火熱，但很多企業依然處于探索和測試階段。

紅帽數據顯示，94%的企業正在進行生成式AI試點，預計未來3到5年才能真正實現AI投資的回報。“AI部署的挑戰不只是技術本身，更重要的是如何把AI應用到實際生產環境中，尤其是在企業的核心應用上。”曹衡康說。

曹衡康透露，在紅帽看來，企業級AI應用更恰當的路徑是開源、混合式和專有小模型。

截至目前，開源的價值更明顯。原因在于，現階段的AI仍然需要大量嘗試，如果一千個人在一千個方向上探索，速度就會比一家公司單獨摸索要快得多。

在傳統軟件開發中，需求和實現路徑往往較為明確，用閉源也沒什么不妥；可是在AI領域里還有很多未知，開源能夠極大加快創新進程。閉源意味著只有少數人能嘗試，效率相對低很多。通過開源，全球的開發者可以共同參與到AI的創新與改進中。

“混合式AI”意味著AI不會局限于云端，企業內部的計算資源同樣可以用于AI模型的開發和應用。

閉源模型通常綁定特定云服務商，導致企業存在“被技術綁架”的風險。混合云策略允許AI模型在本地數據中心、公有云或邊緣設備間自由遷移。

此外，不同于通用AI，行業專用的生成式AI模型要求根據具體業務需求定制。曹衡康舉例說，醫療行業、汽車行業和零售行業都需要專門針對各自行業特點的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資源。企業需要的不是“萬能模型”，而是貼合業務的專有模型。

“我們相信，AI的應用應當能夠跨越不同平臺，從企業的數據中心到邊緣計算，甚至個人設備，都能靈活部署和運用。”曹衡康表示，開源、混合式和小模型原則，可以幫助企業以更低的成本開發高效的AI模型，減少對GPU等高性能硬件的依賴，并降低運營成本。

曹衡康也提到了企業AI部署的三個挑戰：成本、復雜度和靈活性。

閉源大模型的訓練和部署需要天量算力，企業往往因硬件投入和云服務費用不堪重負。曹衡康指出，“小模型”策略通過模型蒸餾（Distillation）和私有數據調優，可將參數規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，導致輸出不可控，“專有小模型”策略則聚焦垂直場景，調用算力更少，效率更高。

多數企業缺乏AI專業人才，難以駕馭復雜的模型開發和數據清洗流程。紅帽通過RHEL AI、OpenShift AI等一體化平臺，將模型訓練、調優和部署集成到標準化工具中。例如，InstructLab允許企業用私有數據生成合成訓練集，將數據需求量降至原來的千分之一，同時支持自動化模型“瘦身”。

最后，靈活性至關重要，企業需要能夠根據自身需求，在不同平臺、不同硬件上靈活部署AI模型。

大模型的“幻覺問題”也是閉源路線的硬傷。由于模型參數和訓練數據不透明，企業難以追溯錯誤根源。而開源AI通過透明化調優與社區監督，可以有效降低模型幻覺率。開源模型的代碼、參數和訓練數據完全公開，企業可根據自身需求調整模型邏輯。

開源AI的勝利并非偶然，而是AI規模化落地的優勢路徑。在這場變革中，那些以開放生態賦能企業的平臺，不追求壟斷模型，而是構建自由、透明、經濟的AI未來。