红帽将“基于开源的人工智能生态系统”作为下一代增长引擎推向前台。正如Linux和Kubernetes已成为云时代的标准，企业级AI同样将在开放技术栈上运行。
红帽近期发布了“红帽AI 3.4”，提出了一项涵盖大规模“推理”、智能体运营以及“代币经济性”的平台战略。该公司尤其强调，在私有环境和本地部署环境中的AI推理成本现已达到与大型云服务提供商相当的水平。这被解读为企业能够在降低对外部云依赖的同时，确保AI服务效率。
核心在于推理成本与代币经济性
红帽高级副总裁兼人工智能首席技术官布莱恩·史蒂文斯将模型竞争的本质归结为“性能”和“代币成本”两点。他解释说，哪个模型能提供更出色的答案，以及生成该答案所需花费的成本，最终将决定市场竞争力。
他表示，红帽已调整技术方向，旨在为客户和开源社区提供“最高效的代币经济性”。这番言论针对的是企业AI正从实验阶段迈向实际服务扩展的背景下，成本结构与性能同等重要的现状。
从云端实验向本地部署运营转移
据红帽称，目前企业正摆脱基于云的AI实验，转向以内部基础设施为核心的正式运营阶段。在这一过程中，最大的挑战在于代币使用量的管理和智能体的管控。
红帽AI业务部副总裁兼总经理乔·费尔南德斯解释道，红帽AI 3.4在vLLM推理引擎和llm-d分布式推理框架之上增加了“模型服务”层。通过这种方式，平台运营团队可以在不直接管理复杂底层基础设施的情况下，以受控方式向内部用户提供模型端点访问权限。
这对企业而言，是一种能够同时兼顾安全性、成本管理和用量计量的结构。特别是考虑到未来AI推理需求的相当大一部分可能来自“智能体”而非人类，用量管控体系预计将变得更加重要。
智能体的自主性既是机遇也是风险
红帽将“治理”视为AI智能体扩散的最大挑战。智能体因其能够自行判断并执行任务的自律性而提升生产力，但同时也存在权力滥用或引发意外行为的巨大风险。
为此，红帽AI 3.4新增了“AgentOps”功能。该功能将追踪、可观测性、身份管理以及生命周期管控整合为一个运营层。简而言之，它帮助企业一目了然地管理智能体是谁、拥有何种权限、执行了什么操作，以及在出现问题时应从何处寻找原因。
费尔南德斯指出，智能体的核心是“自主性”，同时他强调，必须同步建立网络和文件系统的访问范围、凭证传递方式以及任务历史追踪体系。这意味着，企业要信任智能体，需要的不仅仅是性能，更是“可控的自主性”。
AI市场的决胜点在于“可持续的基础”
红帽描绘的三至五年后蓝图并非单一主导平台，而是一个各类硬件、模型和云服务共存的“丰富的开放生态系统”。尽管当前AI市场更接近按供应商划分技术栈的“孤岛”结构，但从长远来看，需要一个贯穿其上的共同基础。
史蒂文斯判断，当前的AI市场仍处于割裂结构。同时，他透露了红帽的构想：希望在此间成为人人都能依赖并在此基础上构建的“可持续AI生态系统”的核心层级。
这被解读为一项抢占不依赖于特定模型或特定半导体的中立平台的战略。这反映了红帽的期望：正如在云时代Linux和Kubernetes成为事实上的通用语言一样，在AI时代，开源同样能够成为企业标准的中心。
市场意义
本次发布的核心在于，红帽不仅仅是增加了AI工具，而是瞄准了企业级AI运营的“基础层”。尤其是将降低推理成本与智能体治理相结合这一点，与生成式AI正超越试点阶段、进入实际工作环境的趋势相契合。
归根结底，企业AI市场的竞争正从谁能率先推出更好的模型，转向谁能提供更低成本、更安全运营的环境。红帽的开源策略在这一变革中能获得多少说服力，值得关注。
TP AI注意事项 本文使用基于TokenPost.ai的语言模型进行了摘要。正文内容可能存在遗漏或与事实不符的情况。