三十多年前, 红帽看到了开源开发和许可证的潜力，以创造更好的软件并促进IT创新. 三千万行代码之后, Linux不仅发展到成为最成功的开源软件, 也一直保持着这个立场至今. 对开源原则的承诺仍在继续, 不仅在企业商业模式中, 这也是工作文化的一部分. 在公司的评估中, 这些概念如果以正确的方式进行，对人工智能（IA）具有相同的影响, 但科技界对“正确方式”存在分歧
人工智能, 特别是生成性人工智能（gen AI）背后的大型语言模型（LLMs）, 不能以与开放程序相同的方式来看待. 与软件相反, 人工智能模型主要由数值参数模型组成，这些模型决定了一个模型如何处理输入, 就像它在多个数据点之间建立的连接. 训练模型的参数是一个漫长过程的结果，涉及大量经过精心准备的训练数据, 混合和加工
尽管模型的参数不是软件, 在某些方面具有与代码类似的功能. 很容易将数据与模型的源代码进行比较, 你们会和他非常亲近. 没有开源, 源代码通常被定义为对软件进行修改的“首选形式”. 仅仅依靠训练数据无法满足这个功能, 鉴于其大小不同以及复杂的预训练过程导致训练数据中任何项目与训练参数和模型结果行为之间的微弱和间接联系
目前社区中发生的大多数人工智能模型的改进和增强并不涉及对原始训练数据的访问或处理. 相反, 它们是模型参数或过程或调整的修改结果，这也可以用于调整模型的性能. 对模型进行这些改进的自由要求以开源许可证下用户获得的所有权限发布参数
红帽对开源人工智能的愿景
红帽公司相信开源人工智能的基础在于开源许可的模型参数与开源软件组件相结合. 这是开源人工智能的起点, 但不是哲学的最后目的地. 红帽公司鼓励开源社区, 监管机构和行业继续努力实现更大的透明度，并与开源开发原则保持一致，以训练和调整人工智能模型
这是红帽作为公司的愿景, 涵盖一个开源软件生态系统, 可以以实际的方式与开源人工智能互动. 这不是一个正式定义的尝试, 如同开源倡议（OSI）正在与其开发开源人工智能定义(OSAID). 这是公司认为开源人工智能可行且可为更多社区所用的观点, 组织和供应商
这一观点通过与开源社区的合作付诸实践, 因项目而突出指导实验室, 由红帽主导与IBM研究的努力在Granite家族的开源许可模型中. InstructLab显著降低了非数据科学家为人工智能模型做出贡献的障碍. 与InstructLab一起, 各行业的领域专家可以增加他们的技能和知识, 既用于内部使用，也用于帮助一个共享的、广泛可访问的开源人工智能模型，以支持上游社区
Granite 3系列模型.0 涉及广泛的人工智能应用案例, 从代码生成到自然语言处理以提取见解大数据集, 一切都在一个宽松的开源许可证下. 我们帮助IBM Research将Granite代码模型家族带入开源世界，并继续支持该模型家族, 从开源的角度以及我们Red Hat AI产品的一部分
的影响DeepSeek的最新公告展示开源创新如何影响人工智能, 无论是在模型层面还是更高层面. 显然，人们对中国平台的做法感到担忧, 主要是该模型的许可证没有解释它是如何制作的, 这加强了对透明度的需求. 就是说, 提到的颠覆加强了红帽对人工智能未来的看法：一个开放的未来, 专注于更小的模型, 优化和开放, 可以针对任何混合云环境中的特定企业数据使用案例进行定制.
将人工智能模型扩展到开源之外
红帽在开源人工智能领域的工作远不止于InstructLab和Granite模型系列, 进入实际消费和有效使用人工智能所需的工具和平台. 公司在推动技术项目和社区方面变得非常活跃, 例如（但不限于）：
● 拉马拉马, 一个开源项目，旨在简化人工智能模型的本地管理和提供
● 信任AI, 一个开源工具包，用于构建更负责任的人工智能工作流程
● 气候学, 一个旨在帮助使人工智能在能源消耗方面更可持续的项目
● Podman AI实验室, 一个专注于简化与开源LLM实验的开发者工具包
这最近的公告关于Neural Magic扩展了企业对人工智能的视野, 使组织能够对齐更小且优化的人工智能模型, 包括开源许可系统, 用你的数据, 无论他们在混合云中生活在哪里. IT组织可以, 那么, 使用推理服务器vLLM以推动这些模型的决策和生产, 帮助构建一个基于透明技术和支持的人工智能堆栈
为了公司, 开源人工智能在混合云中生存和发展. 混合云提供了选择每个人工智能工作负载最佳环境所需的灵活性, 优化性能, 成本, 规模和安全要求. 平台, Red Hat的目标和组织支持这些努力, 与行业合作伙伴一起, 客户和开源社区, 随着开源在人工智能领域的推动
在人工智能领域扩大这种开放合作有着巨大的潜力. 红帽展望一个涵盖透明工作模型的未来, 就像你的训练一样. 无论是在下周还是下个月（甚至更早）, 鉴于人工智能发展的迅速, 公司是开放社区, 作为一个整体, 将继续支持和采纳努力，以实现人工智能的民主化和开放化
