AI正在进入生产环境,但企业面对的一个现实问题是:技术选择越来越多,IT基础设施却越来越不能承受频繁变化。
模型会换,GPU会换,云环境会调整,Agent也会不断迭代。对于个人用户来说,换一个模型只是打开另一个应用;但对企业来说,每换一次技术路线,背后都可能牵动算力、数据、权限、安全和运维体系。
因此,AI基础设施正在出现一个新的要求:企业不一定要提前押中未来,但必须保留随时重新选择的能力。
11月6日,在红帽北京办公室,红帽全球副总裁兼大中华区总裁曹衡康谈到2026红帽论坛时,把红帽的位置概括得很清楚:红帽不做最底层的芯片,也不替企业选择上层的模型和应用,而是站在中间的基础设施层,提供一个能够容纳这些变化的平台。

2026红帽论坛现场
如果把红帽这次论坛释放的信息放在一起看,会发现它真正想回答的其实不是“企业应该选哪一种AI技术”,而是另一个问题:当未来还有这么多变量时,企业怎样避免今天的技术选择变成明天的束缚?这也是红帽反复强调“选择权、一致性和控制权”的原因。
过去企业建设基础设施,最重要的目标是稳定。服务器稳定、操作系统稳定、数据库稳定,最好一套系统可以运行很多年。IT部门最怕的,往往就是变化,因为变化意味着迁移、测试、兼容和重新部署。
但AI恰恰把变化变成了常态。
新模型不断出现,模型参数和推理方式持续变化,底层加速器也在快速演进。企业不可能每出现一种新技术,就把原来的基础设施全部重做一遍。
所以,AI时代的基础设施需要一种新的能力:上层可以快速变化,下面的平台却要尽可能保持稳定。
曹衡康把红帽的思路概括成“三个C”:Choice、Consistency、Control,即选择权、一致性和控制权;对应到技术层面,则是“四个Any”——任意加速器、任意云、任意模型和任意Agent。
这个说法听起来像产品战略,但放到企业IT环境里,其实很好理解。
企业可以选择不同的GPU,也可以选择不同的模型;业务可以跑在不同的云环境,也可以把AI能力部署到边缘。红帽要做的,不是替企业决定哪一个答案最好,而是尽量让这些不同答案都能够被放进同一个平台体系里。
“我们不会替客户选定模型,谁来选?客户自己来选。”曹衡康透露,目前红帽支持20多个开源模型、700多个版本。企业可以根据业务需求选择不同模型,也可以随着业务变化和模型性能变化继续调整。
真正重要的,其实不是“700多个版本”这个数字,而是背后的逻辑:企业今天选的模型,不应该成为明天的技术枷锁。
这一点在AI推理上同样明显。
模型进入生产之后,企业很快会碰到一个比“模型能不能跑”更加现实的问题——跑得够不够快、算力有没有被充分利用、成本能不能控制。
红帽持续参与vLLM社区,并推进llm-d分布式推理相关技术,背后也是同一套思路:随着AI推理从几块GPU逐渐走向几十、几千甚至上万张卡,企业需要的已经不是简单地把模型部署起来,而是把不同算力资源作为一个整体进行调度和管理。
换句话说,AI基础设施真正要解决的,越来越不是“有没有算力”,而是“算力变化以后,业务还能不能继续跑”。
这也是为什么红帽把自己放在基础设施层。
上面可以是不同模型、不同Agent,下面可以是不同CPU、GPU、NPU以及不同部署环境,但中间需要一层相对稳定的运行环境,把这些快速变化的组件接起来。
这条逻辑甚至可以解释红帽为什么一直强调开放混合云。
近年红帽进一步把AI、容器、虚拟化等负载收敛到OpenShift平台上。按照其公开资料,OpenShift AI可以在本地、云和边缘环境中构建、训练、部署和监控AI工作负载;红帽今年推出的AI Enterprise,也进一步把基础设施、模型、推理和Agent放进统一的AI平台体系。
对企业而言,这意味着一个很朴素的变化:不用因为AI来了,就重新建立一套完全独立的IT世界。原来的基础设施、管理方式和运维经验,仍然有机会继续使用,只是承载的负载从传统应用逐渐扩展到了模型和Agent。
当然,能够把不同技术接进来,只解决了一半问题。AI一旦从“回答问题”走向“执行任务”,企业需要面对的就不只是兼容性,而是控制权。
红帽与CIO时代连续两年进行企业调研,第一年覆盖350位CIO,第二年覆盖402位CIO,涉及约10个行业。调研显示,接近70%的企业已完成Agent的试点或生产部署,但建立正式AI治理框架的企业还不到15%。
这组数字背后的矛盾很明显:Agent跑得比治理快。
“现在Agent本身并没有过去想象得那么难开发。很多开发人员经过几个小时培训,就能够做出一个Agent。真正困难的是权限管理。”在红帽大中华区方案架构部总经理王慧慧看来,其原因也不难理解:如果一个聊天机器人回答错了问题,最多是信息不准确;但一个进入生产环境、拥有执行权限的Agent,如果权限没有控制好,后果可能完全不同。它甚至可能执行删除生产数据库这样的高风险操作。
因此,红帽提出了一个很明确的原则:“工作可以由智能体来完成,没问题,但是审批权在人身上。”
这其实比单纯谈“AI治理”更重要。因为企业真正需要治理的,不是一个抽象的AI,而是一个开始拥有执行能力的新角色。过去,企业已经有成熟的权限、审批、安全和运维流程。现在只是多了一个能够调用工具、执行任务甚至参与IT运维的Agent。所以,企业未必需要重新发明一套完全独立的AI治理体系。
王慧慧提到,红帽更倾向于把原有的治理流程延伸到AI上。比如企业原本就有Linux安全基线管理机制,就可以沿用类似的思路管理AI安全基线。
这个思路实际上更符合企业现实。AI进入生产环境之后,最大的变化并不是企业突然多了一套全新的IT体系,而是原来的IT体系开始出现新的参与者、新的工作负载和新的风险。
因此,真正有效的AI治理,不应该把AI单独隔离起来,而应该让它进入企业原有的规则体系。这也是“Control”的真正含义。企业可以让Agent干活,但不能把控制权一起交出去。
这套逻辑在具身智能领域同样成立。
红帽这次联合Intel、紫金星宇、西湖机器人和施耐德电气推出面向工业自主运营的具身智能联合解决方案。表面上看,机器人和传统企业IT距离很远,但如果从基础设施角度看,两者其实并没有那么大的区别。
曹衡康用了一个很形象的比喻:人形机器人就像一座“移动的数据中心”。
机器人本身是硬件,里面有CPU、GPU;上面需要运行操作系统、AI平台和模型,再往上才是具体应用。
红帽并不做机器人本体,也不负责最上层的工业应用,它依然处于中间的平台位置。过去红帽把Linux和OpenShift放进数据中心,现在只是把这种平台能力进一步延伸到了机器人。
真正值得关注的,是机器人从“一台”走向“一千台”之后会发生什么。
“如果企业有1000台机器人,而且每天执行不同任务,当新的AI判断算法出现时,不可能逐台升级。”王慧慧认为,理想状态是通过统一平台,把新的算法一键下发到1000台机器人,同时完成安全管理和软件升级。
这时候,企业需要的就不再是一台更聪明的机器人,而是一个能够管理1000台机器人的平台。
这和前面讲模型、Agent的逻辑其实完全一致。
技术在不断变化,但企业需要把变化控制在一个统一的平台和治理体系之内。机器人可以换,模型可以换,算法可以换,甚至计算的位置都可以从数据中心迁到边缘;但平台需要保持连续性。
从这个角度看,具身智能并不是红帽突然闯入的一个新领域,而是它过去基础设施思路的一次延伸——不做下面的硬件,也不做上面的应用,而是提供中间的运行平台。
这也解释了为什么红帽这次论坛反复强调生态。
AI从来不是一家企业能够独立完成的事情。GPU厂商、模型厂商、Agent厂商、机器人厂商、系统集成商,各自解决不同层面的问题,而企业最终需要的,是把这些不同的技术组合成一个可以真正运行的系统。
平台的价值,就在这里体现出来。它不一定要拥有所有东西,但要能够让不同的东西协同工作。这其实也是开放混合云长期存在的原因。当企业的IT环境同时存在数据中心、公有云、私有云、边缘设备,甚至未来的机器人时,真正困难的不是把每一种环境分别跑起来,而是让它们能够被统一管理。
AI只会让这种复杂性进一步增加。所以,企业现在需要的基础设施,已经不是过去那种“把业务稳定托住”的基础设施,而是一层能够承接持续变化的基础设施。
模型变了,它还能跑;算力变了,它还能接;部署环境变了,它还能迁;Agent拥有了执行能力,它还能管得住;未来甚至计算节点从服务器变成机器人,它依然能够延续原来的管理逻辑。
这可能才是红帽这次论坛真正值得关注的地方。
写在最后
AI的变化发生在上层,但企业的确定性,需要留在底层。对于企业来说,未来最重要的能力或许不是提前猜中哪一个模型、哪一块芯片、哪一种Agent最终胜出,而是无论谁胜出,自己都有能力把它接进来。
技术路线可以变化,平台不必跟着推倒重来。
从这个意义上说,红帽所谓的“Choice、Consistency、Control”,最终指向的其实是同一件事:让企业拥有选择的自由,也拥有随时重新选择的能力。


京公网安备 11010202008829号