Matt Hicks出任红帽总裁兼CEO已经有9个月,在这9个月中他看到环境既充满积极的因素,也存在着消极的干扰。
积极的是开源社区中正在发生许多令人兴奋的发展,消极的是疫情后的不确定性、通货膨胀和一些无法直接控制的因素。他说,我们要清楚自己的定位,熟知我们的方法,并保持专注于此,这样就可以减少你无法控制的干扰,更好地为客户服务。
其中令他感到兴奋的是,开源模式在全球范围内的应用速度比以往任何时候都要快。因为开源可以不受国家或地区的限制,在创新和技术应用方面是一种非常出色的模式。
Matt Hicks认为,无论环境如何,创新应用都变得非常关键。他看到了很多围绕开源的创新,而红帽也愿意成为这种桥梁。
红帽总裁兼 CEO Matt Hicks
未来12个月,红帽将专注于实现这种技术潜力,无论是在特定领域运用人工智能提升Ansible方面的能力,还是开发者和DevOps方面取得更好的表现,还是实现一些人工智能创新方面取得成功。
所以,现在是红帽和开源领域的好时机。
自动化是人工智能的一个起点
今年红帽全球峰会将内容划分为两个关键领域,一个是如何提高效率,另一个是如何借助这种效率推动业务增长。
因为现在技能缺口是企业的一个共同话题,所以提高效率并借助技术推动业务增长是企业的当务之急。在红帽首席技术官Chris Wright看来,关键的趋势是利用人工智能来发挥人类的技能,实现机器辅助人类智能,从而为企业实现惊人的效率,促进业务增长。
红帽首席技术官Chris Wright
应用人工智能帮助操作系统称为"AI运维",自动化则是一个基础性的起点,红帽已经在这个旅程中走了很长一段时间。如果考虑在OpenShift上所做的工作,红帽提供了一个与Kubernetes平台连接的工具,称之为"operators",或者利用Operator SDK来自动化操作OpenShift本身以及运行在OpenShift上的应用程序。
OpenShift作为一个容器平台,其最初阶段完全专注于应用程序。而机器学习的第一阶段开始涉足容器领域,通过在容器中运行一些训练工具、模型开发和训练工具。红帽看到这是一个机会,将应用程序开发和模型开发融合到一个共同的平台上。
OpenShift AI提供了一个绝佳的机会,将AI工作负载和AI开发模型带到与应用程序开发相同的平台上。红帽首席产品官Ashesh Badami指出,OpenShift AI系列功能包括整个ML Ops过程,从数据的收集和特征工程,到模型的开发和参数调优,以确保模型能够提供准确的预测结果,并将其推送到生产环境中,作为构建智能应用程序的关键组成部分。
红帽首席产品官Ashesh Badami
现在企业可以将业务逻辑与推理引擎或训练模型相结合,从而构建一个更智能的业务,并将该模型推向生产环境后保持准确性。整个ML Ops的工作流程被称为OpenShift AI,其中组件包括训练、提供服务、监控和改进指标。
通过完整的工作流程,企业能够与模型开发相关联,实现良好的业务结果。“像AI流水线这样的工具链和成熟度对于企业非常重要,因为它们与应用程序开发流水线非常相似。”Ashesh Badami说道,红帽汇集了整个合作伙伴生态系统,为OpenShift AI构建了一系列能力。
生成式AI实现更多自动化
现在人工智能已经是最常被提及的话题,因为它已经无处不在。“当我们谈到生成式人工智能、基础模型或Transformer时,它代表了一种迭代的进步,而且这种进步的影响非常显著。”Matt Hicks说道。
谈到为什么红帽选择将生成式人工智能应用于操作自动化领域时,Chris Wright说,Copilot工具主要专注于应用程序开发,提供了对各种不同编程语言的支持,帮助开发人员快速进行原型设计或将功能集成到现有软件中,而Ansible则专注于企业级IT自动化。
红帽推出了Ansible Lightspeed with IBM Watson Code Assistant,这一新功能使Ansible新手用户更容易实现任务自动化,从而减轻了自动化专业人员创建低级任务的负担。用户可以使用英文命令生成Ansible Playbook自动化任务列表中可以使用的YAML命令。
“在构建Playbook时,开发人员使用Ansible YAML语言,它是一种相对容易理解的基础设施自动化和开发语言,但红帽观察当今企业面临的挑战,发现它们希望尽可能减少手动工作量,实现更多的自动化。”Chris Wright说道。
因为企业能够轻松使用自动化工具,就能实现更多的自动化。通过使用生成式人工智能模型,可以针对特定领域进行训练,基于在Ansible社区中被认为是成功且有用的Playbook,产生高度准确的输出结果。
“这种生成式人工智能工具既可以帮助我们探索特定领域的需求,又能帮助企业IT客户实现更多自动化,提高企业效率。”Chris Wright说,我们将继续扩大合作并在不同领域应用生成式人工智能,Ansible是一个很好的起点,因为它专注于Ansible YAML语言,针对管理IT自动化的用户需求,我们正通过这一实践不断学习和提升。
好文章,需要你的鼓励
在AI智能体的发展中,记忆能力成为区分不同类型的关键因素。专家将AI智能体分为七类:简单反射、基于模型反射、目标导向、效用导向、学习型、多智能体系统和层次化智能体。有状态的智能体具备数据记忆能力,能提供持续上下文,而无状态系统每次都重新开始。未来AI需要实现实时记忆访问,将存储与计算集成在同一位置,从而创造出具备人类般记忆能力的数字孪生系统。
中国人民大学和字节跳动联合提出Pass@k训练方法,通过给AI模型多次答题机会来平衡探索与利用。该方法不仅提升了模型的多样性表现,还意外改善了单次答题准确率。实验显示,经过训练的7B参数模型在某些任务上超越了GPT-4o等大型商业模型,为AI训练方法论贡献了重要洞察。
OpenAI首席执行官阿尔特曼表示,公司计划在不久的将来投入数万亿美元用于AI基础设施建设,包括数据中心建设等。他正在设计新型金融工具来筹集资金。阿尔特曼认为当前AI投资存在过度兴奋现象,类似于90年代互联网泡沫,但AI技术本身是真实且重要的。他承认GPT-5发布存在问题,并表示OpenAI未来可能会上市。
南加州大学等机构研究团队开发出突破性的"N-gram覆盖攻击"方法,仅通过分析AI模型生成的文本内容就能检测其是否记住了训练数据,无需访问模型内部信息。该方法在多个数据集上超越传统方法,效率提升2.6倍。研究还发现新一代AI模型如GPT-4o展现出更强隐私保护能力,为AI隐私审计和版权保护提供了实用工具。