的想法人工智能（人工智能）并不新鲜，但最近在相关技术方面的进展使其成为我们每天都在使用的工具。人工智能日益增长的重要性和普及既令人兴奋，又可能令人担忧，因为许多人工智能平台和资源的基础本质上是由少数几家强大的公司控制的黑箱。
像 Red Hat 这样的大型组织认为每个人都应该有能力为人工智能做出贡献。人工智能的创新不应局限于能够拥有大量处理能力和训练这些机器所需的数据科学家的公司。大型语言模型（法学硕士）
相反，数十年的开源软件开发和与社区的合作经验使每个人都能贡献并从人工智能中受益，同时帮助塑造一个满足我们需求的未来。 毫无疑问，开源方法是实现人工智能全部潜力的唯一途径，使其更安全、更易获取和更具民主性。
什么是开源？
虽然“开源”一词最初指的是一种软件开发方法，但它已扩展为一种更为广泛的工作方式，具有开放、去中心化和深度协作的特点。 开源运动如今已远远超出软件领域，且开源方式已得到世界各地合作机构的认可，涉及科学、教育、政府、制造业、医疗保健等领域。
开源文化有一些基本原则和价值观使其有效且有意义，例如：
- 协作参与
- 共担责任
- 开放交易所
- 精英管理和包容性
- 社区驱动发展
- 开放合作
- 自组织
- 尊重与互惠
当开源原则成为协作努力的基础时，历史证明了令人难以置信的事情是可能的。 一些重要的例子包括发展和传播的Linux作为世界上最强大和最普遍的操作系统，直到Kubernetes和容器，以及互联网本身的发展和扩展。
人工智能时代的开源六大优势
开源代码在技术开发方面具有无数的优势，但其中六个优势尤为突出。
1. 创新速度加快
当技术以合作和开放的方式开发时，创新和发现可以更快地发生，而不是封闭的组织和专有解决方案。
当工作被公开共享且其他人有能力在其基础上进行创作时，团队可以节省大量的时间和精力，因为他们不需要从零开始。 新想法可以扩展之前的项目。 这不仅节省时间和金钱，还增强了成果，因为更多的人共同努力解决问题、分享。见解并互相审查工作。
一个更广泛、更协作的社区只是能够实现更多：促进人们的成长，连接专业知识，以解决复杂问题，并比小型孤立的团队更快、更有效地创新。
2. 民主化访问
开源也使得获取新型人工智能技术变得更加民主化。 当研究、代码和工具被公开共享时，这有助于消除一些通常限制尖端创新获取的障碍。
这指导实验室这是这个前提的一个很好的例子。 该项目是一个独立的开源人工智能模型项目，简化了向大型语言模型（LLMs）贡献技能和知识的过程。 努力的目标是让任何人都能帮助塑造生成式人工智能（生成式人工智能），包括那些通常不具备数据科学技能和培训的。 这使得更多的个人和组织能够以可靠的方式为大型语言模型的训练和优化做出贡献。
3. 增强安全性和隐私性
由于开源项目降低了进入门槛，更大、更多样化的贡献者群体能够帮助识别和解决人工智能模型在开发过程中存在的潜在安全挑战。
用于训练和调整人工智能模型的大部分数据和方法都是封闭的，由专有逻辑维护。 很少有这些组织之外的人能够获得关于这些算法如何运作以及它们是否包含任何潜在危险数据或固有偏见的任何见解。
如果一个模型及其用于训练的数据被公开，任何感兴趣的人都可以进行检查，从而降低安全风险并减少平台偏见。此外，开源哲学的贡献者可以创建工具和流程，以追踪和审计未来模型和应用程序的开发，从而监控不同解决方案的进展。
这种开放和透明也产生信任由于用户可以直接查看他们的数据是如何被使用和处理的，因此他们可以核实自己的隐私和数据主权是否受到尊重。 此外，企业还可以利用开源项目如InstructLab来创建自己的定制模型，从而保护其私密、机密或专有信息，并对其进行严格控制。
4. 提供灵活性和选择自由
尽管当谈到生成式人工智能时，大多数人所看到和想到的都是单一的、专有的、黑盒的 LLM，但我们开始看到越来越多的人开始推崇更小、独立、专用的人工智能模型。
那些小语言模型（SLM）通常在小得多的数据集上进行训练，以赋予它们基本功能，然后使用特定领域的数据和知识进一步针对特定用例进行定制。
这些SLM明显比它们的更大兄弟更高效，并且在用于预期目的时表现得如此出色（甚至更好）。 它们更快、更高效地进行训练和部署，并且可以根据需要进行定制和调整。
这在很大程度上也是为了这个目的，InstructLab 项目被创建。 有了它，你可以选择一个较小的开源人工智能模型，并用你想要的额外数据和训练进行扩展。
例如，您可以使用InstructLab创建一个高度定制和针对特定目的开发的客户服务聊天机器人，提升组织中的最佳实践。 这种做法使您能够在任何时间、任何地点，实时为所有人提供最佳的客户服务体验。
最重要的是，这可以让你避免供应商锁定，并在你在哪里和如何部署你的 AI 模型以及在其上构建的任何应用程序方面提供灵活性。
5. 打造充满活力的生态系统
在开放社区中，“没有人能够独自创新这种信念从社区成立的最初几个月起就一直存在。
这一理念在人工智能时代依然有效，在开放解决方案领导者 Red Hat 内部，该公司将以以下形式提供多种开源工具和框架：红帽人工智能解决方案，合作伙伴将为最终客户创造更多价值。
单一供应商无法提供组织所需的一切，甚至无法跟上当前技术发展的速度。 开源的原则和实践加速了创新，并通过促进项目和行业之间的合作伙伴关系和合作机会，推动了一个充满活力的生态系统。
6.降低成本
2025年初，估计的美国数据科学家的平均基本工资超过 125,000 美元，经验更丰富的数据科学家的薪资可以更高。
显然，市场对人工智能数据科学家的需求巨大且不断增长，但很少有公司抱有吸引和留住所需专业人才的希望。
而且，真正大型的 LLM 的构建、训练、维护和部署成本极其高昂，需要整个仓库都装满高度优化（且非常昂贵）的计算设备和大量存储空间。
开源、较小且为特定目的和人工智能应用而构建的模型在构建、训练和部署方面明显更高效。 他们不仅要求使用大型语言模型（LLMs）计算能力的一部分，像InstructLab这样的项目使没有专业技能和经验的人也能积极有效地参与到人工智能模型的训练和微调中。
显然，开源为人工智能开发带来的成本节省和灵活性对于希望从人工智能带来的应用中获得竞争优势的中小型企业有利。
总之
要构建民主、开放的人工智能，至关重要的是利用开源原则，这些原则使得云计算、互联网、Linux 以及许多其他开放、强大且具有深刻创新性的技术成为可能。
这是Red Hat为实现人工智能和其他相关工具所采取的路径。 每个人都应从人工智能的发展中受益，因此，人人都应有机会帮助确定和塑造其发展轨迹，并为其发展做出贡献。 协作创新和开源并不是未来学科不可或缺的必然条件。
