破解AI不可能三角，红帽妙用点三三

　　万物以形相生，其背后所蕴藏的“三生万物”思想，让三成为了一个吉利数字。但在AI应用落地的过程中，广大IT人却受困于各类由“三”带来的苦恼之中。无论是要打破“既要，又要，还要”的不可能三角，还是纠缠于算力、数据安全和AI人才等三个阻碍因素，广大IT人都迫切希望打破“三”的魔咒。

　　在以“AI在企业中落地的场景、挑战与应对及真实案例解读”为主题的直播中，红帽的技术大咖们直面了种种因“三”而生的AI困境，也同样用“三”开出了药方。

　　从冬到春的转变

　　要收获AI所带来的红利，首先就要把握AI的发展趋势。但在经历了2023年的突飞猛进之后，AI在今天的发展却从没如此分裂过。从技术和产品层面来看，每月依然会有一款重磅AI技术或产品面世，但从用户端来看，用户对于AI产品本身的关注度却在持续下降。

　　分析机构Similarweb的数据表明，ChatGPT网站的月度访问总量遭遇断崖式暴跌。这一方面表明用户可能对GPT-4感到厌倦，或者转向由科技巨头提供支持的其他大语言模型，还可能说明部分用户认为没有必要将AI聊天机器人融入他们的日常生活。许多人据此就认为AI要开始走下坡路，更有越来越多的业界大佬选择了支持AI泡沫说。

　　再从AI应用的角度来看，CIO们会发现，身边应用生成式AI工具的人员在增多，企业级AI一直处于崛起的状态。

　　AI在历史上已经历过两个“春天”和两个“冬天”，而当前，虽然企业级AI处于稳步上升的状态，但业界存在的大量泡沫和个人端AI热情的退潮，让我们不得不开始思考一个问题：我们是否正在由AI的春天走向冬天?诸位技术大咖从不同角度对此进行了解读。

　　作为AI 应用的受益者，红帽大中华区市场总监赵文斌坚信生成式AI的发展依然在春天，AI的技术发展潜力非常大。作为开源的拥趸，赵文斌强调：“开源的理念在AI接下来的发展中将会起到至关重要的作用，所以CIO们在AI 应用的落地过程中，在引入开放创新思路、AI应用底座打造、组织协作能力提升及AI人才培养上，要多利用开源的理念和技术，可以达到更好的效果。”

　　红帽大中华区首席架构师张家驹则从技术角度进行了解读：“从技术角度分析，生成式AI还有太长的路要走。目前基于文本的生成式AI还是一维的，而发展到空间智能要理解真实的物理世界，是需要用到三维的。所以生成式AI会不会存在能力边界，还很难说。”

　　从惊艳问世到让人们意识到它的能力边界，生成式AI经历了一个蜕变的过程。张家驹解析了这个过程：“去年生成式AI刚出现时，让人感觉特别惊艳，也让人们产生了特别大的期待。但接下来用户发现在应用AI时，还是有大量工作需要依靠人工来完成，用户也因此进入了一个更为理性的阶段。接下来AI能走多远，取决于企业对它的运用，为此CIO们首先要了解AI在当前的发展趋势和能力边界，这对于下一步决策有很大的帮助。”

　　红帽首席测试工程师韩旭则认为：“AI应用可以分为个人用户级别和企业级应用，这二者存在交叉点。比如ChatGPT一开始确实是个人用户用得多，使用者在开始阶段狂热地分享使用经验和结果，但新鲜劲消退后，这些人就销声匿迹了。而在企业内部，我发现大量同事在应用ChatGPT办公，所以我认为企业级AI应用处于稳步上升阶段。”

　　据此，韩旭表示：“我的答案是无论在春天还是冬天，我们都要拥抱AI，因为AI确实是未来的趋势。我在研发工作中，已经能切实体验到AI已经给产品研发带来了优势。所以企业中的IT团队需要增加相关知识的积累，帮助AI落地，帮助企业借此实现成长。”

　　解开“三“的迷局

　　当前企业的CIO最为头疼的问题，可能就是既要保障业务系统的稳定性，又要跟上AI应用极快的更新速度，还要在不确定的经济环境中，在有限的IT预算内在二者之间找到最优解。这样，安全、创新、资金就构成了一个不可能三角。而要解开这个不可能三角，CIO不仅要关注AI的未来发展新趋势，还会在AI落地的进程中，遭遇算力、数据安全、AI人才等三个制约因素。因此，CIO们迫切需要解开这些关于“三”的迷局。

　　对此，张家驹认为打破不可能三角的本质还是降本增效。他说：“我看到很多企业有动力去让AI应用落地，也能够感受到CIO们所面临的不可能三角，但其实降本与增效是可能同时实现的。比如通过一套平台，既支持传统应用，也通过资源整合支持AI的应用。此外，AI应用还可能造成组织流程的变化，AI应用替代了一部分人的工作，相当于流程线上有人也有机器，这样业务流程就可能需要再造。而在再造的过程中，从降本增效的视角出发，我们就可以考虑，是否可以应用一个平台，一套系统实现类似的业务流程再造。包括红帽在内的许多厂商都在思考这个方向，让平台也满足企业的个性化需求。”

　　张家驹举了一个具体的例子：“比如应对拦路虎——安全问题，出于安全的考虑，数据和模型需要放在本地部署。但出于降本增效的考虑，为了节省算力资源，就需要借助公有云的算力。这时如果把训练好的模型和数据放到公有云上，就可能造成安全隐患。这个时候，要打破不可能三角，就既要利用公有云的弹性，又要实现模型和数据的安全保障。这也是红帽一直在着力突破的问题。“

　　应对AI不可能三角，赵文斌给出了一个更为全面的图谱：“要解决这些问题，需要从三个层面进行综合性思考。第一是从战略层面，去思考AI在企业中的价值定位，究竟需要什么样的应用场景。第二个层面，要去思考如何选择、构建适合自身企业的数据模型和底层统一IT平台。第三个层面，AI新技术需要新型组织协作能力和专业AI人才。CIO们如果只是追求细节末节，就很容易迷失方向。”

　　具体来说，赵文斌做了更为深入的解释：“这三个层面，每个层面都要有一些清晰的策略和方法。策略层要做价值分析，要明确AI会在哪个业务层面上有最佳的投入产出。明确了发展AI应用的方向之后，还要明确一个统一的AI运营平台和系统来支撑这个方向的发展。这时就会遇到降本增效的问题，这时选用的平台需要更为标准、稳健而灵活，适应跨云的环境，因为要让AI应用的体验在不同的云环境下保持一致。接下来，还会涉及在整个平台的可信度问题，需要一个安全体系提供保障。最后一个层面，AI虽然会越来越智能，但还是离不开人和组织协作，人员要在新的条件下实现协同，就需要重新进行职能梳理、技能提升。“

　　而说起不可能三角的破法，赵文斌强调：“要把全部因素放在一个图谱中综合考虑，虽然管理者面临巨大的挑战，但在AI强大的颠覆性面前，管理者必须要完成这道必答题。“

　　场景致胜

　　从以往的经验来看，某项技术在经历了概念期之后，能否在应用场景上顺利落地，往往决定了它是昙花一现，还是基业长青。但从AI的应用落地的进程来看，绝大多数厂商和用户可能并不能理清这个进程的真实进展。

　　某家头部厂商调研后认为43%的用户正在使用AI，96%的企业可能将在未来12个月内使用AI，但接触实际用户后才发现，超过50%的用户已在大规模应用AI了。

　　当前，多数企业级用户还处于被大模型能力吸引，从而进入到AI 应用的开发阶段。出于对结果的好奇，CIO们迫切想了解这些AI应用投入到生产阶段以后，到底会带来什么样的效果。于是，真实的AI场景成为了这次直播最吸引人的部分。

　　作为吃自己“狗粮“成长起来的公司，红帽既是AI应用的开发者，也是最早一批的AI应用先行者。

　　赵文斌谈了作为先行者的体会：“红帽在市场方面的AI落地可以分为两个层面。第一个层面，红帽的市场团队要做很多活动的市场策划，为此就要做大量宣发资料。在这方面，我们通过学习，已经掌握了许多AI工具，帮我们在日常工作中提升了效率。”

　　赵文斌接着介绍了第二个层面：“我们市场总部正在和内部研发部门合作，借助红帽全栈AI产品和方案，研发一些提升市场部人员日常工作效率的核心AI武器。比如某个AI项目，可以将公司内部的网站、客户营销资源等内容整合起来，实现类似于ChatCPT的功能。原来我们需要整理海量资料，当我们需要进行某类有深度的分析时，就不仅需要搜集海量资料，还要进行大量的人工分析。现在利用新开发的AI工具，采用自然语言交互的方式，我们就可以收集到所需的海量资料。其中不仅有原始资料，还包括客户特点分析、高价值客户分析等加工过的内容。当我们要大力宣发某个产品时，也可以很快地搜集到全球范围内的技术、产品、案例方面的资料，我们因此可以更为高效地做出营销计划。”

　　张家驹介绍了这个项目的难点：“我们很多时候都希望简化流程，但软件开发的过程中，为了达到简化的功能，就加了一层应用，这样一层层叠加，并没有真正起到简化流程的目的。我们针对此次的项目做了一些调研，发现市场部应用的许多企业级软件，造成了技术复杂度的提升。市场部因而需要一个高易用性的方式去调用这些企业级软件。以往的方式是找专业开发人员开发，但真正懂这块业务的却是一线的业务人员，所以我们将这个过程改为自然语言的方式进行交互。

　　表面看来，这是一个简单的项目，但张家驹却介绍了一个极为常见的难点：“这个项目的本质是将SQL查询转化成自然语言来完成。自然语言存在着二义性，但后台的SQL查询却是严格的计算机语法，特别地，自然语言中存在着许多企业内部通用的简称和术语。所以这里边不仅需要解决大模型的二次训练问题，也需要解决内部核心数据的安全问题。”

　　韩旭介绍了研发环节中的AI应用：“红帽研发部门近年来一直关注着AI应用于研发的技术趋势，也推出了一些提升研发效率的工具。比如在测试环节，当我们接到一个需求时，会编写测试用例。如果一条一条地编写，非常耗费人力。这个时候，我们采用了一些AI工具，针对需求文档中的要求，自动生成一些测试用例，就可以极大的节约人工。接下来，这些自动生成的测试用例还可以进一步实现自动化。在这个过程中，因为存在特定的术语和简写，通用的工具还需要进一步调整，所以我们会定制一些自己所需的工具。”

　　尝到了甜头之后，韩旭认为AI在提升研发效率方面大有潜力可挖：“我们在开发中体会到，CI/CD的流程中，拖后腿的往往是应用人工的环节，所以AI有可能是补齐CI/CD的最后一块拼图。在工程中，还可能会遇到一些需要人来处理的问题。需要在相关领域具备很深的知识积累的人，才能处理类似的问题。但现在通过AI工具来替代类似的领域专家，就可以给出一个相关的解决方案，所以专业知识领域是AI发力的一个关键领域。”

　　某调研机构给出了一组预测数字：2023年，业内还只有1600个AI应用，到了今天，这一数字已经增长到2000多个。预测AI应用将在2030年预计实现5倍的增长，达到12000多个。这表明，2024年确实是生成式AI应用落地的元年，并且在此之后，AI应用将连续保持高速增长。对此，最好的应对办法，就是关注如红帽这样已经all in AI的先驱者。去观察它们到底在应用什么样的开源利器，去助力这场已经掀开序幕的AI应用落地角逐。

　　红帽显然已经为此做好了准备，在诸位技术大咖介绍的案例背后，一直存在着OpenShift的身影。在另一个算力、模型、协作的 “三”的困局中，OpenShift通过引入算力池，消除了异构造成的算力损失，还通过模型框架解决了新模型不断出现的问题，当AI功能需要代码开发者和数据工程师等角色进一步协同时，OpenShift利用MLOps创立协作空间，把不同的职责的人组织起来，形成自动流水线，去加速开发效率和生产效率，从而快速将模型能力应用于业务场景当中。

　　而当我们掀开红帽水面下的AI工具冰山，我们才会发现OpenShift不过是这座冰山的一角，更多惊喜等着广大CIO们自己去挖掘。