Building AI the open source way: Research insights from Red Hat and the Linux Foundation

以开源方式构建AI：Red Hat与Linux基金会的研究洞察

Component | Article_teaser

2026年10月20日

5分钟阅读

人工智能

,

开源

Brian Proffitt

Open Source Program Office社区外联高级经理

Subpattern | social_share_set

Component | social_share

分享

Subpattern | subscribe

Component | social_icon

订阅RSS

Component | Icon

© Red Hat, Inc. CC-BY-4.0授权

Subpattern | results_nav

组布局

Component | Nav_links

• 返回所有文章

Component | Generic

塑造计算技术的成果无需在封闭环境中构建。从操作系统到云基础设施，现代软件最重要的基础很多都通过开源方式发展，使社区能够协作、改进技术并基于共享基础进行构建。AI有机会遵循这一路径。

由Red Hat部分资助的Linux基金会最新研究报告《生成式AI时代开源软件开发的导航》提供了有价值的证据，帮助思考这种基础应该是什么样子。研究显示生成式AI（gen AI）既为开发者创造了机会，也给开源社区带来了新的压力。研究结果还指出了围绕开放性、互操作性和共享治理构建AI生态系统的重要性。

开源通过使技术运作方式更易被理解、便于在彼此工作基础上构建并避免重复发明相同解决方案，改变了软件开发方式。它还为组织提供了灵活性和选择权，使其能够根据自身需求调整技术，而非屈从于单一供应商或平台。AI需要同样的基础。模型固然重要，但围绕它们的工具、基础设施、标准、数据实践和社区同样关键。

透明度建立信任

透明度是值得信赖的AI的基础。开源通过允许检查、测试和理解AI系统、其组件及其行为来实现透明度。与依赖专有声明不同，开放生态系统使社区能够检验和验证关于性能、安全性和安全性的主张——而报告的研究结果表明这为何重要。

开发者已经在进行验证工作。在开源贡献者中，61%的人表示在提交AI生成的代码前会进行逐行详细审查和完整功能测试。这提醒我们，使用AI生成代码并不意味着将结果的责任完全交给AI。人工审查仍然是流程的一部分。

信任不仅限于模型本身。开发者希望了解AI系统的来源及其构建方式。80%的开源贡献者表示理解AI模型来源和训练数据谱系很重要。对于采用AI的组织而言，这种可见性可能与基准评分同样重要。

对部分开发者而言，信任是采用的障碍。在尚未采用生成式AI的人群中，对伦理训练数据和隐私的担忧是阻碍他们采用的因素之一。报告的研究结果表明，改进信任和治理是非采用者表示可能促使他们开始使用生成式AI的优先事项之一。这表明这些担忧不仅是障碍，更是需要通过更高透明度和问责制产生影响的领域。

问题不仅仅是“这个模型能做什么”，还包括“它来自哪里、是如何构建的，以及我能否验证它给出的答案？”开源开发本身无法回答所有这些问题，但它为人们提供了一个更好的起点。归根结底，这一切都与透明度有关。

自由保障选择权

开源使组织能够更灵活地选择如何采用、治理和演进AI系统，而不是被迫围绕单一技术生态系统进行构建。没有任何理由假设单一AI模型会始终是所有工作负载、风险状况或监管环境的最佳选择。组织需要根据需求变化评估不同模型、替换模型或组合模型的能力。这需要对AI堆栈拥有可见性和控制权——不仅限于模型本身，还包括其编排层、基础设施和治理机制。

这种灵活性尤为重要，因为AI堆栈本身正变得越来越多样化。工作负载可能跨公共云、私有数据中心、专用加速器和边缘环境运行。开放的方法使组织能够在这些环境之间更自如地迁移，而不是将AI战略绑定到单一技术生态系统。

报告还显示，AI进入开源项目的规则仍在形成过程中。目前仅有35%的项目制定了正式的AI贡献政策。这使得大多数项目在许可、版权、署名和治理等问题上缺乏一致的框架。即使在有政策的项目中，也只有39%涉及许可和版权问题。

这些数据揭示了一个容易被忽视的差距。开源赋予组织适应技术的自由，但这种自由只有在所有人都更清楚贡献来源以及相关权利和义务时才能发挥最大作用。

Linux内核项目提供了其中一个例子。其在提交信息中使用结构化署名（包括“Assisted-by:”格式），为记录贡献来源提供了方法，同时避免对作者身份做出误导性声明。

清晰的贡献政策、溯源实践和开放标准可以帮助组织在保留开源价值的灵活性的同时，减少AI生成贡献可能带来的法律和架构不确定性。

社区创造韧性

开源最大的优势之一始终是其将软件构建和维护工作分散到社区的能力。生成式AI在给开发者提供更多参与时间和新参与方式的同时，也给这种模式带来了新的压力。

生产力数据揭示了一些有趣的洞察：

• 显著的生产力红利：根据任务不同，开发者报告称使用生成式AI节省了19%-52%的时间。更重要的是，这些节省的时间似乎正在回流到项目本身：
• 66%的开发者用节省的时间处理技术债务；
• 63%用于开发新功能；
• 58%用于学习和技能提升。

• 参与门槛降低：生成式AI可能正在降低开发者参与他们不熟悉开源项目的门槛。71%的开发者表示AI使他们更有可能为陌生的开源项目做贡献。

更多贡献者也意味着对导师指导的需求增加。较低的参与门槛并未消除有经验的人帮助他人了解项目的必要性。46%的维护者表示，AI辅助的新成员增加了项目导师指导的整体需求。这些生产力提升并非没有挑战：

贡献量正在上升。59%的维护者报告称收到的贡献有所增加，大型项目中这一比例上升至69%。这种额外的贡献量可能表明参与度提高，但也给负责审查和维护代码的人带来了越来越大的负担。

质量正成为更大的担忧。维护者估计，约四分之一的拉取请求是低质量的AI生成内容，或称为“AI残渣”。在大型项目中，这一比例上升至31%。

维护者倦怠是预警信号。63%的大型项目维护者将倦怠列为首要担忧，而不同规模的项目关注点各不相同。大型项目尤其报告了关于贡献量和质量的担忧，而小型项目则面临审查和管理AI辅助工作的自身压力。挑战在于找到吸收这些贡献量的方法，同时不使负责维护项目的人员感到不堪重负。

答案可能不是将AI重新封存。研究指向为维护者提供更好的管理方式。许多人已经在这么做。58%的维护者表示他们使用AI来理解收到的贡献并识别逻辑错误。结合明确的贡献政策和更完善的审查实践，这些工具可以帮助社区在不降低接受标准的情况下处理更多贡献。

这可能是本研究中更重要的教训之一：AI不必取代社区监督。它可以帮助社区扩大监督范围。

以开源方式构建AI的未来

随着AI生态系统逐渐成形，我们在标准、基础设施和治理方面的选择将决定组织如何构建和部署AI。本报告的研究结果强调了开放方法的价值，这些方法为互操作性、协作和灵活性提供了更多空间，同时减少了对任何单一技术或供应商的依赖。

在红帽，我们致力于培育一个安全、负责任、可持续且适应性强的AI生态系统。通过开放协作和共享基础架构，我们可以为组织提供更大的灵活性，使它们能够按照自己的条件构建AI，随着技术的发展不断演进。

你可以在这里阅读完整报告。让我们以开源的方式共同构建AI的未来。

Component | Card_header

关于作者

Subpattern | speaker

Card layout

Component | Image_embed

Component | Person

Brian Proffitt

Brian Proffitt是红帽开源计划办公室的高级经理，负责社区外展、能力建设、社区指标以及基金会和贸易组织关系。Brian在社区管理方面的经验包括对社区入职、社区健康和业务对齐的理解。在2013年加入红帽之前，他是一名专注于Linux和开源的技术记者，并撰写了22本消费类技术书籍。

Component | CTA

更多该作者的文章

Component | Band_header

类似文章

Dynamic pattern

Blog post

/think

面向边缘AI的MLOps：管理分布式舰队中的AI模型

达美航空如何通过云端开发环境将AI原生开发扩展至1200名工程师

原始播客

自主AI能否修复互联网？

红帽如何为可扩展AI清除IT债务

继续探索 mbox

Subpattern | simple_text

按频道浏览

Component | Cta_multi_basic

Subpattern | simple_cta

浏览所有频道

Pattern | raw_html

自动化

关于IT自动化在技术、团队和环境方面的最新动态

人工智能

关于使客户能够随时随地运行AI工作负载的平台的最新动态

开放混合云

探索我们如何通过混合云构建更加灵活的未来

安全

关于如何在不同环境和技术中降低风险的最新动态

边缘计算

关于简化边缘操作平台的最新动态

基础设施

关于全球领先的企业的Linux平台的最新动态

应用程序

深入探讨我们解决最复杂应用程序挑战的方案

虚拟化

面向您本地或跨云工作负载的企业虚拟化的未来