面对AI Agent加速进入企业场景的趋势，Red Hat正重新调整其AI平台战略。

据Techzine近日报道，Red Hat的最新方向是打造一套覆盖从硬件到Agent的开源全栈平台，帮助企业在控制成本的同时，提升AI基础设施的自主运营能力。

Red Hat CTO Chris Wright表示，AI token成本虽然每年下降75%至90%，但企业环境中的token使用量却以每年超过500%的速度增长。与此同时，高阶推理模型消耗的token数量通常是标准模型的10倍至20倍，而自治型AI Agent还会在此基础上再放大约5倍。他认为，从成本和运营角度看，长期依赖外部API和专有前沿模型并不可持续。

Wright指出，企业若想真正控制AI成本，不能只停留在付费调用外部服务的模式，而应逐步转向基于自有基础设施直接运行AI。

围绕这一思路，Red Hat推出了面向端到端AI部署的Red Hat AI Enterprise。该方案构建起一套从硬件到Agent的五层技术栈。

在基础设施层，Red Hat AI Enterprise以Red Hat Enterprise Linux和OpenShift为核心。推理层则引入被广泛采用的开源推理引擎vLLM，并结合Red Hat自研的分布式推理框架llm-d。Red Hat称，llm-d可将token吞吐提升至3倍，并把首个token响应时间缩短至原来的十分之一。

在模型服务层，Red Hat通过模型即服务（MaaS）模式，将AI模型作为企业内部共享资源统一提供。

该平台已验证并支持IBM Granite、Mistral等开源模型，企业可根据不同场景灵活组合多种模型，而不必绑定单一模型。与此同时，AI网关可对token配额、团队访问权限和任务优先级进行集中管理，避免零散的试点项目过度占用GPU资源，影响核心业务运行。

在最上层，Red Hat将提供Agent相关服务。Wright表示，在大型企业中，同时运行数千乃至数万个Agent很快会成为常态。Red Hat计划通过AgentOps为每个Agent建立可验证的数字身份，并引入版本管理和自动化安全测试机制。

在硬件层面，Red Hat强调自身保持硬件中立，支持Nvidia、AMD、Intel等不同厂商的加速器，并与Nvidia合作建设AI Factory，原生支持Blackwell GPU。

Wright还表示，开源模型与专有模型之间的差距正在快速缩小。以Meta Llama 2为例，该模型用了8个月达到早期ChatGPT的水平；而DeepSeek-R1则在OpenAI o1发布5个月后实现追平。他警告称，长期绑定单一供应商的AI战略风险较高。