核心总结
在AI浪潮席卷全球的背景下，Linux基金会AI与基础设施总经理、OpenStack联合创始人Mark Collier发表了题为《训练、推理、智能体：在AI原生世界中超越App》的演讲。该演讲深入剖析了AI时代的底层逻辑，指出基础设施是AI发展的基石，开源模型正在重塑行业格局，并详细阐述了AI原生计算的三大支柱：训练、推理与智能体。
AI与基础设施的深度绑定
Mark Collier明确指出：“你无法将AI与基础设施剥离。”谷歌CEO皮查伊透露，谷歌每月处理的Token数量已达480万亿，较一年前增长50倍。然而，AI的快速扩张也面临四大挑战：
- GPU稀缺：算力供应紧张；
- 能源消耗：电力成为瓶颈；
- 延迟问题：响应速度需进一步优化；
- 数据重力：海量数据的流转与存储难度加大。
过去应用开发侧重代码与产品设计，而AI时代的核心竞争力转向底层基础设施。强大的算力集群、网络及存储能力是大模型落地的前提。
开源AI崛起与闭源护城河的瓦解
DeepSeek R1的发布引发全球科技股震荡，印证了开源力量的崛起。数据显示，开源模型在智力水平上已逐渐追平闭源模型，DeepSeek R1更成为Hugging Face史上点赞最多的模型。
DeepSeek创始人梁文锋曾表示：“在颠覆性技术面前，闭源系统形成的护城河是短暂的。”随着开源模型能力的提升，行业价值正向技术栈顶部转移，包括应用层、定制微调及AI安全等领域。开源社区正通过降低底层技术成本，终结闭源模型的暴利时代。
AI原生计算的三大支柱
AI原生计算（AI-Native Computing）是指专为“模型而非人类”作为主要交互对象设计的基础设施，其核心在于处理持续学习的系统、Token流和智能体工作流。演讲将其拆解为三大支柱：
支柱一：训练（Training）
训练环节涉及数据输入、参数调整及模型输出。目前开源生态高度统一，PyTorch占据主导地位，Hugging Face已宣布全面放弃TensorFlow并专注PyTorch。未来，围绕PyTorch、ONNX及DeepSpeed的生态系统将进一步巩固。
支柱二：推理（Inference）
推理是将模型商业化的关键路径，其规模预计是训练的50倍。该领域竞争激烈，主要技术包括：
- vLLM：已成为开源GenAI推理的事实标准，支持跨平台运行各类模型；
- LLM-d：主打Kubernetes上的分布式推理，有望成为“AI的操作系统内核”。
Mark Collier提出比喻：大语言模型如同新的操作系统。其中，推理运行时（如vLLM）相当于内核，智能体协议（如MCP、A2A）相当于系统调用，智能体工作流（如LangChain）相当于用户态应用，而工具插件则相当于外设。
支柱三：智能体（Agents）
智能体由模型、工具及协议构成。未来软件服务将从关注“人的打字速度”转向关注“Agent的运行速度”。AI专家Karpathy指出，“上下文工程”将取代“提示词工程”。此外，小语言模型（SLM）因具备高性价比，正成为智能体的标配。谷歌已将A2A（Agent2Agent）协议捐赠给Linux基金会，推动Agent通信标准的开放与统一。
开源生态：社区即重心
单纯的代码或权重开源不足以构建健康生态，还需具备项目治理、中立所有权、互操作性标准及活跃社区。回顾历史，从2010年的OpenStack到2015年的Kubernetes，再到2025年的AI原生技术栈，业界始终通过巨额投入推动开放云时代的发展。开源正在迅速拉低软硬件成本，促使创新价值向顶层流动。
结语：拥抱开放与协同
基于马斯洛需求层次理论，AI已从底层的算力基础延伸至顶层的自我实现，成为重塑社会的底层架构。Mark Collier强调：“训练、推理、智能体是AI原生计算的三大支柱。社区是引力中心，协同一致必将通向开放的未来。”对于开发者与从业者而言，理解底层逻辑、拥抱开源并与Agent协同，是适应AI时代的关键。
