Introducing Red Hat cloud extensions: Sovereign AI clouds on your own infrastructure
Red Hat推出云扩展功能,允许在本地基础设施上构建主权AI云,提供多租户隔离和统一API管理。
入选理由:Red Hat云扩展提供BMaaS/CaaS/MaaS/VMaaS四种核心云服务,基于OSAC开源项目构建
公司
别名:红帽
提供企业级开源解决方案的跨国公司
已跟踪 30 条高相关材料
最近变化
2026-11-13 · Red Hat云扩展提供BMaaS/CaaS/MaaS/VMaaS四种核心云服务,基于OSAC开源项目构建
为什么值得关注
Red Hat 被反复提及时,通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Introducing Red Hat cloud extensions: Sovereign AI clouds on your own infrastructure
Red Hat AI · 8.5 分
Red Hat推出云扩展功能,允许在本地基础设施上构建主权AI云,提供多租户隔离和统一API管理。
What's new in Red Hat OpenShift Lightspeed 2
Red Hat AI · 8.5 分
Red Hat OpenShift Lightspeed 2新增自主排查模式和MCP协议,实现集群问题自动诊断,支持Google Vertex AI和Amazon Bedrock模型。
How Red Hat OpenShift 5 simplifies incident diagnosis with supervised AI
Red Hat AI · 8.5 分
Red Hat OpenShift 5通过监督AI和Lightspeed工具提升故障诊断效率,减少人工分析时间。
已收录 30 条与 Red Hat 相关的内容,按评分排序。
Red Hat推出云扩展功能,允许在本地基础设施上构建主权AI云,提供多租户隔离和统一API管理。
入选理由:Red Hat云扩展提供BMaaS/CaaS/MaaS/VMaaS四种核心云服务,基于OSAC开源项目构建
Red Hat OpenShift 5通过监督AI和Lightspeed工具提升故障诊断效率,减少人工分析时间。
入选理由:OpenShift Lightspeed将故障诊断时间从20分钟缩短至几分钟
Red Hat OpenShift Lightspeed 2新增自主排查模式和MCP协议,实现集群问题自动诊断,支持Google Vertex AI和Amazon Bedrock模型。
入选理由:自主模式可在隔离Pod中自动执行集群排查,减少人工干预
Red Hat通过EnMaaS试点项目,利用开源架构和Praxis框架有效降低企业AI推理成本。
入选理由:Praxis框架采用Rust语言实现,提供低延迟的AI网关服务
Red Hat OpenShift 5通过引入agentic applied AI和Lightspeed功能,实现跨混合云的自主运维,同时保持人工控制关键决策。
入选理由:Red Hat OpenShift Lightspeed将AI从对话助手升级为可执行集群变更的代理
开源社区需通过治理框架应对AI辅助开发带来的代码审查瓶颈,Red Hat提出需结合责任、透明度与法律考量的AI政策。
入选理由:Kubernetes社区通过AI政策解决代码审查效率与信任问题
IT运维引入AI需要治理的自动化基础,否则可能导致执行混乱和风险。Red Hat指出当前AI与自动化层存在三大混淆误区。
入选理由:AI生成的洞察不等于可执行的自动化流程,需独立治理执行层
Linux内核存在严重TCP Use-After-Free漏洞(CVE-2026-98432),CVSS 9.8,影响广泛且修复不完全。
入选理由:Ubuntu所有版本和RHEL 8/9/10截至2026年10月31日仍未修复该漏洞
AI代理安全存在重大漏洞,策略驱动的访问控制是关键解决方案,Red Hat提出跨系统统一治理方法。
入选理由:70%企业部署AI组件但82%缺乏实时可见性,需策略驱动访问控制
AI时代企业软件供应链安全面临治理信心与操作可见性脱节的挑战,Red Hat调研揭示70%以上CIO存在数据追踪盲区。
入选理由:7% CIO对AI治理有信心但仅39.6%具备完整数据可见性
Google Cloud 发布 llm-d 1.0,通过缓存感知路由和分层 KV 缓存优化多步骤代理推理,支持 TPU/GPU 混合部署。
入选理由:llm-d 1.0 支持 1000 个代理实例并发处理,通过分层 KV 缓存降低 40% 内存占用
开源是构建可信AI的基础,Red Hat与Linux基金会研究显示61%开发者审查AI生成代码,80%关注模型来源,透明度与治理成关键。
入选理由:61%开源贡献者会逐行审查AI生成代码
开源AI服务已从实验阶段进入成熟基础设施,Red Hat的vLLM和llm-d项目解决了大规模集群中的模型服务挑战。
入选理由:vLLM项目已纳入PyTorch基金会并支持多硬件架构
边缘AI模型管理需采用声明式GitOps方法,以应对分布式设备的版本控制与更新挑战。
入选理由:声明式管理比命令式管理更适合边缘设备的不可预测状态
Red Hat宣布Model Context Protocol (MCP) gateway正式发布,支持多团队隔离、资源联邦和渐进式工具发现,提升企业AI代理治理能力。
入选理由:MCP gateway提供两种隔离方案:独立实例和共享网关下的层级隔离
AI推动架构师角色转向认知治理,需平衡技术创新与风险管控。
入选理由:Cognitive Architect需整合AI加速与企业治理,避免技术债务
边缘AI部署需应对硬件异构性、资源竞争和延迟挑战,需采用ONNX等通用格式及特定硬件优化工具。
入选理由:边缘设备硬件异构性要求模型需适配多种格式(如TensorRT、OpenVINO)
Red Hat Lightspeed通过本地部署提供漏洞监控和修复建议,提升RHEL系统安全性与升级效率。
入选理由:Red Hat Lightspeed通过‘总风险’可视化帮助优先处理高风险漏洞
边缘AI部署需平衡云与边缘的MLOps组件,确保模型高效运行与持续优化。
入选理由:模型训练保留在云端,推理在边缘设备执行以降低延迟
Red Hat与Rafay联合发布的主权AI云参考架构,为电信运营商提供标准化、自助服务的GPU云解决方案,解决平台和商业化双重挑战。
入选理由:Red Hat平台解决多站点GPU环境标准化部署难题,降低70%运维复杂度
Red Hat通过赞助OpenClaw基金会推动生产级AI代理的开源基础设施,解决企业级安全与部署需求。
入选理由:Red Hat通过BYOA策略支持混合云环境中自主代理运行
印度正通过PyTorch与Hugging Face合作培养下一代AI系统构建者,聚焦分布式训练、推理优化等基础设施技术。
入选理由:PyTorch profiling工具链包含record_function和profile API,可分离等待/预热/采集阶段
AI推理依赖模型权重、推理服务器和GPU协同工作,KV缓存优化可降低延迟和成本。
入选理由:推理服务器(如vLLM)是实现生产级GPU利用率的关键组件
电信行业通过开源协作推动领域专用AI落地,OTel 2.0模型已获超500万次下载,Red Hat与AT&T等企业共建电信AI训练框架。
入选理由:OTel 2.0模型下载量达500万,较前代增长16.7倍
Red Hat通过模块化代理工作流实现Jira任务自动化,每周处理数十个票证并减少处理时间至分钟级,揭示AI代理规模化挑战与解决方案。
入选理由:模块化代理工作流使Jira票证处理时间从小时级缩短至分钟级
企业级AI系统需构建包含计算、存储、服务和集成的四层架构,自托管与托管模式各有权衡。
入选理由:企业AI系统依赖四层基础设施:计算、模型存储、服务层和系统集成
企业级AI部署需权衡托管API与自托管模型,Red Hat提供集成解决方案。
入选理由:托管API降低运维成本但可能增加长期费用
PyTorch 2026年北美会议展示编译器优化、跨仓库CI Relay和AI代理在发布工程中的应用,加速器后端兼容性验证时间缩短至分钟级。
入选理由:Cross-Repo CI Relay使Ascend NPU/RISC-V后端兼容性检测从天级缩短至分钟级
Red Hat提出的‘metal to agents’框架通过分层架构解决企业AI的基础设施成本和可扩展性问题,支持自研芯片与主流云厂商硬件。
入选理由:企业AI架构需分层设计,从硬件到自主代理共四层,避免供应商锁定
Red Hat与NVIDIA成立Open Secure AI联盟,推动开源AI安全工具开发,提升防御能力。
入选理由:Lightwell与IBM合作实现自动化漏洞修复流程