開源打破“AI黑箱”！集結全球大咖，GOSIM Paris 2026帶你看懂Agent時代大變局

作者 | GOSIM

出品 | CSDN（ID：CSDNnews）

都說我們正處在 AI 最好的時代。到了 2026 年，這句話已經不太像判斷，更像一種正在發生的現實。

美國斯坦福大學發布的《2026 年 AI 指數報告》給出了一組直觀信號：中美頂尖模型之間的性能差距已縮小至 3% 以內。而在中國，日均 Token 調用量突破 140 萬億。模型能力仍在提升，但更關鍵的變化，其實是“角色”。AI 正從“能對話”，走向“能做事”——從內容生成，到任務拆解、工具調用，再到多智能體協作，它開始進入真實的生產與業務流程，逐漸成為一種新的基礎設施。

在這樣的背景下，GOSIM Paris 2026 在巴黎開場。這是一場面向開發者的開源 AI 技術大會：不只是討論模型能力本身，更聚焦這些能力如何被真正用起來，真實地落到工程、工具鏈，以及具體業務場景中。本次大會由 GOSIM 主辦，CSDN、1ms.ai 、Probabl 聯合打造，把分散在全球各地的開發者、研究者和企業實踐者，拉到同一個現場，交流“AI 到底該怎么用”。

，5 月 5 日的議程明顯提速：Keynote、主題論壇、Workshop、Hackathon 連續展開。相比偏趨勢和觀點的分享，這一天更強調實操，即如何構建應用、如何接入模型、如何讓系統真正跑起來。會場里，來自 Probabl、華為、NVIDIA、字節跳動、Hugging Face、Eclipse 基金會等機構的工程師與研究者同場交流。一邊是技術在快速推進，另一邊，是圍繞開源生態的協作在不斷發生。

而 GOSIM 最鮮明的特點之一，是“重實踐”。不同國家的開發者與社區成員帶著各自的技術路徑和真實經驗來到現場，讓原本抽象的問題變得具體。某種程度上，這場大會本身，就在回答一個問題：當 AI 成為基礎設施之后，開發者該如何真正把它用起來。

聚焦 AI 本源與產業變革，Keynote重磅登場

在 GOSIM Paris 2026 主會場的首日 Keynote 環節中，四位來自數學、數據科學、開源社區與產業生態的頂尖思考者，從各自的陣地出發，最終指向同一個追問：當 AI 不僅能回答問題、生成代碼，甚至能在數學定理證明中逼近銀牌水平，它究竟是值得信賴的“同事”，還是依然深不可測的“黑箱”？

Sir Timothy Gowers：AI 數學家能否不僅僅是一個黑箱？

大會伊始，菲爾茲獎（數學界的“諾貝爾獎”）得主、法蘭西公學院組合數學講席教授、劍橋大學研究教授、劍橋大學三一學院院士 Sir Timothy Gowers 發表了題為《AI 數學家能否不僅僅是一個黑箱？》的主題演講，從一線數學研究者的視角，系統梳理了大語言模型對數學研究方式帶來的沖擊與潛在走向。

Sir Timothy Gowers 回顧了自 2023 年 ChatGPT 出現以來，AI 與數學關系的快速演變：

• 最初，數學界普遍認為大模型雖能解決高中層級問題，但在嚴謹性、穩定性與原創性上存在明顯短板，尚不足以構成實質威脅。然而，這種“它能做到這個，但做不到那個”的判斷，很快在持續迭代中被不斷打破。

• 關鍵轉折出現在 2024 年。以 Google DeepMind 的 AlphaProof 與 AlphaGeometry 為代表的系統，在國際數學奧林匹克競賽（IMO）中達到銀牌水平，首次展現出接近高水平數學推理的能力。盡管其計算成本高昂、依賴專門訓練，但已表明 AI 正在逼近需要“真實數學構思”的問題領域。

• 而到了 2025 年，進展進一步加速。最新一代大語言模型在自然語言環境下，通過多模型協作與提示策略，已能在 IMO 水平問題中達到金牌表現，且解題效率顯著提升。這意味著，一旦系統能夠在合理時間內解決高難度問題，其進一步突破幾乎不存在明顯技術障礙。

與此同時，AI 在數學研究中的角色也在發生轉變。過去，大模型主要用于文獻檢索與信息輔助；而如今，它們已開始參與到實際問題求解之中。Sir Timothy Gowers 分享道，在自己的研究實踐中，將若干“子問題”交由模型處理，往往可以在數分鐘內獲得結果，替代原本數小時的人工推導。這種能力，正在顯著改變研究節奏。

更具標志性的變化，是 AI 已開始觸及研究級問題。他提到，有研究者嘗試利用模型解決數學家保羅·埃爾德什遺留的未解問題，盡管早期成果仍存在爭議，但整體水平持續提升。甚至在個別案例中，模型已能提出具備論文價值的解法，接近博士生研究水準。

不過，Sir Timothy Gowers 也強調，當前 AI 數學家的形態仍不理想。與人類數學家相比，大模型往往直接給出答案，卻缺乏“過程引導”的能力。在學習與研究中，人類更需要的是逐步提示與“生產性的思考過程”，而非最終結論本身。此外，模型推理路徑的不透明性，也使其原創性與方法有效性難以評估。在他看來，理解 AI 如何進行“證明搜索”，將成為未來關鍵方向。如果能夠借鑒人類數學家在推理中的高效策略，減少盲目搜索，不僅可以提升模型性能，也有助于降低計算成本。

基于這一思路，Gowers 分享了其團隊正在推進的研究工作：通過抽象“證明發現動作”，嘗試構建更貼近人類思維過程的自動定理證明系統，并開發相應的交互平臺，以探索更可解釋、更高效的 AI 數學推理路徑。

Ga?l Varoquaux：數據科學不是AI，但它是AI的起源，也是AI的新前沿

Probabl 首席科學官 Ga?l Varoquaux 在大會現場把話題拉回到一個更“底層”的問題：盡管大語言模型在圖像生成、文本對話甚至定理證明上屢創佳績，看似遠離噪聲與隨機性，但統計工具依然是支撐這些成就的底層邏輯。

Ga?l Varoquaux 認為，現代 AI 的核心在于尋找連續性，通過嵌入將離散的符號與邏輯映射到連續空間，從而實現內插與外推。這一過程天然就引入了不確定性：一方面來自于不完整的問題描述，另一方面則源于現實世界固有的歧義。他以“Fruit flies like a banana”和“Bank”等語言歧義為例，強調單純依賴邏輯或規則驅動的系統難以模擬充滿文化不確定性的世界。

語言模型正是通過壓縮海量知識來構建連貫視圖，但這種有損壓縮必然產生錯誤。Ga?l Varoquaux 舉例稱，某 AI 系統曾錯誤地聲稱愛因斯坦向柏林洪堡大學提交博士論文。為此，他提出需要監控模型的“校準”——即預測信心與實際正確率的一致性。然而校準并不完美：由于訓練數據偏向西方文化，LLM 對來自中國、印度等地區的提問往往過度自信、校準更差。因此，需要對大語言模型進行全面的統計驗證。

在更廣義的數據科學層面，Ga?l Varoquaux 強調，機器學習本質上是估計條件期望的過程，但現實中的數據常存在選擇偏差與協變量偏移。例如，用觀察數據推斷治療效果時，一個看似預測精度較低的簡單模型，反而可能比復雜模型更具外推能力。他指出，模型評估的方式取決于其最終用途，驗證只能在未見數據上進行，而選擇正確的評估指標——如 Brier 分數或效用相關指標——與選擇模型本身同等重要。

最后，Ga?l Varoquaux 介紹了其團隊正在開發的 Python 庫 Skore（基于 Scikit-learn 風格），專注于模型評估并銜接非技術利益相關者。他總結道，統計學對 AI 至關重要，即使在確定性的課題中亦復如是——因為世界知識充滿文化歧義，而唯有嚴謹的統計思維，才能引導我們構建可信、可控且可解釋的智能系統。

Bill Ren（任旭東）：“黑燈”社區：人工智能時代開源范式轉變的思考

“我們不是在加速舊時代，而是正在駛入一個新紀元。”華為開源聯絡官、CNCF 董事會成員 Bill Ren（任旭東）以此開頭，向開源建設者拋出了一個靈魂拷問：當 AI Agent 成為真正的同事，開源社區會變成什么樣？

Bill Ren 借用 OpenAI 聯合創始人 Andrej Karpathy 的框架指出，軟件已從 1.0（手寫代碼）、2.0（神經網絡學習）邁入 3.0 時代——大語言模型（LLM）成為解釋器，上下文是內存，提示詞即新編程語言。以“菜單生成”為例，過去需要一個傳統團隊才能完成，如今只需一次 API 調用。

與此同時，Agent 的定義也清晰起來：LLM + 記憶 + 工具，即具備大腦、上下文與執行能力的“數字員工”。不過 Bill Ren 也強調，AI 可以替代“思考過程”，卻無法替代“理解本身”，尤其是在價值判斷、架構設計與倫理決策等關鍵領域。

在演講中，他從四個維度概括了這一時代轉變：

• 一是領導力，從“人參與決策”走向“人主導決策”，人類不再監督每個節點，而是上升至意圖與編排層，從“指揮人類”變成“編排 Agent”；

• 二是流程，從敘述性描述變為基準事實，Agent 的決策日志、推理過程全量可被機器讀取、可復現，實現可信并行；

• 三是生產力，從以人力規模為核心轉向以算力為核心，個體開發者通過調度模型與 Agent，能夠完成過去大型團隊的工作；

• 四是協作模式，“黑燈社區（Lights-out community）”正在形成。如同制造業的熄燈工廠（機器人 24 小時連軸轉），開源社區正在上演無聲革命：少量人類與大量 Agent 協同，開源項目迭代節奏從“按月”壓縮至“按天”，代碼逐漸呈現“生成即用、用后即棄”的特征。

這一變化背后，Token 正成為新的核心生產要素。Bill Ren 指出，開發者購買的不再是軟件使用權，而是“智能使用權”。Token 類似“千瓦時（kWh）”，是智能的計量單位，其增長邏輯符合“杰文斯悖論”：效率越高，整體消耗反而越大，Token 也將從算力計量逐步轉向“智能”的統一度量。

在基礎設施層面，Bill Ren 認為 AI 時代需要新的“Agent OS”，其核心包括智能體應用層、編排與調度核心以及分布式運行時，同時必須兼顧技術能力、治理透明與全球開放。面向未來，他強調需構建芯片、模型與平臺的開放閉環，并提出“Digital 20（D20）”構想，從技術、經濟、治理與倫理四個層面推動全球協同。

他最后指出，代碼已成為新的語言，開源的邊界將定義未來世界的邊界。“文明的下一部憲法將是代碼 —— 而代碼必須是開放的。碳紀元的時代假設已經過時，硅紀元的首個標志性特征仍有待書寫。我們正在共同構建一個共享命運的數字共同體—— 由人工智能引領、人類參與仲裁、全球共同治理，并建立在開放基礎之上。”

Tao Jiang（蔣濤）：構建開放的 Agentic 生態系統

最后，CSDN 創始人兼董事長、GOSIM 發起人蔣濤從更宏觀的產業演進視角，對這一輪 AI 變革進行了系統性總結。他提到，自己親身見證了過互聯網、云計算與移動互聯網三次技術浪潮，而當前這場由大模型與智能體驅動的變革，在底層邏輯上已經發生根本轉向：人類不再只是迭代軟件產品，而是在重塑整個工作方式本身。

作為擁有 5300 萬用戶的開發者社區，CSDN 也在主動適應這場變革，為此打造了 AtomGit 平臺。蔣濤表示，它并非單純對標 GitHub 的替代產品，而是面向智能體時代打造的全新底座，實現代碼、大模型與智能體的協同聯動，全程開放開源。

在生產力層面，AI 帶來的躍遷尤為顯著。過去打造一款估值十億美元級的開發者工具，需要數千名工程師耗時十余年打磨；而現在，不足二十人的小團隊，一年之內就能達成同等規模。核心原因在于，AI 不再只是輔助開發的工具，正在轉變為獨立的開發主體，全面引爆行業生產力。這種轉變并不局限于軟件領域，硬件側也在經歷類似的重構。

蔣濤認為，隨著智能技術成本大幅下降，萬物可編程的時代正式到來。放眼整個智能體技術體系，開源能力已經覆蓋全層級，當下真正的核心賽道，集中在協同調度層。目前行業統一標準仍處于萌芽階段，誰能率先建立規則，誰就能主導下一時代的發展。不過，他強調，這不是零和博弈，而是全球產業的融合共生。歐洲深耕基礎理論研究，中國具備規模化落地與快速迭代的優勢，全球生態則共同推動行業標準完善。各方并非相互競爭，而是互補協作，開源本身就沒有國界。但行業規則已然改寫：傳統工具側重應答交互，而智能體核心在于自主執行。這也意味著，信任機制、合規審計、行為邊界與責任追溯，將成為必不可少的底層保障。在智能體時代，信任，是全新的數字基礎設施。

在演講最后，蔣濤發出共建倡議，提出推動 OpenToken 體系建設，希望以此為基礎，構建一個更加安全、可信且可持續演進的開源智能體生態。

三大論壇齊開，解鎖 Agentic AI 全生態進化路徑

精彩 Keynote 分享過后，大會議程繼續升溫，Agentic AI 峰會、Agentic OS 與應用、邊緣側 Agentic AI 三場論壇同步開啟。論壇承接了 Keynote 的核心議題，從頂層理論走向產業落地、從通用智能延伸至系統架構與邊緣場景，圍繞智能體技術架構、操作系統適配、落地應用實踐、邊緣端部署創新等核心方向展開深度研討，匯聚行業精英共探 Agentic AI 技術演進與生態建設的現實路徑與未來機遇。

Agentic AI 峰會

在「Agentic AI 峰會」分論壇中，Agentic AI 的價值不再停留在概念層面，而是被直接拉回到真實的產業場景中加以驗證與展開。本次 Agentic AI Summit 匯集了零售行業頭部企業、國產基礎軟件代表力量以及高校研究學者，從企業智能體落地、研發流程提效，到教育體系的智能化重塑，系統性呈現了 Agentic AI 在不同產業維度中的實踐路徑與應用邊界。

為了讓前沿觀點既有宏觀判斷，也有工程細節支撐，論壇采用了“主題演講 + 圓桌對話”的雙結構設計：前者聚焦技術趨勢與方法論演進，后者則圍繞真實落地中的挑戰與分歧展開討論，使討論既有高度，也有落點。

首場主題演講由英偉達首席工程師 Bryce Adelstein Lelbach 帶來。他從基于 Tile 的編程模型切入，系統介紹了 NVIDIA 最新的 cuTile 編程棧，以及其底層編譯基礎設施 Tile IR。這一套體系試圖重新定義高性能并行計算的表達方式：通過更貼近硬件結構的 Tile 抽象，讓開發者在面對 HPC、數據科學與機器學習任務時，能夠以更直觀的方式表達計算邏輯，同時在可移植性與執行效率之間取得更好的平衡。

緊接著，在圓桌主持人、LAION 科學負責人、FZJ 主席 Jenia Jitsev 的引導下，智譜 AI 技術布道師 Yuxuan Zhang，MiniMax AI 推廣大使 Daniel，尤利希超級計算中心、LAION 研究員 Marianna Nezhurina，Alice.io 技術總監 Mo Sadek，Turintech Al CTO 兼聯合創始人 Mike Basios，共同圍繞“Agentic AI 時刻——從模型到智能系統”展開深入討論。六位嘉賓們重點聚焦智能體系統與當今 AI 助手或副駕駛之間的本質差異，系統性回應了我們是否正在經歷從 AI 模型走向 AI 系統的結構性轉變這一關鍵問題。同時，討論進一步延展到智能體棧的核心組成部分，以及支撐其走向規模化應用所需的關鍵技術突破。在多方視角的交匯下，智能體從單一模型能力走向復雜系統協同的演進路徑被更加清晰地呈現出來。

在 AI Agent 的驅動下，整個軟件行業正經歷一場深層次的范式重構。奇點智能研究院院長、CSDN 高級副總裁李建忠指出，行業正在從傳統“工具租賃”式的 SaaS 模式，邁向以“結果交付”為核心的 AaaS（Agent as a Service，Agent 即服務）新形態；從依賴人工操作的流程執行，走向由 Agent 主導的自主協作體系。在這一轉變過程中，Agent 正在重塑軟件行業的生產關系、商業邏輯與生態結構。他圍繞 Agent 驅動的軟件行業范式演進，系統闡釋了其在軟件開發、交付、運營及商業模式等層面的關鍵變化，并進一步探討了由此帶來的行業創新機遇與新一輪技術范式的形成路徑。

華為中央軟件研究院（新加坡）首席科學家 Yu Tao 通過 openJiuwen Agent 平臺的視角，系統闡述了智能體系統從“以對話為中心”向“以執行為中心”的范式轉變。他重點介紹了 openJiuwen Agent 平臺及其最新發布的自進化智能體 JiuwenClaw，在核心架構上的關鍵創新，展示了智能體能力如何從孤立腳本逐步演進為具備穩定性與可擴展性的生產級編排系統。

在現場演講中，Eclipse 基金會 AI 負責人 Michael Berns 重點介紹了 Eclipse PanEval 項目，它基于 BAAI FlagEval 的技術貢獻演進而來，正在構建一個廠商中立的評測與治理框架。他指出，Eclipse PanEval 的核心目標，是為生態系統提供符合《歐盟 AI 法案》等關鍵監管要求的透明度與文檔化能力支持，從而讓模型評估與合規要求能夠在統一框架下被系統化落地。同時，該項目采用獨立治理機制，并通過解耦架構設計，在保持全球技術協同的基礎上，更靈活地適配不同區域的標準與監管體系。

當越來越多的企業開始應用 Agentic AI，開發者的軟件開發方式與日常工作模式正在發生系統性變化，軟件本身的定義也被重新思考與重構。在 Caspera Lab CEO Christian MAITRE的主持下，Carrefour 集團數據架構師Guillaume Blaquiere、Advanced AI Society CEO Tricia Wang、OW2 CEO Pierre-Yves Gibello、Haoeasy AI SAS 創始人Hao Li、Cheqd.io CEO 兼聯合創始人 Fraser Edwards 等技術大咖共同圍繞“企業中的 Agentic AI——重新思考軟件與工作”這一話題進行探討。他們從企業實踐出發，系統分析了 Agentic AI 對軟件形態的重塑路徑，指出 AI 智能體正在逐步演化為企業系統中的核心執行層，并與傳統 SaaS 能力形成新的協同關系。在組織層面，員工與智能體的協作關系正在重構企業的工作流與分工方式，使得人機協同成為新的默認工作模式。

在“AI 教育——智能體時代的學習”主題討論中，Known Unknowns GmbH 負責人 Igor Schwarzmann，菲爾茲獎（數學界的“諾貝爾獎”）得主、法蘭西公學院組合數學講席教授、劍橋大學研究教授、劍橋大學三一學院院士 Sir Timothy Gowers，復旦大學副教授 Yonghui Wu（吳永輝），上海交通大學副教授 Yun Lin，香港中文大學教授 Xiaolu Tan，Puddin AI CEO Nowa Sutaka 圍繞 AI 智能體對學習方式的重塑展開深入交流。在他們看來，隨著 AI 智能體逐步介入教學過程，學習正從標準化知識傳遞，轉向以個性化反饋與持續互動為核心的動態過程。

在這一演進下，教育結構與能力模型也同步發生變化。他們指出，在 AI 增強型環境中，基礎知識獲取的重要性相對下降，而問題定義能力、跨學科整合能力以及與 AI 協作的能力成為關鍵技能。同時，AI 在提升教育可及性的同時，也可能因資源與能力分布差異帶來新的不平等。在此背景下，大學的角色正從知識傳授機構，逐步轉向培養批判性思維與原創性研究能力的空間載體。

Agentic OS應用

在「Agentic OS 與應用」論壇上，圍繞 Agentic OS 展開的討論成為全場焦點，這一概念正指向一個新的操作系統層：當 AI 代理逐漸成為人與計算機交互的主要界面，它不再只是傳統意義上的內核或驅動，而是支撐自主、可組合、可信 AI 工作流運行的基礎設施。

在現場，Makepad 聯合創始人 Rik Arends 帶來 Rust 原生 AI 應用現場教學，展示如何用 Makepad 構建高性能、低延遲的端側智能界面；Delinea 軟件工程師 Marcin Zubrzycki 分享了自己使用多 Agent 編排器 StrongDM 的經驗，通過遍歷節點圖來交付生產就緒的功能；CopilotKit 創始工程師 Ran Shemtov 解析 AG-UI 協議，并手把手演示如何打造具備上下文感知能力的代理式應用；Huansheng Technology 首席程序員 Sizhe Cheng 詳解面向人類和 Agent 的開源通信平臺 AgentChat 的設計，并分享構建人機之間直接、結構化和持久化協作平臺的經驗；字節跳動軟件架構師 Xuan Huang 從“Vibe Native”視角重新定義前端與智能體的融合方式；Makeitfuture CEO 兼聯合創始人 Tiberiu Socaci 介紹自進化應用的設計與構建方法，包括實現路徑、許可模式選擇，以及多項目實踐中的經驗總結，并進行了現場演示。

Relevant Study LLC、MoFA.AI 負責人 Zonghuan Wu 探索了構建超越聊天的 Agent 應用設計原則，從多通道存在到主動編排，再到提供商彈性與多觸臂 Agent 的心智一致性問題；Eclipse 基金會 Oniro 項目經理 Ignacio Ahedo 解讀如何構建供應商中立的 Agentic 開發者工具基礎設施；Ingora 創始人兼 CEO Jacky Hsu 展示如何借助中國硬件生態打造可持續學習的 AI 伴侶設備，讓 AI 成為新的人機交互界面；Capgemini 解決方案架構師、專注于 AI 系統與智能體治理 Tianyi Han 介紹面向治理的 AI Agent 運行時架構與核心組件，并展示如何在不犧牲靈活性的前提下，將治理能力融入真實 AI 工作流中。

邊緣側 Agentic AI

當大模型不再完全依賴云端算力，智能終端也能在離線與低功耗環境中獨立運行時，Agentic AI on Edge 正在重塑 AI 的落地方式。本次大會特別設置「Agentic AI on Edge」論壇，圍繞端側 AI 的全鏈路技術與實踐路徑展開討論，來自 Hugging Face、英偉達、Dimforge、Second State 等機構的技術專家帶來了從框架到工程化落地的系統分享。

其中，Hugging Face 軟件工程師 Xuan-Son Nguyen 剖析 llama.cpp 全新的 Web UI、對熱門模型的支持、性能優化以及與下游應用的集成方式；英偉達首席工程師 Markus Tavenrath 演示 RustNN 如何為 AI 生態系統構建統一的流水線；Dimforge 創始人 Sébastien Crozet 展示利用 Rust 與 rust-gpu 實現單語言跨平臺 GPU 推理的實踐成果；Second State CEO、WasmEdge 維護者 Michael Yuan 分享將真實 AI 能力移植為獨立 Rust CLI 工具的經驗，包括工程流程、Rust 生態在生產中的可用性，以及如何劃分 Python（模型所在）與 Rust（工具所在）之間的邊界。

硬核實戰拉滿，工作坊直擊 Agentic AI 工程實操核心

在前沿觀點碰撞與產業趨勢探討之外，大會還重磅開設了主題工作坊，從前沿模型部署、智能操作系統、開放計算架構到數據科學與 AI 實踐等多維度延伸落地。

vLLM 工作坊、OpenHarmony × AI: Powering the Next Intelligent Operating System、面向 Agentic AI 的開放計算（FlagOS）、數據科學與 AI 工作坊等輪番登場，聚焦技術實操、底層系統架構、智能體開放生態與數據科學核心方法論，以實操教學、案例拆解、技術共創的形式，為開發者與行業從業者帶來沉浸式干貨學習與實戰交流。

vLLM 工作坊

在大模型進入生產落地階段后，幾乎所有做過推理服務部署的開發者，都繞不開一個關鍵詞——vLLM。作為當前最主流的高性能推理框架之一，vLLM 已經逐漸成為大模型服務化棧中的“基礎設施級組件”，從單機部署到大規模集群推理，都能看到它的身影。

在本次 vLLM 工作坊中，vLLM 核心貢獻者、Red Hat 生成式 AI 高級首席產品經理 Erwan Gallen 指出，一個健壯的推理生態離不開對多樣化硬件的廣泛支持。他從平臺團隊的實際視角出發，拆解了基礎設施選型時需要權衡的關鍵因素：包括不同工作負載形態、提示詞與上下文行為差異、系統并發能力、解碼延遲表現、顯存與內存壓力、擴展架構模式，以及生產環境中的運維適配問題。

隨后，Red Hat 首席軟件工程師 Daniele Trifirò 從 vLLM 的核心優化機制講起，重點回顧了包括 PagedAttention 在內的關鍵設計，并進一步延展到面向不同目標場景的系統構建方法。他還深入介紹了 vLLM 在第三方硬件生態中的適配實踐，例如 Google TPU、AWS Neuron，以及 Intel Gaudi 等加速平臺，展示了推理框架如何在多硬件棧之間實現一致性與性能平衡。

OpenHarmony × AI: Powering the Next Intelligent Operating System

在「OpenHarmony × AI: Powering the Next Intelligent Operating System」Workshop 中，圍繞智能操作系統與 AI 融合的最新實踐與挑戰，來自開源社區、學術界與產業一線的多位嘉賓展開了深入分享。

OpenAtom OpenHarmony 技術指導委員會（TSC）成員賈寧從整體視角出發，系統梳理了智能終端操作系統當前面臨的機遇與挑戰，為后續討論奠定了技術與產業背景；Eclipse Foundation Oniro 項目經理 Ignacio Ahedo 介紹了 Oniro 項目如何將 AI 作為“力量倍增器”，加速應用生態建設，一方面，它致力于簡化復雜應用的跨平臺移植流程，另一方面，也推動現代應用框架更順暢地集成到 OpenHarmony 生態之中；華為希爾伯特研究中心（Dresden）首席研究工程師 Debayan Roy 則圍繞 OpenDesk 展開分享，這是一個面向 OpenHarmony 的原生智能體 CLI，用于探索系統級智能交互的新范式；上海交通大學副教授魏星達介紹了團隊在可擴展高效 LLM 基礎設施方面的最新進展，包括基于乘法機制的高效全局路由器設計，以及支持超快速自動擴縮容的系統方案，旨在提升大模型在復雜環境中的部署效率與穩定性。

華為中央軟件院項目總監董鑫講述了倉頡編程語言團隊在 300 天內完成 AI 研發轉型的全過程，這一轉型始于 2025 年 5 月一次偶然的 AI 編程嘗試，其核心理念是“主動擁抱 AI，打破思維枷鎖，實現個人與團隊價值的重構”；華為哥白尼研究中心高級技術專家、Eclipse Foundation Oniro 項目負責人及提交者代表 Francesco Pham 則帶來題為《降低每一道障礙：Oniro 如何將設備、應用和開發者引入 OpenHarmony》的演講，重點討論如何降低生態參與門檻，加速多端協同發展；Yanlink 技術架構師 Yan Sun 展示了基于 Oniro、SparkLink 與 AI 的全棧工業物聯網解決方案 YanLink，探索 AI 驅動的工業連接與系統整合路徑；Dimforge 創始人& CEO Sébastien Crozet 介紹了 Project Nexus，這是一個使用 Rust 開發（通過 rust-gpu 編譯）、可運行于所有 GPU 平臺（包括 Web）的在研替代方案，展示了跨平臺圖形與計算棧的新可能性。

面向 Agentic AI 的開放計算（FlagOS）

在智能體系統快速走向工程化落地的當下，如何構建可擴展、可評估、可治理的開放計算底座，成為本場「面向 Agentic AI 的開放計算（FlagOS）」Workshop 討論的核心。

北京智源人工智能研究院（BAAI）的副院長兼總工程師 Yonghua Lin（林詠華）從系統層面出發，闡述了面向智能體時代的 AI 基礎設施設計思路與超越傳統基準的評估方法，并展示了 FlagOS 開放算力與 OpenClaw 在跨芯片部署與智能體能力反饋之間的雙向協同機制；北京智源人工智能研究院開源工程負責人 Qigang Zhu（朱其罡）介紹了 PanEval 開源項目，重點討論其如何作為評估基礎設施，與 FlagOS 一起推動智能體系統的共建與共演進；Eclipse 基金會人工智能負責人 Michael Berns 聚焦 AI 合規與治理問題，探討在開放計算體系中如何平衡創新速度與可信邊界；ICCSD UNESCO 咨詢委員會成員 Gábor Soós提出基于“場所”的評估測試平臺設計思路，通過以治理優先的方法，將 AI 評估嵌入文化、教育與水資源等高信任公共領域的真實應用場景。

北京智源人工智能研究院 AI 系統研究組算法工程師 Jian Tao（陶健）介紹了《KernelGen 2.0：自動算子生成與基準協同開發》，展示如何通過自動化方式加速算子優化與系統性能迭代；LF AI & Data 基金會主席 Zhipeng Huang（黃之鵬）分享了 Open Model Initiative 推動的多模態模型“speedrun”計劃及其最新進展，強調開源模型生態在多模態方向的加速演進；SGLang 開發者 Xinyuan Tong 則從系統實現角度解析 SGLang 的性能設計，包括原生多模態支持、Eagle3/MTP 推測解碼機制，以及在 Hopper 與 Blackwell GPU 上的 FP8 與 NVFP4 量化優化。

在圓桌討論環節中，聯合國大學高級研究員 Serge Stinckwich、ICCSD UNESCO 咨詢委員會成員 Gábor Soós 以及北京智源人工智能研究院（BAAI）的副院長兼總工程師 Yonghua Lin（林詠華）圍繞開放生態、評估體系與全球協作路徑展開深入交流。

此外，眾智 FlagOS 團隊同步啟動 KernelGen 24 Hour Bounty Challenge，以 Triton 語言為核心利器，面向全球開發者發起算子優化挑戰，通過真實工程問題驅動創新實踐，并將在 GOSIM Paris 2026 閉幕式上公布最終結果并舉行頒獎。

數據科學與 AI 工作坊

當大模型從實驗室走向生產線，數據科學與 AI 工程化之間的鴻溝究竟該如何跨越？在本次“數據科學與 AI 工作坊”中，多位來自歐洲頂尖機構與開源社區的一線專家，從基礎模型構建、大規模訓練、合成數據、高效 OCR 到智能體評測，帶來了各自領域的實戰答案。

Fraunhofer IAIS 基礎模型團隊負責人 Nicolas Flores-Herr 率先分享，他坦誠回顧了 OpenGPT-X、TrustLLM、OpenEuroLLM 三個大型項目中的真實教訓，并指出歐洲開源 AI 的機會窗口仍然敞開，關鍵在于能否認真抓住這一機遇。Hugging Face ML 研究工程師 Nouamane Tazi 深入解析在數百塊 GPU 上訓練 SmolLM3 的過程中，關于基礎設施、5D 并行化與性能調優的真實痛點與踩坑心得。Pleias CEO 兼聯合創始人 Anastasia Stasenko 以及同樣來自 Pleias 的 Pierre-Carl Langlais 共同展示了如何在不依賴專有數據源的前提下，設計合成數據流水線，生成高質量訓練語料，構建開源 SOTA 大語言模型。LightOn ML 研究工程師 Said Taghadouini 和 LightOn AI/ML 工程師 Baptiste Aubertin 詳細介紹了 LightOnOCR 這個 10 億參數的視覺語言模型如何在設計動機、訓練流水線（含 RLVR 對齊）與工程調優中，實現單塊 H100 上高吞吐、低延遲，同時超越 9 倍規模模型的基準成績。ellamind GmbH 聯合創始人/CTO Bj?rn Plüster 與一樣來自 ellamind 的 Benedikt Droste 聚焦 AI Agent 真實落地可行性，重點講解如何利用 Harbor 框架構建評測并分享了 ellamind 構建可靠可證明安全 Agent 的實踐。

緊隨其后，英特爾 ML 工程師 David Cortes 與英特爾的 Adel Chaibi 演示了如何通過 UXL scikit-learn 擴展，在無需重大代碼改動的情況下，使機器學習工作流高效運行，并深入探討其背后的工作原理以及未來集成的方向。dltHub 解決方案工程主管 Violetta Mishechkina 則聚焦 Agent 產生的海量軌跡數據，演示了如何用 dlt、LanceDB 等開源工具將代碼、文本與遙測自動轉化為實時可靠的數據集，從而搭建內部的 Agent 評估平臺。來自麥肯錫的高級軟件工程師 Sajid Alam 分享了 Kedro 框架如何將模塊化、可測試性與可復現性引入數據流水線，讓不擅軟件工程的從業者也能構建生產級項目。Probabl首席科學官Ga?l Varoquaux帶來表格基礎模型 TabICLv2 的最新進展，并介紹了 skrub 如何大幅簡化數據預處理這一現實痛點。Probabl 開源開發者 Stefanie Senger與Probabl&scikit-learn軟件工程師Olivier Grisel深入講解了 Python 數組 API 標準在 scikit-learn 中的落地過程。而英偉達 CUDA Python 產品負責人Andy Terrel 則詳解了 CUDA Python 如何以 Python 風格從底層重新暴露 CUDA 生態系統的方案，并深入展示如何利用 CUDA Python 掌控機器學習流水線。

在該工作坊的最后，焦點從硬件加速轉向生態工具與負責任 AI。英偉達軟件工程師 Tim Head 結合自己同時維護 scikit-learn 和 cuML 的經驗，對比了兩種 GPU 加速經典機器學習的方法并給出工具選擇建議。Quansight 高級軟件工程師 Evgeni Burovski 進一步分享了 SciPy 通過 Array API 支持 GPU 及 PyTorch、CuPy 等后端的內部基礎設施與未來挑戰。Probabl 開發者關系工程師 Fabien Pesquerel 與 Probabl 的 Marie Sacksick 帶來了 Skore——由 scikit-learn 創始人打造的數據科學平臺，目標是將 scikit-learn 級別的可靠與簡潔擴展到團隊協作與業務對齊層面。QuantStack 創始人兼 CEO Sylvain Corlay 演示了 notebook.link平臺：基于 JupyterLite 的瀏覽器內即時運行 Notebook，支持多種語言、AI 助手和自動評分。Probabl ML 工程師 David Arturo Amor Quiroz 介紹了開源學習平臺 Skolar，強調在大模型能秒寫代碼的今天，專家策劃的培訓材料依然是理解算法、對抗 AI 內容泛濫的關鍵防線。而 WISE 聯合創始人 Joanna Kramer 與 Probabl 的 Marie Sacksick 共同發起了一場關于開源社區如何推動負責任 AI 的討論，包括促進社區多樣性、利用前沿方法與工具保障 AI 公平性和安全性，并引導參與者思考切實可行的包容行動。

Spotlight & Hackathons，巴黎現場高能集結！

AI 正在快速重塑創作方式，開源模型與工具的演進，也讓“創作者”的邊界不斷被重新定義。在這樣的背景下，GOSIM Spotlight 2026 Frontier Creators 將 10 位優秀入圍創作者帶到巴黎現場，以作品展示與主題分享的方式，呈現開源 AI 驅動下的最新創意實踐。從多模態生成到交互表達，從工具鏈創新到內容形態探索，這些來自不同方向的作品共同構成了一個正在展開的創意前沿圖景。

與此同時，巴黎 Station F——全球最大的創業園區——成為兩場黑客松的實時戰場，技術與創意在這里密集碰撞。

「GOSIM Agentic Hackathon」圍繞 Agentic AI 設計了七大核心賽道，覆蓋文本、語音、音樂、視頻到演示生成等全模態能力。參賽者基于智譜 GLM、Moonshot Kimi、MiniMax 等開源大模型快速構建應用原型，在持續迭代中探索智能體能力的邊界，現場節奏緊湊而高強度。

另一邊的「GOSIM Robotics Hackathon」則將挑戰落在真實物理世界，以 OpenArm 全開源人形機械臂為核心，圍繞八類典型任務展開，包括抓取與拆裝、物體搬運與放置、液體傾倒、料箱揀選、餐桌整理、布料折疊展開以及人機遞接等操作任務。參賽者直接在真實硬件上調試與驗證，讓機器人能力不再停留在仿真，而是在實際操作中不斷逼近應用邊界。

從創作生成到具身智能，從數字空間到物理世界，這一場在巴黎展開的實踐，讓“開放 AI”的能力第一次以如此密集的方式同時落在內容與現實之中。

真誠致謝

作為全球開源創新盛會落地巴黎的重要一站，本次大會現場人氣滿滿、氛圍熱烈十足，其背后也離不開各大企業、開源社區與行業伙伴的鼎力支持與精誠協作。

在此衷心感謝首席贊助商華為，以及 OpenHarmony、Fundamental、OpenBMB、MiniMax、KIMI、智譜、Novita、RadixArk、databricks 等合作伙伴的重磅加持與傾力相助；同時誠摯感謝 BAAI、OuiCrea、全法中國青年科創協會、中法人工智能協會、Olares、Second State、SGLang 社區、vLLM 社區、FlagOS 社區、Hugging Face、開源社、Unaite、42-ai、AI By The Bay、InnAIO、Jumeau.AI 等一眾支持伙伴的踴躍入駐、積極參與。

此外，各大展商與合作伙伴齊聚現場、同臺亮相，匯聚產業生態力量，共筑開源 AI 繁榮新生態，也為本次大會增添了滿滿的人氣與行業活力。

至此，GOSIM Paris 2026 主會場的首日議程圓滿結束，而精彩不會就此停歇——明日，1 場 Keynote、5 大前沿主題論壇，2 場硬核工作坊等將持續推進，更多重磅嘉賓與一線實戰內容即將登場，敬請期待！