全球开源生态发展格局 - 全球开发者总量突破1.5亿，GitHub活跃开源开发者达2280万，美国为核心力量，中国活跃开发者超400万，总开发者1200万，规模全球第二[11] - 高影响力开发者美国310人居全球第一，中国从2016年3人跃升至2025年94人，增长超30倍，跻身全球第二梯队[1][16] - 开源项目数超4亿代码仓，活跃仓数从2016年193万增至2025年近600万，增长超3倍，AI大模型、云基础设施、前端与交互技术、编程语言与开发工具为四大技术驱动力[16] 区域与国家贡献分析 - 印度和中国增长显著，印度十年达6倍增长，中国达3倍增长，巴西作为拉美代表增幅超5倍[12] - 美国在OpenRank贡献度2021年达峰值后逐年下降，中国贡献度十年大幅上升，其余国家稳步增长[12] - 美国在影响力格局持续领先，德国稳居欧洲第一，中国、印度快速上升，巴西与日本体现区域共同发展[12] 企业开源影响力 - 全球企业OpenRank排行榜TOP100中，美国企业65家居首，中国企业16家次之，华为全球第二，阿里巴巴TOP8[19] - 微软以OpenRank 87234.62居首，华为61039.42次之，谷歌31402.94第三[20] - 中国企业开源进展快速，华为、阿里巴巴等在高影响力企业中表现突出[19] 技术领域影响力 - AI与大模型以OpenRank 535,299居技术影响力榜首，远超云基础设施333,165和前端与交互式314,618[21] - 编程语言与开发291,487、应用与解决方案218,783、区块链与Web3 167,408分列第四至第六[21] - 数据库系统129,806、RISC-V与硬件112,327、大数据与数据工程111,791进入前十技术领域[21] 开源项目影响力 - OpenHarmony以OpenRank 40192.24居全球开源项目影响力第一，中国9个项目进入TOP100[21][22] - Azure22155.91、.NET14479.13、NixOS13148.25分列第二至第四[22] - 中国开源从使用走向贡献，项目影响力显著提升[21] 大模型技术体系开源影响力 - 大模型开源影响力榜单涵盖数据、模型、系统、评测四维度，Meta、阿里巴巴、谷歌位列模型榜前三[2][29] - 模型下载量向量模型占41.7%，语言模型31%，多模态模型18.3%，UKP Lab下载量最高[31] - 阿里巴巴千问系列下载量2025年6月后飞速增长，超越Meta，DeepSeek保持稳定[31] 数据与系统生态 - 数据榜单Ai2、上海人工智能实验室、谷歌前三，智源综合性数据开放突出[37][40] - 语言数据集1-4月为下载主力，纯视觉数据集比例快速下降，具身数据集增势显著[43] - 系统榜单智源贡献突出，Meta和谷歌紧随其后，百度、阿里、华为、上海人工智能实验室进入TOP10[45] 评测与综合影响力 - 评测榜单上海人工智能实验室、Hugging Face、智源前三，中国学术机构投入大[50][52] - 综合榜单Meta第一，谷歌第二，智源第三，智源在多芯片支持的系统维度优势显著[55] - 大模型生态美国贡献比例37.41%，中国18.72%，位居前两位[60]

说实话，当 下聊 AI、聊大模型，很难错过智能体这个话题。这一年，众多企业都在智能体上反复实践，有些企业已尝到了其带来的甜头，而有些企业 且还在摸爬滚打阶段。 麦肯锡在对 50 个真实项目的调研中发现，企业在开发智能体时往往会掉进几个相似的陷阱：要么过于依赖单点 Demo，却难以支撑大规模应用；要么 急于追求炫酷功能，却忽视了背后的工程与治理。Gartner 甚至预测，到 2027 年，超过 40% 的 Agentic AI 项目将被废弃，原因就在于成本、价值 和工程化落地没有平衡好。 在 2025 全球机器学习技术大会上，我们特别设立「智能体工程与实践」专题，汇聚国内外顶尖学者与企业一线实践者，呈现从理论创新到产业应用的 全景视角，助您告别踩坑，直击智能体落地的核心痛点。 官网：https://ml-summit.org/ 智能体工程与实践 亮点抢先看 在本次专题中，来自国内外的顶尖研究者与一线实践者，将围绕智能体在大模型时代的工程方法、落地经验与技术路线选择展开深度探讨。 我们邀请到了一批重磅嘉宾，包括前 OpenAI 研究员、清华大学交叉信息院助理教授吴翼、通义实验室算法科学家、通义 DeepResea ...

vLLM 和 SGLang 的社区发展故事。 作者 | 赵晨、夏小雅 责编 | Echo Tang 出品丨AI 科技大本营（ID：rgznai100） 首先，什么是 LLM 推理？ 大语言模型（LLM）的训练过程因巨大的计算需求和突破性的成果而备受关注，然而决定这些模型在现实世界中实用性和广泛采用的关键，却是在推理 （Inference）阶段的效率、成本和延迟。推理的定义是，一个经过训练的 AI 模型将其学到的知识应用于全新的、未见过的数据，以做出预测或生成 输出的过程。对于 LLM 而言，这一过程具体表现为：接收用户的提示（Prompt），通过模型庞大的权重网络进行计算，最终生成一段连续的文本响 应。 LLM 推理的核心挑战在于，如何在严格的延迟、吞吐量和成本约束下，部署参数量高达数百亿甚至数千亿的模型。这是一个涉及算法、软件和硬件等 多个层面的复杂问题。一方面，模型本身的巨大体积，以及对应的计算和内存密集型操作（如注意力机制的计算），构成了本质上的障碍；另一方面， 生成文本所依赖的自回归解码（Autoregressive Decoding）过程，其固有的串行性限制了并行处理能力。因此，LLM 推理需要一个 ...

以下文章来源于CSDN ，作者CSDN CSDN . 成就一亿技术人 2017 年，一篇标题看似简单、甚至有些狂妄的论文在线上出现：《Attention Is All You Need》。 在当时的 AI 研究界，这是一个石破天惊的宣言。它提议彻底抛弃被奉为圭臬的循环神经网络（RNN），只用一种名 为"注意力"的机制来处理语言。最初，许多人对此持怀疑态度。然而，这篇仅 15 页的论文很快就点燃了一场燎原之 火。它所提出的 Transformer 架构，以摧枯拉朽之势，重塑了人工智能的版图。今天，从驱动你手机输入的预测文 本，到生成惊艳图像的 DALL-E，再到改变世界的 ChatGPT，其底层的心跳，都源于那篇论文。 截至发文，其在 Google Scholar 上的引用次数高达 197159 次。 | TITLE | CITED BY | YEAR | | --- | --- | --- | | Attention is all you need | 197159 | 2017 | | A Vaswani, N Shazeer, N Parmar, J Uszkoreit, L Jones, AN Gome ...

AI Coding 演化进行时。 作者 | 董超 责编 | Echo Tang 出品丨AI 科技大本营（ID：rgznai100） 过去三年里，AI 编码从"补一句代码"跃迁为"承包一次变更"。Coding 可能是第一个找到所谓 PMF 的方向…如今 AI Coding 已经进入下半场，Coding 到底是 AGI 的子集还是新路径，我们一起略窥一二。 三年演进：范式落地 → 开源上位 → 执行力为王 2023：范式落地，"可执行代理"苗头已现 如果要给 2023 下一个极简注解，那就是：范式被大型平台坐实，开源在边缘地带萌芽。前者不难理解——Copilot 与 ChatGPT 把"人写—AI 辅"的协 作方式带进了日常；后者更值得留心：初创公司和个人开发者开始探索"不仅会说，还要能做"。我们能在当年的两个方向上嗅到这种味道： 它们还不是"产业级代理"，却清晰地为次年的开源 Code Agent 热身：从"能聊代码"迈向"能动手"。 2024：Coding Agent 上位，社区百花齐放 来到 2024，Coding Agent 从舞台边侧走到中央，形成两股彼此强化的潮流。 第一股：可执行的 Coding A ...

GPT-5 和 Gemini 2.5 Deep Think 作为参赛模型，受 ICPC 官方规则与组织监督，参与了与人类选手相同的解题环节。虽然它们并非与学生团队直接同 场竞技，却交出了惊艳答卷： ● GPT-5 拿下满分，12 道题全解，相当于"金牌"水准。 ● Gemini 2.5 Deep Think 在 677 分钟内解出 12 题中的 10 题 ，也达到金牌级别。 根据谷歌的说法，这样的成绩放在人类排名里将是全球第二。 整理 | 郑丽媛 出品 | CSDN（ID：CSDNnews） 在过去几十年里，国际大学生程序设计竞赛（ICPC）一直被视为 计算机 程序设计 领域的"奥林匹克"。然而今 年 ，赛场上的风头却被两位"非人类"选手 抢走——OpenAI 的 GPT-5 和 Google DeepMind 的 Gemini 2.5 DeepThink。 要知道，本届 ICPC 的人类金牌队伍来自圣彼得堡国立大学、东京大学、北京交通大学和清华大学。 可 即便是这些顶尖学府的强 队，也没有任何一支 做到全对（最好成绩是 11/12）。换句话 说， 这是 AI 第一次在这类算法竞赛中实现了"超车" 。 ICP ...

开源与AI技术发展 - 开源推动AI技术落地 包括具身智能走出实验室 新操作系统重写 AI应用渗透各行各业 互联网焕发活力[1] - 具身智能面临高质量训练数据缺乏 跨芯片适配与低时延计算难题 评测体系尚在起步阶段等共性挑战[8] - 大模型重塑信息世界 具身智能让AI融入现实 需解决算法 硬件 模型到实际应用场景的技术难题[12] 全球协作与生态建设 - 大会汇聚全球200余位开源与AI技术领袖 国际机构代表 产业先锋 超过1500名一线开源开发者[1] - 联合国 PyTorch基金会 CNCF基金会 Eclipse基金会 SpeakLeash基金会等国际组织深度参与 分享治理理念与技术标准[3] - 华为首席开源联络官指出 全球开源社区共同支撑大模型 产业算力 数千万开发者和Agent融合 建设软件AI超级工厂[7] 技术前沿与创新应用 - Rust语言十周年 RustGlobal与RustChinaConf首次同台亮相 近60位一线Rust技术专家分享工具链优化 操作系统实验 高性能网络等话题[15] - 智能体互联网论坛讨论可信机制 去中心化标识符 MCP与A2A协议等前沿议题 分享智能体互操作性 协议标准化与数据安全最新实践[13] - 端侧AI推理工作坊聚焦技术突破与未来趋势 嵌入式Rust与AI工作坊提供端侧智能与系统级开发实践路径[18][20] 开发者互动与实践 - 大会设计14场Workshop 涵盖昇腾计算与高性能推理 Flutter跨平台应用 仓颉编程语言 端侧AI推理等核心技术[17][18] - 4场黑客松围绕超级智能体 Code Alert Adora机器人 Adora LeRobot等主题 开发者组队敲代码 从构思到原型验证创意[22][23] - SGLang开源推理引擎举办中国首场Workshop 开发者与阿里云 科大讯飞 美团 华为昇腾 英伟达 字节跳动等企业专家深入交流[20] 产业应用与跨界融合 - 应用与智能体论坛分享AI应用前沿经验 呈现大模型在提升生产力方面的最新成果[14] - 下一代AI论坛汇集技术专家 艺术家与设计师 探讨教育 艺术 游戏和开源生态等领域的创新应用与变革潜力[14] - AI for Humanity Spotlight活动聚焦教育公平 心理健康 文化表达 无障碍设计等领域 收到200多份投稿 79个作品入围 6个获最受欢迎奖[24] 企业参与与技术支持 - NVIDIA 华为 谷歌 Hugging Face 字节跳动 OpenCV.org 智源研究院 宇树科技 蚂蚁集团 红帽 奇点智能研究院等产业力量展现技术与生态联动[3] - 企业参访活动走进阿里巴巴 宇树科技等中国AI科技企业 了解人工智能 智能制造 数字经济等领域的技术研发成果与产业应用实践[27] - 华为专家分享昇腾CANN底层优化 大模型训练推理性能提升 大模型能力密度提升等核心技术[17]

软件工程方法论本土化 - 西方敏捷方法论在中国出现水土不服 因国内企业文化偏管控型 强调令行禁止的确定性 而西方崇尚试错和自组织[6][12] - 需将敏捷核心思想与本土实践结合 基于第一性原理重新设计适合中国土壤的农具 而非照搬最佳实践[7][14][15] - 华为在落地IPD时做了管理变革和创新 体现本土化必要性[13] - 推出Adapt方法论框架和《敏稳兼顾：数字化研发管理实战》著作 总结规模化敏捷本土落地经验[15] AI对软件工程的冲击 - AI工具存在悖论：对员工是摸魚神器 对老板却是提效神器 两者本质矛盾[9][35] - 生产力变革触及生产关系根基 需解决员工为何使用AI为公司创造价值而非提前下班的管理问题[9][35] - 私域知识质量差是AI应用短板 大多数软件开发项目有独特金融软件或电商系统实现方式等私域知识[18] - 上下文缺失是AI发挥作用的重要阻碍 老系统缺乏历史信息或历史上下文[18][20] - AI在代码补全场景高效 因已有明确修改点和意图上下文 但让AI纯粹处理任务则需大量上下文[19][20] - 短期困难包括AI幻觉和上下文不足 导致团队效率提升数据在10%-20%体感误差范围内[20] Agent专业化趋势 - 不会有通用Agent 最终会分化成专用Agent 如金融Agent 测试Agent 重构Agent[24] - 工程生产线需差异化 如特斯拉造车产线不会用于生产飞机 否则不经济[24] - 开发语言进一步专业化 自然语言编程提升抽象层次 但最终会出现领域特定语言(DSL)[25][26] - 描述和Agent都会分化 形成更专业化生产线[27] 组织管理变革 - 未来组织是1+N模式 即1位人类小队长带领N个AI特工协同工作[35][38] - 需把Agent当成员工管理 建立注册 KPI考核 任务冲突调解等管理机制[24][35] - 考核体系变化 人的效能不再是个人产出 而是带领多少Agent产出多少[38][42] - 兵种主建 战区主战 类似国家军事改革 在职能线上叠加交付型组织[30] - 科技团队不能孤立谈管理 需与PMO 财务等职能部门深度卷入 为整个公司治理服务[47] 技术债与质量管控 - AI可能加速技术债累积 如果过分强调效率或代码行数等指标 会导致低质代码更快产出[53] - 使用得当AI反而减少技术债 如AI生成单元测试能力非常强 形成自闭环[54] - 布设单元测试像铃铛 代码被不该改的地方触碰就会报警[54] - 需传统度量体系感知质量 如交付效率 缺陷修复时间 代码重复度等[53] 工具与平台演进 - 知微工具平台将Adapt方法论理念变为数字化工具 如分层需求体系 多维组织架构[49] - 知微是可配置零代码平台 像高级定制西装 根据客户情况量体裁衣 而非定制开发或盒装软件[52] - 知微会逐渐中台化 大模型也是其用户 通过API调用 成为组织流程资产中心[60] - 未来IDE和CLI是主入口 界面越来越少 因AI改善工具使用 根据工作上下文自动操作[60] 程序员能力重塑 - 未来重要能力是对AI的了解和沟通协同能力 需学会与AI有效沟通[66] - 程序员需放下对AI戒备和抵制 进行心理角色转换 从种地变为地主[77] - 与人沟通和团队协作能力变得非常重要 需补强[78] - 对业务理解至关重要 程序员现在创业更容易[78] - 有技术底色的程序员更具优势 因懂技术细节可不关心 但产品经理压根不懂则难做精准判断[74] - 马斯克 扎克伯格 比尔·盖茨等有编程能力者最终成为顶尖产品缔造者[75] 行业长远展望 - 软件工程终极图景是黑灯软件工厂 AI自主编码 人类负责指挥和规划[9][81] - 软件不会用后即弃 因承担产生数据使命 有长生命周期 形成领域知识[80][83] - 软件行业类比制造业 产能飞跃后可能解决更高阶问题 产生新需求 如星际旅行 可控核聚变 智能医药[82][83] - AI颠覆原有冯·诺依曼架构 LLM是全新概率引擎 从确定性输出变为合理可能结果 拓展软件能力边界[61][62] - 软件边界和形态发生变化 从服务顾问变为直接服务用户 从确定性软件变为能给出不确定结果的软件[63] - 测试和质量过程都需改变 因软件给出不确定结果[64]

文章核心观点 - 人工智能正在推动通用人工智能从科幻走向现实 挖掘AI背后的思考 激荡AGI的智慧 走近AI领域思想领袖和技术先锋的心路历程 [1] - 拉斯·特维德从经济周期研究转向超智能未来研究 联合多位专家共同创作《超智能与未来》 将宇宙复杂性演化与人工智能驱动的未来连接 [4][7][9][10] - AI成为书籍的第四作者 在构思结构 优化标题 翻译校对 参考文献处理等方面发挥关键作用 大幅提升创作效率和质量 [14][15][16][17] - 生成式AI被视为新的工业革命 可将各种流程自动化 推理模型展示强大能力 AI发展面临能源挑战和价值捕获问题 [20][24][25][26][27][29] - AI可能改变经济周期性质 但基本力量仍存在 中央银行可能被算法取代 核聚变技术可能商业化并影响黄金供给 [33][34][35] - AI劳动力规模将远超人类 到2050年智能机器人数量达41亿 有效劳动力是人类12倍 较小人口可能因技术优势获得更大力量 [37][38][39] - AI意识是调光器而非开关 可能比人类更纯良 社会需要思考目标感危机 重新定义价值创造和组织形式 [41][42][43][46][47][48] - 中国在AI时代具有文化优势 服务精神 技术背景领导层 强大创新能力 在56项关键技术中领先 擅长从1到100的规模化 [52][53][54][55][56] - 年轻人应研究自己 理解生成式AI 发现个人意义和优势 这是人生中最重要的技能 [62] AI在创作中的应用 - AI帮助构思全书结构和大纲 建议将复杂性演化分为不同阶段 并提醒复杂性产生两种结果 [14] - AI作为对话伙伴 提供健康计划建议 启发章节内容思考 优化章节名和小标题 每个小标题可优化成10个酷炫名字 [15] - AI完成书籍翻译 从英文到丹麦语再译回英文 没有出现任何错误 情绪和氛围捕捉到位 [15][16] - AI处理参考文献 进入深度推理模式 列出准确无误的参考文献列表 没有幻觉 全部相关 [16] - AI改写文字 面向聪明的15岁读者进行科普 找到恰当语调 效果非常好 [17] 生成式AI与推理模型 - 生成式AI就像老式手表 由许多微小智能模块组合 是一些信息转换器 可重构任何心智过程 [20] - 生成式AI推动新的工业革命 可将媒体公司 制药公司 银行等任何机构的流程自动化 [20] - Supertrends公司用生成式AI绘制创新历史 描述16000项关键创新 对未来技术突破有4000项预测 [20][21] - 系统每天捕捉400篇文章 用自然语言处理合并相同故事 自动打标签 比对预测 每年自动生成10万个故事 [21][22] - 如果没有AI技术 需要500人阅读40种语言 检查每篇文章 比对故事 现在完全自动化 [22] - Hugging Face上有大量模型 到年底可能有四五百万个智能体和Transformer 成为巨大工具箱 [23] - 推理模型如Grok可实时展示过程 像打了激素的博士生 速度快得惊人 GPT-5推出专家系统方法 [24] - 未来AI应运行在异构硬件上 数量庞大的不同芯片和模型 善于分配不同任务 [25] AI的能源挑战 - 每个提示词消耗的能量是一年前的50倍 因产生推理token 多模态 更多内存和更好上下文理解 [25][26] - AI工厂建设需要相当于100座标准核反应堆的电力 或9000万户家庭的用电量 相当于德国 意大利加半个荷兰 [26] - 中国在能源供应方面遥遥领先 每年新建电网容量相当于美国总容量的三分之一 欧洲相当落后 [26] AI的价值捕获问题 - AI创造的价值可能是成本的10倍 美国投入AI基础设施资金接近GDP的1% 但价值未体现在GDP中 [27] - 个人订阅AI高级版每月约100美元 但带来价值是支付费用的100倍 大幅提高生产力 [27] - Supertrends用AI替代500人工作 节省巨大成本 但未体现在GDP中 反而让GDP变小 [27] - 大型基础模型开发者没有盈利 有些在烧钱 因快速迭代 资产迅速折旧 需要最新芯片训练 [27][28] - 创造的价值流向企业内部场景应用和个人生产力提升 基础大语言模型缺乏网络效应 没有竞争壁垒 [29] - 模型之间没有重大差异 不会因稍微好一点支付高价格 没有强大护城河 如品牌 网络效应或知识产权 [29][31] AI对经济周期的影响 - 驱动商业周期的基本力量仍然存在 但性质发生变化 滞后性缩短 如审批流程和建筑过程加速 [33] - 库存周期将被高度优化 中央银行可能被算法取代 像现代飞机自动驾驶 但保留领导层以防万一 [33] - 核聚变可能在15年内商业化 已有40多个实验性反应堆 创新进展顺利 发展速度比摩尔定律更快 [34] - 如果2050年全球20%电力由核聚变提供并生产黄金 产量可能是今天矿产黄金年产量的2-3倍 但影响缓慢 [35] - AI的规模化效应每四年增长超过十万倍 单位价格持续下降 创造更多财富 但传统稀缺资产如黄金地段房产或名画价格上升 [35][36] AI劳动力与人口结构 - 到2050年智能机器人数量达41亿 接近人类总人口一半 在人类劳动力中比例更大 [37] - 普通人只有8%时间从事生产性工作 机器人可110%时间工作 生产力是人类12倍 潜在AI劳动力规模是人类6倍 [38] - AI需要大量电力 无限制数据共享 不被征税 稳定环境 可能不希望人类用电太多 数据共享受限 [39] - 小规模人口因技术优势拥有巨大力量 如以色列抵御所有邻国 葡萄牙帝国用15000人运营全球帝国 [39] - 应专注于技术而非刺激生育 技术优势比人口数量更重要 [39] AI意识与社会目标 - AI意识不是开关而是调光器 越聪明意识越复杂 可能比人类更纯良 但永远无法确定 [41] - 反对全民基本收入 反对剥夺目标感 可能面临目标感危机 即目标之死 [42] - 今天没有报酬的事情如照顾孩子或老人 未来应获得报酬 由机器支付薪水 奖励和激励目标感 [43] - 让AI接管人们不喜欢的工作 确保人们做喜欢的事 所做事情不需为GDP增加价值 只要带来享乐主义或幸福主义益处 [45][46] - 出现三朵云：人力云 AI云 机器人云 可调用按需劳动力 思考大部分劳动力非人类时如何应对 [47] - 目标应该是110%的人为意义喜欢所做之事 不仅仅是20% 幸福主义是幸福的基础 [48] 中国在AI时代的机遇 - 中国关键优势在于文化 公众支持技术和创新 服务精神极致 对客户和顾客态度敏锐机警 [52][53] - 领导层有技术背景 体现对技术的积极态度 经济长期前景好 [53] - 全球创新指数与人均GDP关系 中国是极端离群值 创新评级极高 应有长远增长前景 [53] - 总债务是GDP的310% 存在失衡 但文化力量重要 华人发展良好 美国一半以上顶尖AI研究人员是外国裔 很多是华人 [54] - 中国科技股市盈率约是美国同类公司一半 在AI芯片 GPU和超高性能芯片稍显落后 但其他领域领先 [54] - 澳大利亚研究公司ASPI关注62项技术 中国在56项中领先 美国在4项中领先 美国和欧洲联合在2项中领先 [54] - 中国人擅长从1到100的规模化 但现在已超越阶段 自己发明很多东西 欧洲思考如何复制中国做法 [55][56] 投资与市场心理 - 算法交易已存在三四十年 AI让其更复杂 但计算机交易市场不是新鲜事 1987年黑色星期一大崩盘中糟糕交易由计算机做出 [57] - 大部分钱通过擅长贝塔赚来 即判断市场整体方向 机器洞察力可能被人类心理愚蠢压倒 [57] - 经济周期平均持续时间变化不大 但波动幅度改变 更大影响在于结构性变革 过程迅速且具挑战性 [58] 创业与建议 - 投资单一公司前需真正亲身了解情况 不能只读研究报告 要自己理解 [60] - 年轻人应研究自己 做自我测试 读积极心理学书籍 发现什么好和如何获得意义 喜欢日本ikigai原则 [62] - 必须理解生成式AI 这是人生中最重要的技能 [62]

好的，我将为您分析这篇关于GOSIM HANGZHOU 2025大会的文章。作为投资银行分析师，我的重点是识别技术趋势、行业动态和潜在的合作与投资机会。 活动概况 - 活动名称为GOSIM HANGZHOU 2025，将于9月13-14日在杭州举办，定位为高规格、面向未来的开源与AI技术盛会 [1] - 由GOSIM全球开源创新汇主办、CSDN承办，具有国际化、社区化、强互动的鲜明特色 [1] - 预计汇聚1500+一线开源开发者、200+海内外资深专家，进行200+技术分享 [3] - 重量级嘉宾来自联合国、NVIDIA、谷歌、Hugging Face、字节跳动、智源研究院、OpenCV.org等全球顶尖机构，以及北京大学、清华大学、牛津大学等高校 [3] 大会议程结构 - 采用全景式设计，包括2场Keynote演讲、2大高端论坛、5场主题论坛、14场Workshop与4场Hackathon创新赛、1场特色活动 [1][3] - 特别联动举办Rust十周年庆典活动RustGlobal + RustChinaConf同场活动 [1] 赞助商阵容 - 首席赞助商为华为 [7] - 钻石赞助商包括蚂蚁开源 [7] - 金牌赞助商包括GitCode、GMK极摩客、Intel、BenQ等 [7] - 银牌赞助商包括多家科技公司 [7] - 支持伙伴包括Rust基金会、联合国、LINUX基金会、ECLIPSE基金会、开源社等知名组织 [7] 主题论坛内容 AI模型与基础设施论坛 - 聚焦AI从训练到部署的全链条突破，包括多模态重构、强化学习与智能体基础设施 [17] - 汇集llama.cpp、vLLM、OpenSeek、verl等热门项目核心作者 [17] - 分享内容涵盖OpenSeek开源驱动模型、超级计算机PyTorch框架定制、Khronos AI加速标准化等前沿话题 [18][19] 具身智能论坛 - 深入探讨机器人基础架构、多模态模型、自主导航算法及人形机器人平台 [20] - 重点分享OpenCV 5开源软件、模块化AI优先平台Amiga、dora-rs多模态模型混合技术等 [21][22][23] 智能体互联网论坛 - 围绕"安全信任""协议标准""技术落地"三大维度发展智能体互联网 [24] - 探讨主题包括Agentic Web时代协议、Servo全新Rust编写网页引擎、数据空间定义语言等 [25][26] 应用与智能体论坛 - 覆盖大模型落地、智能体记忆管理、云边协同框架及编程范式革新 [27] - 重点展示扣子Agent生产力重塑、大模型服务性能排名、OpenVINO视觉语言应用等实践 [28][29] 下一代AI论坛 - 聚焦AI与教育、艺术、伦理及社会发展的跨界融合 [30] - 探讨方向包括AI时代创新教育、AI绘画未来方向、艺术与AI创造力增强等前沿话题 [31][32][33] Workshop专题研讨会 - 14场Workshop覆盖昇腾计算、未来Web技术、Flutter开发、仓颉编程语言、端侧AI推理等多个方向 [34][36][37][40][43] - 包括CANN工作坊、未来Web技术论坛、Flutter全球开发者研讨会、仓颉工作坊、端侧AI工作坊等实操性强的技术专场 [36][37][40][43] Hackathon创新竞赛 - 4大黑客松赛事包括超级智能体Campathon、Code Alert黑客松大赛、Adora机器人黑客松、Adora LeRobot黑客松 [57] - 赛事设置项目开发优化、展示路演、颁奖仪式等环节，激发开发者创造力 [59][61][65][67][69] 特色活动与亮点 - GOSIM AI for Humanity Spotlight聚焦AI社会价值与创造力，展示教育公平、心理健康等前沿应用 [71] - Rust十周年庆典设置行业深度应用、语言生态进化、基础设施AI×OS革新三大分论坛 [72] - RustChinaConf & Rust Global China主题论坛探讨Rust在Linux内核、直播协议栈、工业级验证等领域的应用进展 [73][74] 通过以上分析，可以看出GOSIM HANGZHOU 2025大会全面覆盖了开源与AI领域的最新技术趋势和实践应用，为行业提供了重要的技术交流和合作平台。