操作系统正在被「为智能体重做」一场发生在系统底层的换血

▲ Omarchy：不是装一个 AI 插件，而是让系统本身为智能体而设计

在深圳的一场演讲里，Ruby on Rails 的创始人 DHH 讲了一件让台下有点意外的事：一年前他根本不信任 AI，甚至讨厌编辑器里跳出来的代码补全；而现在，他在做的不是模型，也不是某个应用，而是一个操作系统。

这个操作系统的名字叫 Omarchy，是一个 Linux 发行版。它的特别之处在于，把智能体的能力嵌进了系统的不同层级——不是装一个 AI 插件，而是让系统本身就为智能体而设计。

这件事比“AI 会写代码”有意思得多。AI 能写代码，大家已经听腻了；但操作系统这一层正在被“为智能体重做”，是很多人还没意识到的事。它意味着 AI 不再只是你打开的一个软件，而是要变成所有软件运行的前提。

2026 年 10 月 16 日到 17 日，GOSIM Shenzhen 2026（全球开源创新峰会）在深圳南山开了两天，两千多名 开发者、一百多位 讲者。六个技术论坛连起来看，是一条从智能体到设备的完整链条。而这条链条上最值得琢磨的一环，就是操作系统。

这次不是概念，是已经能跑起来的东西，还有钱进来了。

Omarchy 只是最受关注的一个。如果只看这一场演讲，容易把它当成一个技术极客的个人项目；但把会上出现的项目排开看，会发现这是一次方向相当一致的集体行动。

▲ Omarchy 与鸿蒙、openJiuwen、openvela、IB-Robot 等项目，共同汇聚到操作系统底座层

更值得琢磨的是钱。阿里云成为了 Omarchy 基金会的创始企业赞助商，据 DHH 讲，是阿里云的人主动发邮件找上来的。这个消息在会场之外也引发了独立讨论，有开发者在技术社区专门开帖，关注的焦点是“中国云厂商为什么要赞助一个国外的 Linux 发行版”。

这个问题的答案，其实藏在“为什么现在”里。

大家突然都去做操作系统，不是巧合，而是因为模型这一层已经不再是壁垒——真正拉开差距的，变成了模型之外的东西。

大会设了六个技术论坛：智能体 AI 峰会、开源模型与基础设施、开源机器人、智能体操作系统与应用、边缘智能体 AI、智能体设备。

单独看，这是六个平行的技术方向。但按顺序连起来读，会发现一条清晰的路径：智能体 → 模型与基础设施 → 机器人 → 操作系统 → 边缘 → 设备。

这不是外人附会的解读。主办方在官方通稿里明确说，这些议题“没有把 AI 只放在‘模型’这一层”。换句话说，这场会想回答的不是“哪个模型更强”，而是“智能体到底该住在哪里、靠什么活着、最后长成什么样”。

这个转向早有预告。半年前在巴黎举办的上一站，官方公告里就写得很直白：人工智能正在经历一场从“模型中心”向“系统中心”的关键范式转移。

▲ 从模型中心到系统中心的转向，以及六个论坛串成的技术链条

为什么会有这个转向？道理并不复杂。开源模型的能力在快速拉平，谁都能拿到一个足够好的模型。当模型本身变得唾手可得，真正拉开差距的就只能是模型之外的东西——你怎么把它接进系统，怎么让它稳定运行，怎么控制成本，怎么保证它不出事。

开源鸿蒙项目群技术指导委员会主席陈海波在主旨演讲里讲的正是这件事。他的判断是，AI 正在从会聊天、会回答，走向真正能理解意图、能动手办事；到了这一步，操作系统就成了背后不可或缺的基础支撑。

这句话点出一个容易被忽略的事实：智能体要真正干活，缺的不是更聪明的脑子，而是能调动工具、管理资源、约束行为的那一层底座。

智能体 AI 峰会的官方介绍里还有一句更直接的话：当模型能力不再是壁垒，真正的分水岭在于组织能否完成 AI 原生重构。“组织”这两个字先记住，后面还会回到它。

如果说操作系统解决的是“智能体住在哪”，那这一层解决的是“它靠什么活下去”——而答案可能会让很多人意外：不是算力。

过去两年，大家谈 AI 基础设施，第一反应都是“算力够不够”。但这场会上，讨论的重心明显偏移了。

最典型的是 KV Cache。这个词听起来很技术，其实可以理解成大模型在“思考”时打的一份草稿——把已经算过的中间结果存下来，下次不用重算。以前这只是个提速的小技巧，草稿用完就扔，没人在意。

但当智能体开始处理很长的上下文、开始大规模并发、开始跨区域服务时，这份“草稿”就变成了巨大的负担：存不下、传不动、调度不过来。官方通稿里对此有一个相当准确的概括：

▲ KV Cache 从工程技巧变成基础设施资源的三步演进

这个变化催生了一批工程实践。会上至少有三条不同的技术路径在解决同一件事：

三条路不一样，但目标一致——让这份“草稿”变得可管理、可调度、可复用。

再往上，是整个推理服务的重新分层。红帽介绍了 llm-d，一个覆盖不同负载、模态、硬件和平台的分布式推理平面；华为的工程师拆解了 vLLM 里的 AFD-Plugin，把 Attention 和 FFN 两部分拆开跑，让它们各自跑在更合适的硬件上。

有意思的是，连 vLLM 这个项目的定位都变了。官方通稿里的说法是，它“早已从单纯的推理框架，长成了大模型服务化栈里的基础设施级组件”。从“框架”到“组件”，一字之差，背后是整个行业对推理这件事的重新定位：它不再是应用下面的一个库，而是所有 AI 应用共同依赖的一层。

训练侧也在发生同样的事。华为的 TransferQueue 用“样本级路由”的方式，把数据流和控制流分开，让计算和通信能重叠起来，减少等待。南京大学副教授郑嘉琦则指出一个更根本的变化：当模型规模把单机推到物理极限，决定训练效率的不再是单卡算力，而是卡与卡之间那张网络。

还有一个反向印证。清华的团队展示了 KTransformers，能在消费级硬件上跑全精度万亿参数级的 MoE 模型。这件事的意义不在于“便宜也能跑大模型”，而在于它说明：真正的硬约束是内存和带宽，不是浮点算力。硬件厂商也在配合这个转向——AMD 的 ROCm 10.0 定位是“面向智能体 AI 时代的开放 GPU 软件平台”，华为则讲了昇腾芯片上的算子开发和统一表达。

当智能体写代码的速度超过人审查的速度，开源社区遇到的第一个真问题，不是“能不能做出来”，而是“做出来的东西能不能被验证”。

这个问题在会前珠海的一场闭门论坛上就被提了出来。与会者的共识是：智能体参与代码生成、审查和提交，已经不是未来设想，开源项目中的相当一部分实现已经由智能体完成。随之而来的两难很现实——你不可能因为审查不过来就禁止智能体写代码，但也不可能因为智能体写得快就放弃审查。于是讨论转向了制度层面：开源治理需要新的接受政策。

CSDN 创始人、GOSIM 发起人蒋涛用一句话概括了这个变化——

他还提出一个概念叫“硅基时间”——人的产出不再只靠碳基的八小时，还要加上可以采购、可以并行的机器时间。这个说法有点浪漫，但背后的判断很冷静：当写代码的成本趋近于零，稀缺的东西就变成了别的东西。

稀缺的到底是什么？会上给出的答案，是一整套围绕“验证”建立的东西。官方把智能体工程化的技术栈拆成三层：AOS（智能体操作系统）、ASE（智能体软件工程），以及 Harness 工程。前两个好理解，第三个“Harness”原意是马具、挽具。这个比喻其实很贴切：它不负责让马跑得更快，而负责让马跑在正确的路上，并且你能随时知道它跑到哪了。

换句话说，Harness 解决的是可控性和可观测性，而不是能力。

▲ 从生成变快到审查跟不上，再到 Harness 与可审计的四级递进

具体到实践，方向相当一致。

评测这一侧也在变化。Eclipse 基金会推动的是“可审计的评测”，把它做成大家共用的基础设施；上海交通大学的张拳石展示了可验证的机理审计平台。这些工作的共同点，是把“相信它没问题”变成“能证明它没问题”——从主观判断转向可复现的证据。

最能说明态度的是黑客松的命题设计。官方把 Vibe Coding（凭感觉写代码）的缺口归纳成三个词：可信、稳定、可观测。所以比赛不比拼代码生成的数量，核心考核的是智能体交付的可信性。这个选择本身就说明，行业已经过了炫技的阶段。

数据侧同样如此。Pleias 发布的 SynthCommonCorpus，把前训练、中训练、后训练压缩成一个阶段，规模放大的同时强调知识来源可追溯——解决的就是数据污染问题。当模型越来越多地由 AI 生成的数据训练，数据从哪来、能不能查，就成了和模型能力同等重要的事。

这里还有一个耐人寻味的细节。DHH 在演讲中引用了一组传播很广的数字：美国只有大约 30% 的人相信 AI 会带来积极影响，而中国有 93% 的人对 AI 和智能体充满期待。这组数字几乎出现在所有二次报道的标题里。

把前面四节连起来看，会发现这场会给出的不只是一堆技术方案，而是一个相当清晰的路线判断。

这也正是 WorkMate 想做的事：把数字员工、协同任务、知识库、权限与审计放进同一套可配置、可治理的框架里，让 AI 不是散落在各个工具里的功能，而是组织里可以被调度、被管理的一员。需要说明的是，这和 GOSIM 上讨论的设备操作系统不是同一层东西——一个是管硬件的，一个是管协作的，共享的是“为智能体重做一层底座”的思路，而不是技术对标。

▲ 这场会对普通使用者、企业团队与技术观察者三类人的具体提示

一场开源技术峰会，讲的都是操作系统、KV Cache、推理框架这些词，看起来离日常生活很远。但如果把上面五个部分的意思翻译一下，它其实对三类人给出了相当具体的提示。

对普通使用者：AI 从“你去用它”变成“它在你身边干活”

过去两年，大家用 AI 的方式基本是：打开一个网页或应用，输入问题，等它回答，然后关掉。这是“应用”的形态。而当智能体成为系统的一部分，交互会变成：你说一句话，它自己去调工具、查资料、跑流程，做完把结果给你。你不再需要关心它用了哪个模型、调了哪个接口——就像今天用手机不需要知道它跑的是什么系统。

这意味着两件事。一是学习成本会下降，因为入口变简单了；二是判断成本会上升，因为你看不见过程了。所以这一轮里，真正值得普通人练的能力，不是“怎么把提示词写得更漂亮”，而是“怎么判断一个结果靠不靠谱”。这恰好是会上反复强调的那件事：验证比生成更难，也更值钱。

对企业和团队：不要只买工具，要想想底座

现在很多公司引入 AI 的方式，是给每个部门配几个工具——写文案的、做表格的、写代码的，各买各的。这在初期有效，但很快会遇到三个问题：数据散在各处、能力没法沉淀、出了问题查不到。会上讨论的那些事——权限、审计、成本、可观测性——本质上都是在回答这三个问题。

所以对企业来说，比“用哪个模型”更值得先想清楚的是：谁能在公司里用 AI、能用到什么程度、产出怎么审、花了多少钱、出了事怎么追溯。这几件事没想清楚，工具买得越多，管理成本越高。

对关注技术走向的人：看产品要看它有没有“系统层”

看一个 AI 产品值不值得长期投入，不能只看它模型多强，要看它有没有“系统层”。具体可以看三个迹象：它有没有把权限、审计、成本这些“不性感”的东西做进去；它能不能让智能体长期驻留、有记忆、有身份，而不是每次从零开始；它的能力是可配置、可治理的，还是只能靠人来盯着。这三条，比任何跑分都更能说明一个产品是在做应用，还是在做底座。

一个更宏观的提醒

这一轮的技术竞争，胜负手可能不在“谁的模型更聪明”。开源模型的能力正在快速拉平，今天领先半年的模型，明年可能就是标配。真正会拉开差距的，是谁能把智能体稳稳地放进系统里、放进组织里，让它可靠地干活、可控地干活、算得清成本地干活。这件事不性感，也不容易上头条，但它决定了 AI 到底是演示品，还是生产力。

主办方在收官通稿里说，期待 2027 年再相聚。蒋涛则给出了他对应用终局的判断——语音入口化、算力本地化、服务原生智能体化。这是演讲者的判断，不是行业共识，但它至少指出了一个方向。