10月23日，开源中国「AI新生派」走进山东大学软件学院。本次活动由开源中国联合学新社主办，Gitee、模力方舟、openKylin 共建，采用“上午主题分享 + 下午实操演练”的形式，围绕开源基础知识、AI 应用开发、智能硬件、模型适配及开源操作系统等方向展开，帮助高校学生了解前沿技术发展，并通过实践进一步认识 AI 技术与软件工程的结合方式。
随着大模型与智能体技术不断发展，AI 正在改变软件开发的工具链、工作流程和应用形态。对于高校学生而言，学习 AI 不仅需要理解模型与算法，也需要掌握开发工具、应用构建和工程实践的方法。如何从技术认知走向实际开发，如何从使用开源项目进一步参与社区协作，成为本次活动关注的重点。 从开源基础到 AI 技术应用，上午主题分享覆盖多个技术方向
开源中国 AI 全栈工程师任春岩以《AI 入门与实战：认知、工具与创造》为主题，围绕 AI 认知、工具使用与实践展开分享。随着 AI 能力逐步融入开发流程，开发者需要理解如何借助模型与相关工具完成任务，并将 AI 能力转化为可运行、可验证的应用。
openKylin 生态合作负责人马发俊带来《认识 openKylin：技术、生态与未来》，从技术、生态与未来发展等角度介绍 openKylin。openKylin 正围绕智能操作系统构建技术生态，涉及系统级智能体框架、AI 子系统、硬件架构适配和应用兼容等方向。其技术体系不仅关注操作系统自身的演进，也在探索模型、应用与底层计算资源之间的协同，为开发者提供了解基础软件与 AI 融合的切入点。
中关村人工智能研究院智能创新中心架构师邹猛则围绕《在 AI 时代“做中学”：从智能体到智能硬件开发实战经验分享》展开交流，介绍 AI 时代的实践型人才培养思路与相关开发经验，以及如何将 AI 能力延伸至智能硬件。与纯软件应用不同，AI 硬件需要形成“感知—计算—执行”的闭环：传感器负责采集物理世界的信息，CPU、GPU 或 NPU 等计算单元运行模型并完成识别与决策，执行器再将决策转化为实际动作。智能音箱、智能助手及其他智能设备，都可以从这一框架理解其工作过程。
从 AI 应用开发到智能硬件，技术实践的范围正在从屏幕内的软件延伸至现实世界。相应地，开发者也需要关注硬件选型、端侧算力、固件稳定性、功耗和真实使用反馈等软件之外的工程约束。
从开源协作基础，到 AI 应用、操作系统和智能硬件，上午的分享覆盖了不同层次的技术内容，为下午的动手实践建立了知识基础。
从 Java AI 到模型适配，下午实操聚焦真实开发任务
如果说主题分享帮助学生建立技术认知，那么下午的实操演练则将活动进一步延伸到具体开发场景。
极星会 KOL 冯哲带来《AI 实践与实操一：飞算 JavaAI：一天助你成为 Java 高手》，围绕飞算 JavaAI 展开实践。Java 是软件开发中的重要技术栈，AI 编程工具的加入，也为开发者理解代码、构建应用和开展开发实践提供了新的方式。这一实践方向将 AI 工具与 Java 开发联系起来，让学生有机会进一步了解 AI 辅助编程在具体开发任务中的应用。
ModeHubXC 信创模盒社区运营负责人曹文轩带来《AI 实践与实操二：范式 ModelHubXC：从开源模型到国产算力——一起完成一次“模型适配”》，将实践重点放在开源模型与国产算力的适配上。模型适配是连接模型资源与实际运行环境的重要工程环节。模型能够被获取，并不意味着它可以直接在目标硬件和软件环境中顺利运行。围绕模型、计算资源与运行环境开展适配，有助于开发者理解模型从开源资源走向实际应用时可能涉及的工程问题。这一方向也将 AI 开发的视角从应用层延伸至模型运行和算力适配，让学生接触 AI 应用背后的基础设施问题。
两个实践方向分别从应用开发和模型运行环境切入，呈现了 AI 技术落地过程中的不同层次。对于开发者而言，理解如何使用模型构建应用固然重要，了解模型如何适配目标环境、如何验证运行结果，同样是进一步深入 AI 工程实践的途径。
从开源基础知识到 AI 编程，从智能体与智能硬件到模型适配，再到开源操作系统的开发与贡献，本次「AI新生派」走进山东大学软件学院，三个实操方向分别涉及 AI 辅助开发、模型适配和开源操作系统实践。这些方向之间存在一条共同的主线：技术学习需要从理解概念走向动手实践，工程实践则需要进一步接受真实需求、运行环境和质量要求的检验。
AI 工具正在降低部分开发任务的门槛，但需求判断、系统设计、质量保障和协作能力仍然是软件工程的重要组成部分。开源社区则为开发者提供了接触真实项目、理解协作流程和持续改进软件的机会。
发表于 
