Guide till Open Source AI Summit 2026: datum, talare, program och lokal AI

Eva Wong

IceWhale author

Eva Wong är teknisk skribent och händig hemmabyggare på ZimaSpace. Som tekniknörd sedan barnsben med ett brinnande intresse för hemlabb och programvara med öppen källkodspecialiserar hon sig på att göra komplexa tekniska koncept begripliga genom praktiska, praktiska guider. Eva tycker att självhosting ska vara roligt, inte avskräckande. Genom sina handledningar hjälper hon communityn att göra hårdvaruinstallationer mindre mystiska, från att bygga sin första NAS till att bemästra Docker-containrar.

Open Source AI Summit 2026 Guide: Dates, Speakers, Agenda, and Local AI - Zima Store Online

Den viktigaste frågan om AI med öppen källkod 2026 är inte längre om en bärbar dator kan generera några token från en nedladdad modell. Frågan är om du kan granska systemet, välja vart dina data skickas, byta ut en komponent utan att bygga om allt och fortsätta köra de användbara delarna när en leverantör ändrar sitt pris, sina villkor eller sitt API.

Det är det som gör toppmötet om AI med öppen källkod ovanligt relevant. Evenemanget i San Francisco, som pågår i två dagar, kretsar inte kring lanseringen av en enskild modell. Programmet rör sig mellan lokal inferens, agentramverk, privat databehandling, verifierbar hårdvara, öppen vetenskap, ekonomi, säkerhet och rätten att beräkna. Med andra ord frågar det vad som krävs för att människor ska kunna bygga, köra och äga en större del av sin AI-stack.

Toppmötet om AI med öppen källkod 2026 äger rum den 10–11 september på The Presidio i San Francisco. Ansökningarna är nu stängda och evenemanget har nått sin kapacitet. Ingen offentlig direktsändning har tillkännagivits på evenemangets webbplats per den 10 september. Den här guiden skiljer bekräftade fakta från antaganden, lyfter fram programpunkterna som är mest användbara för utvecklare av lokal AI och omvandlar toppmötets breda teman till praktiska beslut för ett hemmalabb eller en privat AI-server.

Datum, plats och evenemangsstatus för toppmötet om AI med öppen källkod 2026

Toppmötet pågår i två dagar, torsdag 10 september och fredag 11 september 2026, på The Presidio i San Francisco. Det publicerade programmet börjar med frukost kl. 9.00 båda dagarna. Torsdagen avslutas med en afterwork, medan fredagens schemalagda föredrag slutar kl. 15.40, följt av en frivillig sammankomst.

Detalj	Bekräftad information	Planeringsnotering
Evenemang	Toppmötet om AI med öppen källkod 2026	En tvådagars sammankomst på plats med fokus på öppen, lokal, privat och decentraliserad AI.
Datum	10–11 september 2026	Den 11 september är dag två, inte öppningsdagen.
Plats	The Presidio, San Francisco	Godkända deltagare bör följa instruktionerna för tillträde i bekräftelsemejlet.
Tidszon	Lokal tid i San Francisco	I september använder San Francisco Pacific Daylight Time.
Deltagande	Ansökan krävs; kapaciteten är nådd	Ansökningsgränssnittet anger för närvarande att ansökningarna är stängda.
Biljettpris	150 $ för godkända sökande	Det här var reservationspriset, inte en biljett för drop-in.
Direktsändning	Inte tillkännagivet	Utgå inte från att ett fjärrsamtal vid brasan innebär att hela toppmötet direktsänds.

Scheman och evenemangstillgången kan ändras med kort varsel. Kontrollera det officiella toppmötesprogrammet innan du reser eller förlitar dig på ett visst programpunkt.

Vad är Open Source AI Summit?

Open Source AI Summit är en kurerad sammankomst om AI-system som människor och organisationer lättare kan förstå, driva, ändra och kontrollera. Programmet för 2026 omfattar 12 sammanhängande teman: lokal AI för företag, användningsområden för öppna modeller, inferens och beräkningsresurser, agentramverk, ekonomi och marknader, AI för vetenskap, säkerhet och skyddsräcken, verifierbar hårdvara, privat AI, rätten till beräkningsresurser, öppen kontra sluten AI och den globala AI-kapplöpningen.

Den blandningen spelar roll. En öppen modell blir inte en användbar privat assistent bara för att dess vikter går att ladda ner. Den behöver fortfarande en inferensmotor, lagring, behörigheter, ett gränssnitt, kontexthämtning, verktygsåtkomst, övervakning, uppdateringar och en säkerhetsgräns. Toppmötet behandlar de omgivande lagren som en del av frågan om AI-ägande i stället för att diskutera modellriktmärken isolerat.

Evenemanget arrangeras av Presidio Bitcoin, en hubb i San Francisco med fokus på privat och decentraliserad teknik. Den bakgrunden förklarar varför programmet sträcker sig bortom teknik och även omfattar ekonomi, medborgerliga fri- och rättigheter, policy, hårdvarutillförlitlighet och tillgång till beräkningsresurser. Deltagarna bör förvänta sig ett tydligt perspektiv, inte en neutral mässa som täcker alla delar av AI-marknaden på samma sätt.

Vem talar på Open Source AI Summit 2026?

Evenemangets webbplats listar 47 talare inom modeller och inferens, agenter och verktyg, integritet och säkerhet, öppen vetenskap, policy och rättigheter samt filosofi och ekonomi. Bland de framstående deltagarna finns Bryan Catanzaro, vice vd för tillämpad djupinlärningsforskning på NVIDIA; Jeff Boudier, produktchef på Hugging Face; Travis Oliphant, skaparen av NumPy och SciPy; Ravin Kumar, forskningsingenjör på Google DeepMind; forskare från AI2; och yrkesverksamma från Together AI, Block, Spiral, Google, Prime Intellect, OpenTeams och företag som fokuserar på integritetsinriktad AI.

En lång talarlista innebär inte automatiskt ett användbart program. För utvecklare av lokal AI är ett bättre urvalskriterium vilket systemlager varje session hjälper till att klargöra:

Om du funderar på att ...	Prioritera de här ämnena	Vad du ska lyssna efter
Vilka modeller kan köras lokalt	Lokal AI, inferensmotorer och anpassning av öppna modeller	Minnesanvändning, kvantisering, genomströmning, kontextgränser, hårdvarustöd och operativa avvägningar.
Så bygger du en användbar agent	Agentloopar, ramverk, protokoll och verktyg	Tillstånd, omförsök, verktygsbehörigheter, observerbarhet, modellbyten och återhämtning efter fel.
Så skyddar du känsliga promptar	Privat AI, konfidentiell databehandling och säkerhet	Var klartext finns, vem som kontrollerar nycklarna, vad som går att verifiera och vilka påståenden som kräver förtroende.
Om en modell verkligen är öppen	Öppna vikter, öppen vetenskap, licenser och modellanpassning	Åtkomst till träningsinformation, kod och parametrar, rättigheter att ändra samt villkor för vidare distribution.
Vem kontrollerar AI-infrastrukturen	Rätten att beräkna, ekonomi, geopolitik och verifierbar hårdvara	Tillgänglighet, koncentration, reglering, hårdvaruförtroende och beroende av centraliserade leverantörer.

Open Source AI Summit: programpunkter att hålla koll på den 10 september

Dag ett går från de politiska argumenten för öppen AI till inferensens mekanik, modellanpassning, lokala agenter, öppna protokoll och programvarusäkerhet. Tre sessioner bildar en särskilt användbar teknisk sekvens.

Läget för lokal AI

Ahmad M. Osmans ”State of Local AI” är den mest direkta ingången för läsare som är intresserade av att köra AI på sin egen hårdvara. De användbara frågorna är praktiska: Vilka arbetsbelastningar har gått från demonstrationer till tillförlitlig daglig användning? Var orsakar minnesbandbredd och modellstorlek fortfarande problem? När minskar lokal inferens kostnaderna, och när flyttar den bara kostnaderna till hårdvara, strömförbrukning och underhåll?

Så fungerar inferensmotorer i praktiken

Zain Hasans session om inferensmotorer bör hjälpa till att skilja modellkapacitet från körningsprestanda. Två personer kan ladda ner samma modell och få helt olika resultat eftersom modellformat, kvantisering, batchhantering, kontextlängd, cachehantering, backendstöd och minnesöverföring alla påverkar hastighet och stabilitet. Frågan ”Kan den här maskinen köra modellen?” är därför inte tillräcklig. Den bättre frågan är om den kan hantera den kontext och arbetsbelastning som krävs med en acceptabel svarstid.

Utveckla agentloopar och grafer med lokala modeller

Dustin Dannenhauers session går från en enskild prompt till ett agentsystem. Den här skillnaden är viktig. En lokal modell kan räcka för klassificering, extrahering, dirigering eller ett avgränsat verktygsanrop även om den är svagare än en molnmodell i framkant när det gäller öppet resonemang. Bra agentdesign tilldelar varje modell en uppgift som den kan utföra tillförlitligt och sätter gränser för verktyg, autentiseringsuppgifter, återförsök och tillstånd.

De senare sessionerna ”Agentic Harness Landscape” och ”Securing Open Source Software” tillför två saknade lager: orkestrering och risker i leveranskedjan. Nedladdningsbar kod går att granska, men är inte automatiskt säker. Modeller, containrar, tillägg, agentfärdigheter, Python-paket och communitymallar utökar alla den betrodda datormiljön.

Program för Open Source AI Summit: Vad händer den 11 september?

Fredagen den 11 september är dag två. Programmet följer en tätare utveckling från att bygga med öppna modeller till integritet, företagsmässig suveränitet, vetenskap, geopolitik, verifierbar hårdvara och NVIDIAs syn på öppen AI-infrastruktur.

Tid	Session	Därför är det viktigt
9.30–9.55	Så bygger du din egen AI med öppna modeller	Jeff Boudier från Hugging Face kopplar modelltillgång till komponenterna som behövs för att göra en modell till ett användbart system.
10.05–10.35	Samtal vid brasan om manifestet för databehandling	Ramar in tillgång till beräkningsresurser och användarkontroll som sociala och ekonomiska frågor, inte bara infrastrukturval.
10.45–11.15	Panel om integritet	Användbart för att jämföra lokal körning, betrodda exekveringsmiljöer, krypterade tjänster och vilka påståenden respektive arkitektur kan stödja.
11.30–12.00	Suveränitet genom design	Frågar hur ägandet av infrastruktur, data och programvara påverkar företagsvärde och långsiktigt beroende.
12.10–12.40	AI för vetenskap	Utforskar hur öppen forskningsinfrastruktur kan göra modeller, metoder och resultat lättare att granska och vidareutveckla.
13.45–14.15	AI:s geopolitik	Sätter in chip, modeller, reglering och beräkningskapacitet i den bredare konkurrensen om teknisk kontroll.
14.25–14.55	Verifierbar hårdvara	För in frågan om tillit bortom mjukvaran, till fast programvara, hårdvara, attestering och den fysiska maskinen.
15.05–15.35	Samtal vid brasan med Bryan Catanzaro	Ger NVIDIAs perspektiv på modellforskning, inferens och den hårdvaru- och mjukvarustack som stöder öppen AI.

Dagen avslutas kl. 15.40 efter ett kort avslutningspass. Därefter följer en valfri afterwork och sammankomst på 38 Keyes Avenue. Deltagarna bör fortfarande använda sin evenemangsbekräftelse för slutgiltig information om tillträde, i stället för att betrakta en sammanfattning på nätet som en inträdeshandling.

AI med öppen källkod är inte samma sak som öppna vikter

Uttrycket ”modell med öppen källkod” används ofta ganska löst. En leverantör kan släppa vikterna men undanhålla viktig information om träningsdata, träningskod eller rättigheter som krävs för att ändra och distribuera systemet vidare. Det kan fortfarande vara mycket användbart, men det innebär inte samma grad av öppenhet.

Definitionen av AI med öppen källkod fokuserar på fyra friheter: att använda systemet för vilket ändamål som helst, undersöka hur det fungerar, ändra det och dela det, med eller utan ändringar. Den säger också att den föredragna formen för ändringar måste innehålla tillräckligt detaljerad information om data, relevant kod och modellparametrar.

Term	Vad det vanligtvis säger dig	Vad det inte garanterar
Öppna vikter	Du kan få tillgång till inlärda modellparametrar på angivna villkor.	Full transparens kring träningen, obegränsad användning, reproducerbarhet eller en licens i linje med OSI.
AI med öppen källkod	Systemet är avsett att ge meningsfulla rättigheter att använda, studera, ändra och dela.	Att en viss nedladdning är liten, säker, opartisk, korrekt eller enkel att använda.
Lokal AI	En del av eller all inferens körs på maskinvara som du själv kontrollerar i närheten.	Öppen licensiering, transparent träning, god säkerhetskonfiguration eller inga externa anslutningar.
Privat AI	Arkitekturen är utformad för att begränsa obehörig åtkomst till promptar, filer, utdata eller identitet.	Att allt körs lokalt eller att varje integritetspåstående kan verifieras oberoende.

De här etiketterna beskriver olika dimensioner. En sluten modell kan levereras via en integritetsbevarande tjänst. En modell med öppna vikter kan köras lokalt. Även ett verkligt öppet system kan läcka data via ett felkonfigurerat gränssnitt eller agentverktyg. Köpare och utvecklare bör ställa separata frågor om licensiering, var körningen sker, dataflöde, säkerhet och operativ kontroll.

Varför lokal inferens bara är ett lager av AI-ägande

Det känns som att äga modellen när man laddar ner den, eftersom det mest synliga beroendet försvinner. De mindre synliga beroendena finns kvar. En användbar AI-tjänst behöver datalagring, en körmiljö, ett användargränssnitt, identitet, informationshämtning, loggar, säkerhetskopior, nätverkskontroller och ibland åtkomst till externa verktyg.

För ett hemmalabb är det bra att dela upp stacken i fyra lager:

Datalager: dokument, foton, medier, inbäddningar, databaser, modellfiler och säkerhetskopior.
Beräkningslager: CPU, GPU, minne, inferensmotor, modellformat och accelerationsbibliotek.
Tjänstelager: API:er, lokala AI-webbgränssnitt, hämtningspipelines, agentkörmiljöer och automatisering.
Kontrollager: användarkonton, behörigheter, hemligheter, nätverksexponering, loggar, uppdateringar och återställning.

De här lagren behöver inte finnas i samma låda. En GPU-arbetsstation kan utföra inferens medan en alltid påslagen hemmaserver lagrar dokument, kör webbgränssnittet, styr användarbehörigheter och säkerhetskopierar konfigurationen. Den här uppdelningen är ofta mer rimlig än att tvinga en NAS inriktad på lagring att bli en avancerad AI-arbetsstation.

Om du utformar den arkitekturen från grunden kan du börja med ett lokalt AI-serverbygge och definiera arbetsbelastningen innan du köper hårdvara. En liten modell som betjänar en person har helt andra krav än en multimodal agent som indexerar ett delat mediebibliotek.

Vad bör köras lokalt och vad kan ligga kvar i molnet?

Toppmötets inramning av öppet kontra slutet kräver inte ett svar där allt körs lokalt. En bättre utformning placerar varje uppgift där kraven på integritet, svarstid, kapacitet och underhåll passar bäst.

Arbetsbelastning	Gynnar oftast lokal körning	Gynnar oftast en molnmodell
Privat dokumentsökning	Känsliga källfiler, återkommande frågor, förutsägbart omfång och åtkomst via det lokala nätverket.	Mycket stort kontextfönster eller avancerat resonemang som en lokal modell inte klarar tillförlitligt.
Klassificering och extrahering	Uppgifter med hög volym som är repetitiva och avgränsade och har ett testbart utdataformat.	Sällsynta indata som kräver bredare kunskap eller bättre multimodal förståelse.
Kodningsassistent	Privata kodförråd, arbete offline, kodkomplettering och avgränsade frågor om ett kodförråd.	Komplex felsökning eller arkitekturarbete där bättre resonemang ger större värde än lokal kontroll.
Användning av verktyg av AI-agenter	Lokala filer, hemtjänster eller interna API:er som skyddas av strikta behörigheter.	Öppen forskning eller krävande planering, förutsatt att känslig information har tagits bort eller kontrollerats.
Bild- och medieanalys	Personliga bildbibliotek, säkerhetsfilm, privata inspelningar och indexering i bakgrunden.	Enstaka avancerad generering eller analys som skulle kräva dyra lokala acceleratorer.

Ett hybridsystem kan dirigera rutinmässiga privata uppgifter till en lokal modell och skicka utvalda uppgifter vidare till en molnmodell först efter att användaren godkänt vilka data som skickas. Utmaningen är inte att ansluta två API:er. Det handlar om att göra dirigeringen synlig, förhindra obemärkt dataläckage, bevara användbara loggar utan att lagra hemligheter och hantera avbrott säkert när någon av tjänsterna inte är tillgänglig.

Så passar en hemmaserver in i AI-stackar med öppen källkod

En hemmaserver är som mest värdefull när den ses som permanent infrastruktur snarare än en benchmarkmaskin. Den kan vara tillgänglig även när bärbara datorer är i viloläge, samla lagring av modeller och dokument på ett ställe, vara värd för ett webbgränssnitt som kan användas från flera enheter, köra schemalagd indexering och hålla säkerhetskopior åtskilda från experimentella AI-miljöer.

Ett energisnålt system kan hantera orkestrering, informationshämtning, lättare inferens, databaser och gränssnitt, även när krävande generering körs någon annanstans. Guiden till AI-arbetsbelastningar med låg energiförbrukning förklarar när CPU-baserad drift och enklare hårdvara fortfarande är användbara. När du väljer gränssnitt kan du jämföra lokala webbgränssnitt för AI utifrån autentisering, modellkompatibilitet, stöd för informationshämtning och kontroller för flera användare, inte bara utseende.

Byggare med stora lagringsbehov kan använda ett system som ZimaCube 2 personligt moln-NAS som data- och tjänstelager och sedan ansluta separat GPU-beräkningskapacitet när större modeller kräver det. Den uppdelningen håller värdefulla filer och tjänster som körs dygnet runt stabila, samtidigt som den snabbföränderliga modellmiljön kan uppgraderas, byggas om eller isoleras separat.

Fem frågor att ta med sig från toppmötet

Oavsett om du deltar i San Francisco eller följer projekten och talarna efteråt är de här fem frågorna mer beständiga än något enskilt tillkännagivande:

Vad äger jag egentligen? Kontrollera modellens licens, tillgång till källkoden, data, konfiguration, promptar, embeddingar och exportmöjligheter.
Var finns data i klartext? Spåra promptar, hämtade dokument, verktygsutdata, loggar, temporära filer, säkerhetskopior och telemetri.
Vilken komponent kan jag byta ut? Testa om modellen, inferensmotorn, gränssnittet, vektordatabasen och agentramverket verkligen är utbytbara.
Vad händer när agenten har fel? Begränsa behörigheterna, kräv bekräftelse för åtgärder med betydande konsekvenser, spara återställningspunkter och gör fel synliga.
Vilken arbetsbelastning är värd att köra lokalt? Mät integritetsvärde, användningsfrekvens, svarstid, hårdvarukostnad, strömförbrukning, underhåll och kvalitetsskillnaden jämfört med värdtjänster.

Öppen AI blir meningsfull när de frågorna får konkreta svar. En nedladdad modell är en början. Ett system som du kan förstå, flytta, reparera, säkra och fortsätta att använda innebär ett mycket större ägande.

Vanliga frågor om toppmötet om AI med öppen källkod 2026

När hålls toppmötet om AI med öppen källkod 2026?

Toppmötet om AI med öppen källkod äger rum torsdagen den 10 september och fredagen den 11 september 2026. Frukost serveras från kl. 9.00 båda dagarna. Den 11 september är toppmötets andra dag.

Var hålls toppmötet om AI med öppen källkod?

Evenemanget hålls i Presidio i San Francisco, Kalifornien. Antagna deltagare bör följa plats- och åtkomstinstruktionerna från arrangören.

Kan jag fortfarande få biljetter till toppmötet om AI med öppen källkod?

Ingen allmän biljettförsäljning är för närvarande tillgänglig. Deltagande krävde en ansökan, och enligt evenemangets ansökningsportal är toppmötet fullbokat. Det publicerade reservationspriset för antagna sökande var 150 dollar, och ett begränsat antal kostnadsfria pass hade tidigare erbjudits till utvecklare av AI med öppen källkod och akademiker.

Finns det en direktsändning av Open Source AI Summit?

Arrangören har inte meddelat någon offentlig direktsändning på evenemangets webbplats per den 10 september 2026. En programpunkt är märkt som ett samtal vid brasan på distans, men det beskriver talarens medverkan och ska inte tolkas som en bekräftelse på att hela evenemanget direktsänds.

Vilka är de främsta talarna på Open Source AI Summit?

Det publicerade programmet omfattar Bryan Catanzaro, Jeff Boudier, Travis Oliphant, Ravin Kumar, David Sacks, forskare från Allen Institute for AI och yrkesverksamma från Together AI, Google, Block, Spiral, Prime Intellect, OpenTeams och andra organisationer inom öppen och privat AI.

Vad är skillnaden mellan AI med öppen källkod och AI med öppna vikter?

Öppna vikter innebär att modellens inlärda parametrar är tillgängliga enligt angivna villkor. Öppen källkod för AI är ett bredare påstående som innebär meningsfull frihet att använda, studera, ändra och dela systemet, tillsammans med tillgång till den föredragna form som krävs för att ändra det. En viktutgåva kan vara användbar utan att uppfylla alla delar av den definitionen.

Skyddar lokal AI automatiskt integriteten?

Nej. Lokal inferens kan minska behovet av att skicka frågor och filer till en extern modellleverantör, men integriteten beror också på nätverksexponering, autentisering, loggar, tillägg, agentbehörigheter, telemetri, säkerhetskopior och säkerheten hos alla anslutna verktyg.

Behöver jag en GPU för att köra öppna modeller lokalt?

Inte alltid. Små kvantiserade modeller, inbäddningsmodeller, klassificerare och enklare assistenter kan köras på processorer, även om svarshastigheten och kontextkapaciteten kan vara begränsade. Större modeller, multimodala arbetsbelastningar, långa kontexter och flera samtidiga användare drar i allmänhet nytta av högre minnesbandbredd och GPU-acceleration.

Kan en NAS köra lokal AI?

Ja, inom realistiska gränser. En NAS eller hemmaserver kan köra mindre modeller, söktjänster, databaser, gränssnitt och automatisering. För krävande inferens kan den i stället lagra data och vara värd för tjänstelagret, medan en separat GPU-maskin hanterar modellkörningen.

Varför är verifierbar maskinvara viktig för privat AI?

Programvaruöppenhet kan inte bevisa allt om den underliggande maskinen. Fast programvara, startintegritet, enhetsidentitet, säkra exekveringsmiljöer, attestering och leveranskedjor för maskinvara påverkar om ett systems säkerhetsanspråk går att verifiera. Verifierbar maskinvara utvidgar förtroendefrågan från modellkod till den fysiska infrastrukturen.