专题演讲嘉宾：

研讨话题：

1. 国内主流大模型 API 的调用成本已经卷到很低，还会有多少下降空间，空间来自于哪里？

2. 国产算力的真实性价比和可用性如何，现在值得跟进吗？

3. 手机端侧推理，目前整体都在Demo阶段，模型稍微大点，上下文稍微长点就不可用。端侧推理未来能否成熟？预测何时能成熟？

4. 投入大模型行业的工程师，做集成应用、模型训练、推理架构等等，哪个方向未来前景更大，工程师应该如何选择职业发展规划？

5. 预测三年后，技术、应用与行业发生的变化

研讨话题：

1. 大模型时代，如何平衡数据的广泛性与精细化处理？具体实践中有哪些有效的解决方案？

2. 如何应对实时性要求高的数据处理与推理场景，确保数据的时效性和精度？

3. 大模型时代，需要什么样的ETL工具？

4. 大模型如何助力传统数据 ETL Pipeline？

5. 将大模型应用在数据治理领域，如何最小化AI幻觉问题产生的影响？如何评估 ROI 和风险？

研讨话题：

1. 如何识别和选择一个既具有可实现性又能发挥 AI Agent 优势的应用场景？
2. 真正智能的 AI Agent 可能会如何实现？
3. 如何在资源有限的情况下突破普通 AI Agent 的能力瓶颈，实现更高的应用价值？
4. AI Agent 平台如何简化开发流程，使更多人能轻松将其应用到具体业务中？
5. 未来 AI Agent 将如何实现与人类的无缝交互？理想形态是什么样的？
6. 如何培养和吸引具备场景理解、文字处理与大模型交互能力的复合型人才？

研讨话题：

1. 在行业应用中，哪些场景更适合大模型的落地？
2. 在现有企业的技术和业务环境中，很多应用和平台是在 AI 大模型爆发之前已经建立并运行的（即存量应用）。面对AI大模型的快速发展，如何将其有效嵌入到这些传统或存量应用中？
3. 在行业应用中，如何进行基座大模型的技术选型，以确保最佳的落地效果？
4. 如何构建高质量的大模型行业数据集？
5. 面向 AI Native的创新产品，应该凝练什么样的能力？

研讨问题：

1. 如何看待当前算力瓶颈对大模型训练的限制？是否有新的技术或架构可以突破这一瓶颈？
2. 随着大模型的规模不断扩大，数据和计算资源之间的平衡如何保持？未来的 Scaling Law 是否需要考虑更多的资源优化策略？
3. 现有的 AI 芯片架构（如 NVIDIA 的 GPU 和 Google 的 TPU）在应对推理和训练需求时，是否会面临效率和性能的瓶颈？
4. AI 芯片的硬件与软件结合（如 CUDA、TensorRT）的优化是否会影响竞争格局？新的计算框架和工具是否有可能成为行业标准？

研讨话题：

1. 大模型和互联网传统应用（如搜广推等）的结合，到底是“新瓶装旧酒”还是“范式的革新”？
2. 大模型在大型企业落地有哪些挑战？应该如何应对？
3. 如何看待可穿戴设备与大模型的结合？应用架构上会产生哪些变化
4. 大模型时代到来，哪些传统任务和算法值得升级和用大模型技术重新改变？

研讨话题：

1. 创业公司面临一个两难：如果紧跟最新技术可能导致产品不断推翻重来，资源消耗大；如果不跟进又可能被新技术淘汰。那么创业公司应该如何在“及时跟进”和“稳定发展”之间找到平衡点？
2. 现在大家都在讨论AI应用的变现难题。一些公司在 AI 早期就过于执着于直接变现，反而可能错过了建立用户心智和培养使用习惯的关键期。那么在AI应用的商业化路径上，我们是否应该重新思考“先培养用户习惯”还是“先追求收入”这个问题？
3. 既有 C 端用户又有 B 端客户的产品，两者怎么协同发现做增长？
4. 在资本趋紧、商业变现压力加大的当下，AI创业公司如何能够既满足短期商业化诉求，又能够避免陷入'简单变现'的陷阱？什么样的商业模式验证才是真正有价值的？

研讨话题：

1. 在RAG场景中，数据引擎的检索能力还有哪些潜在的改进空间？
2. 未来，检索技术与大型语言模型（LLM）的结合将如何进一步发展？
3. 除了RAG，还有哪些方法可以减少大型语言模型的幻觉问题并提高回答的准确性？
4. 多模态技术的发展将如何为RAG带来新的机遇？
5. 目前检索和生成模块相对独立，如何更有效地整合检索器和LLM？
6. RAG对于O1类推理模型的意义何在？
7. 在Transformer时代之后，RAG将如何演进？
8. 最近市面上出现了很多开源类的RAG类产品，如何看待这类产品的竞争力，以及他们未来的商业模式？
9. 未来RAG，是否有希望发展成类似像数据库一样的独立基础设施？