专题：主题演讲

视觉感知是机器和物理世界交互的基础，也是AI走向通用必须具备的能力。本次分享将以视觉感知中的物体检测问题为核心，分析语言原生和视觉原生模型架构的特点和区别，并介绍基于Transformer的物体检测算法的核心思路，包括DETR到DINO的演化和改进，及面向通用感知的开集检测技术的进展，如Grounding DINO和DINO-X，探讨其在物体关键点定位、属性理解以及3D感知方面的扩展和延伸，为构建空间智能提供强大的技术基础，并通过实例分析和实验结果，展示这些技术在实际应用中的效果和潜力。
 
演讲提纲

1. 视觉感知和物体理解的重要性
2. 语言原生和视觉原生模型架构的区别
3. 从闭集检测到开集检测的研究
4. 从检测到通用感知的研究
5. 从通用感知到空间智能的延伸
6. 总结与展望

听众收益

• 了解现有的多模态大模型在物体理解方面的局限和可能的原因
• 了解构建空间智能需要的物体理解能力和相关技术
• 了解物体检测和通用感知方向的前沿研究进展

AI’s center of gravity has shifted: Google reports 480 trillion tokens served in April 2025—50X more than a year ago. Training runs still grab headlines, but the real scale is now in inference, and the next wave is autonomous agents chaining thousands of calls per task.

Mark Collier, COO of the OpenInfra Foundation, maps this new landscape and shows how three open-source pillars unite to meet it:
    *Training: PyTorch driving frontier model research
    *Inference: ONNX Runtime, the brand-new LLM-d distributed engine, and KServe, reducing latency at scale
    *Agents: emerging protocols such as MCP and A2A orchestrating complex workflows

Running on Linux, Kubernetes, and OpenStack, this “AI-native” stack stretches from edge devices to hyperscale clusters, enabling hardware vendors, cloud providers, and service integrators to shape the infrastructure that will power the Intelligence Age.

精彩内容 敬请期待

大模型能力突飞猛进解锁了更多应用创新机会，随之而来的 AI 推理需求大爆发也让 AI-Native Cloud 的构建空前重要。AI-Native Cloud 有助于开发者降低 AI 应用开发门槛及成本，加速 AI 技术实现普惠。特别是，可支持国内开发者更好使用多元化算力及提升算力利用效率，解决国内特有的算力焦虑。

作为 AI 基础设施企业领先者，硅基流动通过模型、软件、硬件协同创新优化，跨数量级降低大规模调用大模型的成本，加速推动 AI 应用繁荣及产业数智化升级。本次演讲将基于硅基流动在推理引擎、FaaS、MaaS、工作流等方面的探索，展望 AI-Native Cloud的未来。

AI编程工具正经历从Copilot到Agent的范式跃迁。通过代码补全和建议提升开发效率，但其本质是静态的“提示-响应”模式，依赖开发者主导流程，局限于局部代码生成。而新一代智能体模式，通过自主推理、工具调用和自动感知能力，实现了从“辅助执行”到“主动思考”的跨越，这种范式革新重构了人机协作模式，推动软件开发进入“自然语言需求驱动”的新阶段。