推荐系统在过去一直被设计为级联结构，该结构下推荐结果反馈无法有效的传递到每个模块，降低了推荐系统的智能上界。同时多个模块并行发展也导致了模块间的不一致性持续变化，极大影响了推荐系统的整体算力利用效率“MFU”：总消耗算力/Opex 成本能买到的最大算力。

OneRec 以生成式端到端架构突破传统范式，不仅在快手核心场景实现业务增长与成本优化的双重突破（服务成本降至原系统 1/10），更重新定义了推荐系统的“智能边界”与“效率标准”。

本次分享将从范式革新视角，以 OneRec 为例解析生成式技术如何重构推荐系统的底层逻辑，并进一步分享 OneRecV2 在 Scaling Law 以及生成理解统一的推荐模型方面的进展，探索推荐系统在通用智能时代的进化路径，希望能为推荐系统在 AI 原生时代的突破提供可复用的方法论与实践启示。