专题：Keynote 主题演讲

AI 大模型技术发展迅猛，但要实现在企业中真正有效的落地，过程中存在很多坑点和难点。本次演讲将基于阿里云CIO线在文档、翻译、客服、电销、合同审核、BI、员工服务、研发等不同场景的项目落地经验，分享从组织挑战、业务机会识别，到AI产品定义、运营指标设计，再到AI产品工程落地的体系化思考。

其中，面对企业内部AI认知及能力水位参差不齐的问题，深入探讨如何快速实现组织内部转型，打造匹配AI发展的生产关系和文化共识。同时，深入剖析当前业务部门和IT部门在AI项目中普遍存在预期差的主要矛盾，深度分享对于如何协调与业务部门的协作关系、如何动员业务专家参与数据准备和评测、如何对企业AI项目达成一致预期等挑战问题的解决方法。

演讲提纲：

1. 阿里云大模型应用实践落地全景
2. 阿里云AI案例分享
3. 阿里云大模型E2E落地之路：坑点与解决方法
4. 总结与展望

听众受益：

• 了解阿里云企业信息系统大模型落地与应用情况
• 认识企业在AI应用落地中面对的主要矛盾、落地不足的原因及对应的解法
• 理解与掌握大模型业务落地体系，打造生产可用的企业级大模型应用

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。

快速响应、精准根因定位与持续防范故障复发始终是保障银行业务稳定的核心命题。面对生成式人工智能、多智能体应用等创新手段的飞速发展，如何将这些前沿技术无缝融入传统软件开发与生产事故管理流程，成为提升效率和成功率的关键突破口。

我们的团队深入探索并构建了以GenAI驱动的全流程研发助理体系，融合代码质量评估、多智能体根因分析及自动化缺陷修复，依托服务链路知识图谱，实现从问题发现到闭环解决的端到端智能化升级。

此次分享将聚焦该体系的核心技术架构与实战经验，剖析在复杂银行环境下落地过程中的挑战与应对，展望以AI助手为引擎的研发闭环自动化未来，助力银行业务安全稳健与研发生产力跃升。

演讲提纲：

1. 软件开发质量监控的意义
2. 代码质量评估体系构建   
   • 代码质量评估模型设计   
   • 模型应用效果与验证
3. 智能根因分析技术探索   
   • 传统根因分析方法的瓶颈与挑战   
   • 基于服务链路的知识图谱构建   
   • 多智能体（Multi-agent）根因分析框架设计
4. 自动化缺陷修复方案实践   
   • 生成模型的微调策略   
   • 关键上下文信息工程   
   • 自动化缺陷修复助手的实现与应用
5. 总结与未来展望

听众收益：

• 深化对软件开发质量监控的重要性理解
• 了解自动化缺陷修复的实现路径及效果
• 启发研发效能和业务流程的升级思路

生成式模型旨在在不同语境中模拟各种操作的真实效果，从文本生成到视觉特效。尽管在构建真实世界模拟器方面投入了大量精力，但生成式模型在虚拟世界（如金融市场）中的应用仍未得到充分探索。在金融市场中，生成式模型能够模拟具有多种行为特征的参与者所产生的复杂市场效应，从而在不同市场条件下实现交互，并为策略训练、提供无真实金融风险的环境。此类模拟依赖于金融市场中最精细的结构化数据——订单，以打造最为逼真的仿真场景。

微软亚洲研究院提出了大型市场模型（Large Market Model，LMM），这是一种基于订单级别的生成式基础模型，用于金融市场仿真，类似于数字世界中的语言模型。由 LMM 驱动的金融市场仿真引擎（Market Simulation Engine，MarS）满足了对真实、交互和可控订单生成的领域特定需求。其关键发现包括：LMM 在数据规模和模型复杂度上的强大可扩展性，以及 MarS 在受控生成中展现出的具有市场影响力的稳健且可落地的真实感。

研究员们将 MarS 应用于预测工具、异常检测系统、分析平台和智能体训练环境，充分展示了其在多种金融场景中“范式转变”式的潜力。