Keynote 主题演讲

会议室:待定

邀请 AI 领域重磅嘉宾,聚焦大模型发展趋势、分享前沿洞见与实战经验的核心思想交... 展开 >

专题:Keynote 主题演讲

邀请 AI 领域重磅嘉宾,聚焦大模型发展趋势、分享前沿洞见与实战经验的核心思想交流场。

by 韩玫

Clipto
首席科学家

大模型越来越会思考,却依然记不住用户。上下文窗口不断变长,但"能塞进去"不等于"记得住":真正有价值的个人与企业信息大量沉淀在会议、通话、视频等音视频中,体量巨大、高度敏感,既难以上云,也无法直接放进上下文。

本次演讲结合 Clipto 服务全球数千万用户的实践,探讨如何在端侧把多年的音视频转化为结构化、可检索、精确到时间码的长期记忆,并在需要时为 Agent 组装出精准的长上下文:数据不出端,记忆却可以通过 MCP 被各类 Agent 安全调用。我们将分享长期记忆与长上下文的分工、端侧多模态索引的工程取舍,以及记忆层在知识工作与企业场景中的落地。

演讲提纲

  1. 瓶颈正在转移:Agent 不缺推理,缺的是"记得住"
    • 大模型推理能力快速趋同,差异化越来越来自对用户的了解。上下文窗口越来越长,但"能塞进去"不等于"记得住":窗口有成本与延迟上限,信息堆得越多,注意力越分散。Agent 需要的不是更大的窗口,而是一个能持续积累、按需调取的长期记忆层
  2. 长期记忆与长上下文的分工:记忆负责"存与找",上下文负责"用"
    • 长期记忆把多年的会议、通话、视频沉淀为分层结构:原始文件 → 时间码片段 → 语义描述 → 实体与事件 → 摘要笔记。任务到来时,再从中检索并组装出精准、可引用的长上下文交给模型。讲清楚两者如何配合:什么该记、怎么检索、如何压缩、怎样保证回答能回溯到原始片段
  3. 为什么必须在端侧:数据不出端,记忆照样可用
    • 音视频体量大、隐私敏感,上云面临带宽、成本与合规压力。分享端侧多模态索引的工程取舍,包括 ASR、视觉理解与向量化的模型组合,以及功耗、增量索引和跨端一致性
  4. 落地与展望:记忆是用户的资产
    • 结合 Clipto 服务数千万用户的实践,覆盖创作者剪辑、知识工作者会议记忆,以及企业培训、客服录音和金融合规等"数据不出端"的场景。同时可以拓展为“共享”记忆:围绕核心事件、组织和家庭,把分散在多人、多设备上的音视频汇聚成一份共同记忆

听众收益

  • 掌握构建 Agent 长期记忆的核心方法,让 Agent 从“单次对话”走向“持续理解用户”
  • 理解端侧多模态记忆系统的工程实践,解决数据隐私与记忆可用性之间的矛盾

by 吕承飞(吕行)

淘宝(中国)软件有限公司
淘天集团 AI 研发负责人

当前,AI 研发在工具软件等场景中已广泛落地并取得显著收益。然而,面对历经长期演化、拥有海量服务与严苛业务要求的超大规模复杂存量工程系统,企业究竟该如何破局并取得倍数级的研发收益?围绕这一核心命题,本次演讲将系统复盘我们在淘宝的实战经验与核心解法:

  1. 破局“局部生码提速、全局交付不提效”:明确将研发执行主体从“人类专家”移位为“自主 Agent”的 AI 原生研发模式,构建支撑“人 -Agent / Agent-Agent”深度协同的平台底座;针对业务生产现场的落地阻力,探索并验证了兼顾不同组织成熟度与业务复杂度的 「需求端到端 - 半托管(人主导流程)」 与 「需求端到端 - 全托管(Agent 主导流程)」 两种推进范式。
  2. 专职 Agent 矩阵与工业级客观评测:系统解答企业级研发 Agent 的拆解依据与职责边界,给出 “1 TL 编排中枢 + 若干专职 Agent 矩阵” 协同方案;此外,构建了一套贯穿阶段过程产物与代码事实的 Agent 工业级评测体系,实现复杂交付效果的客观度量与精准归因。
  3. 企业私域知识自动化抽取与双模应用:针对私域隐性规则难以显性化的难题,构建了一套算法主导的研发知识自动化抽取与动态评价方案;进一步围绕 Agent 如何精准使用知识,对比验证了 “上下文动态注入通用 SOTA 模型” 与 “私域知识内化训练淘宝领域专家模型” 两种技术路线的差异效果。

演讲提纲

  1. 代码生成更快了,需求交付却没有明显变快
  2. 从“人使用AI”到“Agent执行、人类把关”
  3. 一个 TL Agent,如何带领多个专 职Agent 完成复杂需求
  4. 如何让 Agent 真正“懂淘宝技术”
  5. 如何证明 Agent 真的完成了工作,而不只是“看起来完成了”

听众收益

  • 掌握复杂存量工程中 AI 研发的落地思路,结合团队成熟度与业务风险,选择半托管或全托管模式,明确人和 Agent 的分工
  • 借鉴多 Agent 协作、私域知识应用与工业级评测方法,提升端到端交付能力,并用实际产物和代码事实判断效果、定位问题

演讲亮点

  • 超大规模复杂工程的一手实践
    • 聚焦海量服务、复杂依赖和严格质量要求下的真实研发场景,讨论 AI 如何从局部代码生成走向端到端需求交付
  • 从辅助工具到研发执行主体
    • 分享 Agent 执行、人类决策与验收的 AI 原生研发模式,以及适配不同团队和业务风险的半托管、全托管两种落地路径
  • 可复用的多 Agent 协作与知识体系
    • 介绍“1 个 TL Agent +多个专职 Agent”的分工协作架构,以及让 Agent 理解和使用企业私域知识的关键方法
  • 面向真实交付的工业级评测
    • 不以代码生成量衡量效果,而是结合过程产物、代码事实和交付结果,客观评估 Agent 能力并定位问题来源

by 李宁

清华大学
教授

生成式人工智能正在显著提升个体效率,但个体提效并不会自动转化为组织增长。制约企业释放AI价值的,往往不是模型能力,而是原有的知识体系、业务流程、角色分工与治理机制。

本次演讲将从组织运行的底层逻辑出发,分析当AI逐渐成为新的行动主体后,组织形态、协作网络和决策方式将发生怎样的变化,并总结AI原生组织的主要特征。演讲还将探讨AI时代人的重新定位,以及组织在知识编码、人机分工、权责边界、结果验证与文化转型等方面面临的挑战。

同时,将结合研究与企业实践,介绍组织如何通过重塑流程、调整角色、建设协作平台和完善治理机制,从局部工具应用走向系统性的AI原生组织转型。

演讲提纲

  1. AI 如何改变组织形态
  2. AI 原生组织有哪些特点
  3. AI 时代人的重新定位
  4. 组织在转型中面对的挑战
  5. 组织如何从底层逻辑上系统地构建AI原生组织

by 李岩

华映资本
董事总经理

随着基础模型和 AI 平台快速迭代,单点技术优势的生命周期正在缩短。AI 产业的竞争也正在从单一模型能力竞争,走向包括计算、存储、互连、软件、数据和应用在内的系统能力竞争。对于技术团队而言,真正重要的问题不再只是掌握哪一种最新技术,而是如何建设能够跨越模型和平台迭代、持续积累价值的技术与产品能力。本次分享希望结合今年在 AI 产业链中的投资观察、项目研究和技术尽调,从产业、技术、商业三个层面展开讨论。希望整场演讲不是简单罗列 AI 技术趋势,而是通过真实项目中的判断与修正,给技术骨干和技术管理者提供一套能够迁移到自身项目中的技术路线、产品选择和商业化判断方法。

演讲提纲

  1. 今年 AI 产业的三个新判断
    • AI 的瓶颈正在从单纯的算力竞争,向数据搬运、互连、存储和推理调度等系统性瓶颈扩散
    • Token 成本持续下降,但 AI 应用的竞争正在转向可靠性、可控性、交付能力和实际经济价值
    • AI 正从数字世界走向物理世界,具身智能、工业机器人和 AI for Science 带来新的产业机会,但数据与工程范式仍在形成过程中
  2. 模型会换,什么能力值得长期积累?
    • 讨论模型和平台快速迭代背景下,哪些技术投入容易贬值,哪些能力能够长期沉淀
    • 重点包括模型评测、数据与反馈闭环、模型路由和调度、推理成本优化、工程可靠性,以及企业工作流和行业 Know-how
    • 提出一个简单的判断方法:如果底层模型明天被替换,团队的技术壁垒和产品价值还剩下多少?
  3. 结合三个产业案例,讨论技术领先与商业成功之间的距离
    • 软件层:模型调度与中间层。在基础模型平台能力持续增强的背景下,独立中间层还有多少生存空间?
    • 芯片层:存算一体与下一代推理芯片。理论性能和能效优势,为什么不一定能够转化成实际系统收益?
    • 系统层:光互联与光计算。在技术路线尚未完全确定的情况下,应该押注单一技术路线,还是押注产业链中不同路线都需要的使能环节?
    • 每个案例将围绕最初的投资判断、关键技术取舍、客户导入与商业化验证,以及实践中对原有判断的修正展开
  4. 从技术可用到客户持续买单,真正的门槛是什么?
    • 重点讨论三个商业化门槛:ROI 是否可量化、产品能否嵌入现有工作流、AI 出错时责任是否能够界定
    • 以及三个关键取舍:通用与垂直、做深单一客户与规模化复制、自研核心能力与借助成熟平台
  5. 投资人眼中什么样的技术团队更有机会胜出?
    • 从技术判断力、工程交付力、产品能力和商业化能力四个维度,分享投资过程中关注的可验证信号。特别讨论科研团队如何从论文和实验室指标走向工程化、产品化和客户指标
    • 最后给技术管理者留下三个自检问题:换模型后壁垒还在吗?客户为什么持续续费?未来六个月团队最重要的瓶颈究竟在哪里?

听众收益

  • 理解 AI 产业的新变化,识别值得长期积累的技术能力
  • 借鉴真实产业案例,掌握技术路线与产品方向的判断方法
  • 明确 AI 商业化的关键门槛,学会从客户价值和投入产出评估项目

交通指南

北京新云南皇冠假日酒店

Crowne Plaza Beijing Sun Palace
地址:北京市
  • 微信咨询

  • 电话咨询

    联系电话:13269078023

领取往期热门演讲视频

领取往期热门演讲视频二维码
如您在购票过程中遇到问题,请扫码咨询票务小助手