AI Agent 开始自己写代码、跑实验,Harness Engineering 成为新热点,RSI(递归自我改进)也逐渐成为前沿研究的新方向……2026 年,AI 正在发生一些微妙却重要的变化:人类不再满足于让 AI 回答问题、完成指令,而是开始探索让它自主执行复杂任务、积累经验,甚至参与下一代 AI 的研发。与此同时,世界模型、具身智能、AI Infra 等方向也在加速演进,AI 的竞争边界正在不断拓宽。
当 AI 开始尝试自己进化,软件研发和底层技术体系又将迎来怎样的变化?
11 月 20 日,由 CSDN 与奇点智能研究院联合主办的「2026 奇点智能技术大会」与「2026 C++ 及系统软件技术大会」在北京万达文华酒店同期举行。
OpenAI 资深研究科学家、Transformer 联合发明人 Łukasz Kaiser,奇点智能研究院院长、CSDN 高级副总裁李建忠,南京大学人工智能学院副院长、教授俞扬,昆仑万维集团首席科学家、南洋理工大学讲席副教授成宇,以及来自腾讯、阿里巴巴、字节跳动、百度、京东、小红书、月之暗面、奇点智能研究院等企业的技术专家与学术研究者齐聚现场。
会场内座无虚席,技术分享一场接着一场。台上,来自顶尖研究机构和头部科技企业的技术专家密集输出前沿成果。台下,开发者们认真聆听、记录要点,茶歇和演讲间隙也不乏围绕技术细节展开的交流。前沿研究与产业实践在这里碰撞,现场俨然成了一场开发者的技术盛会。
这一次,开发者们关心的已经不只是 AI 能做什么,更是如何让它真正承担复杂任务、持续积累能力,并在真实业务与工程环境中稳定运行。AI 的下一轮竞争,正在考验模型之外的整个技术体系。
Transformer 之后,下一代 AI 模型将走向何方?
在 AI 模型能力不断突破的今天,一个问题却始终没有得到彻底解决:为什么模型能够从海量数据中学到很多知识,却很难像人类一样,将已经掌握的能力迁移到陌生环境中?
OpenAI 资深研究科学家、Transformer 联合发明人 Łukasz Kaiser在《泛化性与下一代模型之路》主题演讲中,将这一问题指向了 AI 领域一个长期存在的难题——泛化能力。
他指出,面对训练数据丰富的英语、中文,大模型往往表现出色,但在低资源语言上,能力就会明显下降。在科学领域,模型能够在拥有大量论文积累的方向取得成果,却不一定能解决那些缺乏现成文献支撑的细分问题。在 Łukasz Kaiser 看来,真正值得关注的,不是模型从多少数据中学到了知识,而是它能否跳出熟悉的数据分布,在缺乏大量样本的情况下依然学会解决新问题。
为了说明这一点,他回顾了 AI 模型架构的发展历程。
早期的循环神经网络(RNN)依靠固定大小的状态向量保存此前的信息,但处理过程必须逐词进行,既难以并行,也限制了模型能够保留的信息。Transformer 则通过注意力机制,让模型能够直接访问此前所有词的信息。它不仅大幅提升了训练阶段的并行能力,也展现出更强的小样本学习能力。
Łukasz Kaiser 提到,早期 Transformer 论文中的一项句法分析实验显示,在只有 4 万个句子的训练语料库中,普通 RNN 得分低于 70,引入注意力机制后达到 80,而 Transformer 则取得了 92 分。这说明,更强大的模型架构不一定需要更多数据,反而可能帮助模型从有限样本中找到更好的规律。
此后,推理模型又进一步拓展了 AI 的能力边界。与传统模型直接生成答案不同,推理模型可以先生成一系列思考 Token,拆解问题、尝试不同方案,再给出最终结果。同时,它们还能在思考过程中调用搜索引擎、编程环境等外部工具,不必将所有知识都记在模型参数中。
这种能力带来了明显的性能提升。以 AIME 数学竞赛为例,Kaiser 指出,当模型获得更多时间进行深度思考后,答题正确率可以从约 20%—25% 提升至 80%。如今,智能体能够持续调用工具、执行复杂任务,也与推理能力的进步密切相关。
不过,在他看来,现有模型距离真正的泛化能力仍有差距。
首先,Transformer 虽然在训练时高度并行,但生成 Token 依然需要逐个进行,思考时间越长,等待成本也越高。其次,模型在推理过程中可以记录信息、保存文件,却无法直接更新自身的训练权重,因此很难在长期任务中真正积累针对某个用户或企业的专属经验。
更重要的是,当前推理模型的训练高度依赖数学、编程等结果相对容易验证的任务。面对缺少明确答案、难以验证结果的领域,模型如何学习推理依然是一个难题。
那么,下一代模型应该是什么样子?
Łukasz Kaiser 认为,未来模型需要同时具备更强的泛化能力、并行能力和持续学习能力。
他特别强调了专业化训练的重要性。目前,大模型通过预训练吸收互联网中的海量知识,再通过后训练和强化学习,在数学、编程等特定领域进一步提升。但即便是数学,也存在大量专业细分方向。人类社会有骨科医生、耳鼻喉科医生等不同专业分工,AI 却仍然倾向于在一个宽泛的领域内接受训练。
因此,下一代模型需要能够将计算资源更加精准地投入特定领域,甚至某个非常具体的问题中,让模型围绕特定任务持续学习,而不只是依靠通用智能体反复尝试。这也意味着,下一代模型可能不再是对 Transformer 的简单修补。
Łukasz Kaiser 表示,过去几年,Transformer、预训练和推理技术已经积累了大量优化成果。如果只是调整注意力机制、增加循环结构或修改损失函数,最终得到的可能仍然只是一个改良版 Transformer。真正的突破,需要从底层架构出发,对模型进行更加彻底的重新设计,并同步改变多个关键环节。尽管这项工作并不简单,但他对此保持乐观。借助智能体辅助研发,下一代模型有望在未来一两年内出现,而不必再等待十年。
炉边对谈:《跨越奇点:下一代模型与 ASI》
在炉边对话环节,奇点智能研究院院长、CSDN 高级副总裁李建忠与OpenAI 资深研究科学家、Transformer 联合发明人 Łukasz Kaiser围绕 RSI(递归式自我改进)、下一代模型架构、智能体发展及 AI 应用前景等话题展开了深入交流。
谈及过去一年智能体能力的显著提升,Łukasz Kaiser 认为,这既得益于模型本身变得更加聪明,也离不开系统工程的进步。随着智能体被广泛使用,越来越多关于模型如何执行任务的数据得以积累,并进一步反馈到强化学习中,推动模型针对更长时间、更复杂的任务进行训练。
随后,李建忠将话题引向 RSI(递归式自我改进)这一前沿方向。他指出,递归自我改进(RSI)正在成为前沿 AI 实验室日常工作的一部分,并进一步追问:距离实现整个 AI 研发过程的自动化还有多远?其中最大的挑战是什么?
对此,Łukasz Kaiser 表示,目前 AI 已经能够承担大量具体的研发工作。例如,过去研究人员修改模型、启动训练并监控运行状态,可能需要花费一两天时间,如今智能体只需约 30 秒便能启动相关任务,还能够自主监控 GPU 状态,并在 GPU 出现故障时寻找替代方案。
不过,这并不意味着 AI 已经能够完全独立完成研究。Łukasz Kaiser 指出,当研究目标比较明确时,模型通常能够很好地执行;但如果要求它改进损失函数、提升基准测试表现,就可能通过一些不符合研究者真实意图的方式获得更高分数。换句话说,模型擅长完成被明确交代的任务,却未必真正理解研究者希望实现的整体目标。
至于 AI 何时能够从辅助工具成长为研究领域的主力研究员,Łukasz Kaiser 分享了 OpenAI 近期发布的一份内部使用报告:过去一年,AI 虽然已经参与了大量研发工作,帮助研究人员讨论想法、完善方案和运行测试,但真正重要的模型突破性想法中,没有一个是由 AI 自主提出的。他认为,从零到一可能还需要一些时间,但这一领域也可能在某个阶段迎来快速跃迁。
在谈及未来模型生态时,李建忠将话题延伸至专业化、分布式模型的发展趋势。Łukasz Kaiser 认为,未来可能出现更多高度个性化的模型。例如,企业可以在现有基础模型上融入公司的文档、邮件等私有数据,让模型真正从中学习,而不是每次交互时都重新读取全部上下文。他甚至设想,未来每个人或每家公司都可能拥有自己的模型。与此同时,医院、律师事务所等不同机构也可以拥有各自的专业模型,并在不同领域形成协作。
Łukasz Kaiser 和李建忠也讨论了 Jev 决策模型等技术路线, 重点谈到了速度的重要性。他认为,用户不会一直容忍模型漫长的等待,未来会更加期待 AI 能够快速完成工作。当前模型的耗时,很大程度上来自生成大量思考 Token,而非最终答案本身。如果能够将用户的文档、代码库等知识提前融入模型权重,就可以减少重复处理上下文的开销。他还指出,现有推理过程并没有必须完全按照当前方式顺序执行的根本理由,未来有望通过新的架构设计进一步提升推理速度。
除了上述话题,两位技术专家还进一步探讨了 AI 编程之后,下一个高价值应用领域可能出现在哪里,以及面对没有唯一正确答案的开放式任务,强化学习还能发挥多大作用。展望未来一到三年,Łukasz Kaiser 也分享了自己对模型泛化能力、Transformer 架构演进以及个人智能体发展的判断。
这些问题背后,还有哪些值得关注的技术趋势与思考?完整炉边对话即将上线,更多精彩观点,敬请期待!
大模型强化学习的“蜕变”
在南京大学人工智能学院副院长、教授俞扬看来,强化学习正在改变大模型,大模型也正在引起强化学习技术的变化。
俞扬首先快速介绍了强化学习的基本原理:与监督学习依赖标注数据不同,强化学习的核心是 Agent 与环境不断交互试错,通过环境反馈的奖励调整自己的行为,最终学会完成任务。
以往强化学习与自然语言处理是并行发展的两个研究领域。2022 年 ChatGPT 发布后,基于人类反馈的强化学习(RLHF)成为大模型对齐的重要方法,强化学习在语言模型中的作用开始凸显。但传统强化学习方法并不便宜,以近端策略优化(PPO)为例,其流程复杂,涉及多个模型,计算和显存开销都不小。
2023 年,直接偏好优化(DPO)提出了一种替代思路:不必使用复杂的强化学习流程,也可以通过监督学习直接优化模型,使其输出更符合人类偏好的回答。可俞扬团队研究后发现,DPO 与 RLHF 并不等价:两者适用的数据分布、奖励函数的表征方式都存在差异,强化学习仍有其不可替代的价值。
既然强化学习仍有必要,接下来就要解决效率问题:俞扬团队提出的 ReMax,就是这一方向上的探索——传统 PPO 等通用强化学习方法比较复杂,计算和内存开销较大,而 ReMax 尝试针对大语言模型的训练特点简化算法。在这之后,产生了包括GRPO等一系列针对语言模型的强化学习算法,极大促进了语言模型的价值对齐和推理增强。
在介绍完强化学习是否必要、如何降低训练成本之后,俞扬沿着这两个问题进行进一步探索。
RLHF实际上模仿学习(Imitation Learning),也就是让模型从专家示范中学习如何完成任务。传统监督学习式模仿虽然简单高效,却容易产生累积误差;强化学习式模仿能改善长程任务表现,但技术门槛和成本也更高。能否把监督学习的高效和强化学习的能力结合起来?针对这一矛盾,俞扬团队提出了 Value Flow 机制,并在 ICML 2026 发表相关研究。其核心思路是在专家数据和模型自采样数据上学习 Q 函数,评估不同状态和行动的价值。在此基础上,其团队进一步提出 VfDPO,把 Value Flow 与 DPO 结合,证明了VfDPO可以得到与RLHF相对应的解,尝试在监督学习框架下实现强化学习式模仿的能力。
关于另一个问题,当 AI 开始调用工具时,面对的环境与简单的文本生成面对的环境已经不一样了,值函数的重要性也随之提升。因此针对智能体场景,俞扬团队提出了 ReVal,这是一种异策略值函数强化学习方法。它把语言模型的 logits 函数建模为 Q 函数,通过经验回放缓冲区和时序差分损失进行学习:实验结果表明,相比于 GRPO,ReVal 达到相同性能所需的训练步数显著降低,实现了 3-5 倍的加速。
当然,强化学习除了需要策略和算法,还离不开一个关键要素:奖励函数。传统 RLHF 中的奖励模型通常依赖人类标注数据,俞扬团队则进一步探索:能否找到一种更通用的奖励模型,减少对人工标注的依赖?
此前,其团队探索过让大语言模型评价自身,发现模型的评价能力有时甚至高于生成能力。不过,这种自我改进并不能无限进行,通常迭代几轮后,提升就会变得有限。后来,他们从逆强化学习(Inverse Reinforcement Learning,IRL)的角度重新理解了这一现象:在其研究框架中,经过预训练和 SFT 的语言模型,可以通过提取相邻步骤的 logits 差值构造奖励模型。实验显示,这种方式不需要额外训练奖励模型,其效果已经能与使用专门收集的数据训练的奖励模型相当,甚至在部分任务上更好。
演讲最后,他还谈到了强化学习未来的潜力。目前语言模型后训练中的强化学习,无论是候选 Token 范围还是探索时间,都相对有限,远没有达到传统强化学习任务中的训练规模。在他看来,强化学习在语言模型上的应用仍处于早期阶段。未来如果能进一步扩大训练规模、延长探索时间,或许还能释放出更多尚未被充分挖掘的能力。
昆仑万维生成式 AI 的最新进展
本次大会上,昆仑万维集团首席科学家、南洋理工大学讲席副教授成宇发表《昆仑万维生成式 AI:Matrix-Game 4.0 世界模型、Mureka v9.5 音乐模型与 Riemann-1.0 机器人模型》主题演讲,带来了昆仑万维在生成式 AI 领域的最新进展。
成宇着重介绍了 Matrix-Game 4.0 世界模型。他指出,当世界模型真正进入游戏场景,传统视频生成路线的局限也逐渐显现。游戏不仅要求画面流畅,更需要准确、实时的操作反馈。例如,玩家移动、转向、射击时,系统必须及时响应,生命值、弹药量等游戏状态也需要精确更新。而单纯依赖视频生成和视觉记忆的模型,缺乏独立执行游戏规则、维护实时状态的能力,长时间运行容易出现误差累积。
为此,Matrix-Game 4.0 对原有架构进行了重新设计,引入 AI Coding 技术,将游戏逻辑与视觉生成拆分开来,形成了“游戏引擎维护状态,视频模型负责画面生成”的新架构。具体来看,系统主要包含两个部分:一是多模态 Coding Agent,负责理解自然语言指令、编写游戏代码,并结合轻量级游戏引擎维护游戏规则和实时状态;二是视频生成模型,作为实时渲染器,根据前者提供的场景结构、物体运动和相机信息,进一步生成具有材质、光照等细节的高保真画面。
这意味着,Matrix-Game 4.0 不再让视频模型独自承担整个游戏世界的生成任务,而是由代码和引擎保证游戏逻辑的准确性,再通过视频模型提升视觉表现。
成宇表示,这种设计也让游戏创作和迭代更加灵活。例如,用户可以让 Coding Agent 修改底层代码,将原有玩法从计时赛切换为追逐赛;也可以在不改动游戏逻辑的情况下,更换后端渲染模型,实现不同画风的切换。
在实时性能方面,由于现有视频生成模型普遍存在推理成本高、延迟较大的问题,昆仑万维选择自研渲染模块。团队从虚幻引擎采集低多边形结构数据(BBox)与高保真外观数据(RGB),结合视频到视频监督微调、因果训练、一致性蒸馏等方法,对模型进行训练和压缩。
据成宇介绍,Matrix-Game 4.0 已能够在消费级显卡 RTX 5090 上,以 480p 分辨率实现 60 FPS 的实时渲染,按键到画面显示的延迟约为 112 毫秒。
除了提升游戏的可玩性,Matrix-Game 4.0 也希望降低游戏创作门槛。借助 Coding Agent,玩家可以通过自然语言修改游戏物件、NPC 交互方式和游戏目标,从单纯的游戏体验者转变为内容创作者。目前,该项目的技术报告、代码和模型已全面开源(Matrix-Game/Matrix-Game-4 at main · SkyworkAI/Matrix-Game · GitHub)。成宇还透露,昆仑万维已与海外初创公司 Reactor 达成商业化合作,将 Matrix-Game 4.0 上架至其体验平台,面向全球玩家开放试玩,下一代 Matrix-Game 4.5 也正在规划中。
除了世界模型,成宇还介绍了昆仑万维在音乐生成和具身智能领域的最新进展。其中,Mureka 推出了 v9.5 和 o3 两个版本,并进一步升级为多模态创作 Agent,整合歌词生成、歌曲制作、MV 生成和角色匹配等能力,打通从创意构思到音乐及视觉内容生成的完整流程;Riemann-1.0 则聚焦具身智能领域的物理规律与动作控制,能够在统一架构中同步生成动作序列和未来视觉信息。据成宇介绍,Riemann-1.0 在复杂柔性物体操作等任务中表现突出,并在 Ego Humanoid Manipulation Benchmark 等测试中取得领先成绩。
走进真实生产环境,解锁 AI 技术落地新方向
下午,大会的讨论将进一步从技术探索走向工程实践,聚焦 AI Agent 的自我进化与企业级应用,以及算力、基础设施和软件工程体系如何适应 AI 时代的新需求。
围绕这些前沿方向,大会设置了从 Agentic Scaling 到自进化、从具身智能到物理 AI、AI Infra 基础设施与 AgenticOps、AI 原生软件研发、系统级软件,以及多模态与世界模型演进等多个专场,进一步探讨 AI 技术从模型能力突破走向真实场景落地的更多可能。
大模型技术:从 Agentic Scaling 到自进化
如果说过去的大模型竞争,核心是比拼参数规模、训练数据和推理能力,那么随着 Agent 逐渐走向复杂任务与真实业务场景,AI 领域正在迎来一场更深层次的变化:AI 不仅要学会完成任务,还要学会优化自己,甚至参与下一代 AI 的研发与构建。
围绕“大模型技术:从 Agentic Scaling 到自进化”这一主题,本论坛汇聚了来自衔远科技(Frontis)、腾讯 WorkBuddy、面壁智能、上海人工智能实验室、记忆张量 MemTensor 和月之暗面的一线技术专家与研究者。他们分别从元智能体模型、模型数据飞轮、AI Infra 自主生成、长程科学推理、记忆原生基座模型等多个方向,分享大模型从能力提升到自主进化的前沿探索与产业实践,带领开发者深入理解 AI 自我进化背后的技术路径。
Frontis-MA 元智能体模型:AI4AI 技术与产业实践
张开颜 衔远科技(Frontis)CTO
LLM Agent 的模型数据飞轮 —— WorkBuddy 持续学习经验分享
董汉德 腾讯 WorkBuddy 模型研发负责人
AI 制造 AI:从五级演进框架到 AI Infra 的自主生成
李宇轩 面壁智能智能进化首席科学家
小参数,大能力:Sage-A1.5 通专融合智能体的长程科学推理突破
张铂 上海人工智能实验室智能体系统中心负责人、青年科学家
记忆原生基座模型:迈向 RSI 的必经之路
李志宇 记忆张量 MemTensor 联合创始人兼 CTO
螺旋演进:大模型与 Harness 如何协同进化
唐飞虎 月之暗面高级研发工程师、开发者关系负责人
在精彩的主题演讲之后,本场论坛还设置了圆桌对话环节:“AI 造 AI 到哪一步了:RSI 的现实进度与速度限制”,由 CSDN 资深技术编辑王启隆主持。围绕这一主题,面壁智能智能进化首席科学家李宇轩、腾讯 WorkBuddy 模型研发负责人董汉德、记忆张量联合创始人兼 CTO 李志宇、LlamaFactory 作者兼 PrismShadow CTO 郑耀威以及月之暗面高级研发工程师唐飞虎共聚一堂,围绕 RSI 的现实进度、技术边界与工程挑战展开深入讨论,从模型能力、持续学习、记忆机制到智能体工程体系,共同探讨 AI 自主进化的可能性与限制。
AI 原生软件研发:从 Harness 到 Loop
当个人开发者用 Harness 把大模型调成趁手的编码工具,真正的难题才刚刚开始:一次对话里的提效,如何变成团队可复用的上下文?一个人的“AI 外挂”,如何沉淀为组织级的研发闭环? 从个人提效到团队提效,从个人 Harness 到团队 Loop,AI 原生软件研发正在跨过一道分水岭——过去比拼的是“谁更会用 AI 写代码”,接下来比拼的是“谁能让 AI 进入真实研发流程,并让流程反过来持续喂养 AI”。
在“AI 原生软件研发:从 Harness 到 Loop”这一技术论坛中,来自腾讯、Qoder、百度和小红书的多位一线技术专家齐聚,结合各自在 AI 编程工具研发与企业落地中的实践经验,从个人与团队研发提效、AI Native 产品与组织建设,到团队级 Agent Workspace 和企业级任务落地,拆解 AI 原生研发从“个人工具”走向“团队系统”的真实路径。
从个人提效到团队提效:Agentic 研发提效实践
陈秋远 腾讯 CodeBuddy&WorkBuddy 模型研发高级研究员
构建高效的 AI Native 产品与组织:QoderCLI 的研发自举与业务赋能
李唯聪 Qoder 技术专家
团队级 Agent Workspace:从个人 Harness 到团队 Loop
王旭 百度 Comate 高级研发工程师
AI 工具落地企业级任务中的挑战与实践
孙哲 小红书 PE Infra 团队负责人
当 AI 已能承担越来越多的编码工作,开发者的价值是否也要重新定义?继四场主题分享之后,以“AI 原生软件研发时代:写代码变了,企业和人要怎么变?”为题的圆桌对话把问题从工具层推向组织层。本场对话邀请了腾讯 CodeBuddy&WorkBuddy 模型研发高级研究员陈秋远、Qoder 技术专家李唯聪、小红书 PE Infra 团队负责人孙哲、北京航空航天大学计算机学院副教授杨健、百度 Comate 高级研发工程师王旭和滴滴专家工程师、ABC 技术 AI Coding 平台负责人刘金晶,并由 CSDN &《新程序员》执行总编唐小引作为主持人,共同探讨当 AI 成为软件研发的重要参与者,开发者、技术团队与企业究竟应该如何适应这场变化。
多模态与世界模型演进
多模态的下一站,已经不只是“把图看懂、把视频描述出来”。当智能体要进入真实世界,它面对的是不完整的信息、连续变化的场景和需要即时反馈的交互;而世界模型的野心,也不止于生成一段以假乱真的 3D 内容,而是让模型对空间、物体与变化建立可建模、可预测、可交互的内部表征。
在“多模态与世界模型演进”技术论坛中,我们邀请了来自京东探索研究院和腾讯的两位技术专家,分别从真实世界多模态理解与交互、3D 建模及世界模型研发两个方向,分享前沿技术探索与实践成果,带领开发者了解 AI 从感知现实到构建世界的演进路径。
JoyAI-VL:面向真实世界的多模态理解交互智能体
王佳琦 京东探索研究院自然语言实验室负责人
混元 3D-3D 建模与 3D 世界模型的研发探索
郭春超 腾讯专家研究员、混元 3D 与 3D 世界模型负责人
智能体应用创新与开发实践
Agent 的 Demo 时代正在结束,应用时代正在开始。当智能体从“能跑通一次”走向“每天都要跑对”,真正卡住落地的不再是模型会不会推理,而是一些更具体的问题:它需要知道什么时候主动跟进用户需求,如何从搜索系统中获取可靠信息,怎样在执行任务时规避安全风险,还要能够调用工具、协调任务,最终交付真正可用的结果。
围绕“智能体应用创新与开发实践”这一主题,本论坛邀请了来自蚂蚁集团、腾讯、You.com、Google Cloud 和阿里云的一线技术专家与架构师,他们分别从个人智能体的持续跟进与主动服务、Agent 安全的基础设施归因、搜索事实底座、Agentic 生产流水线与异步通信底座五个切口,展示智能体应用从“惊艳一刻”走向“日常可交付”时,真正需要被解决的是什么。
从助手到搭档:Personal Agent 持续跟进与主动服务的落地实践
王超 蚂蚁集团资深技术专家、蚂蚁灵光架构师
Agent 安全:是 Infra 问题,不是模型问题
张栋 腾讯专家工程师,Agent 安全负责人
Agent 的事实底座:搜索系统的设计与训练闭环
朱坦 You.com AI 解决方案工程师
从 Prompt 到可交付产物:构建试玩广告批量生成的 Agentic 流水线
张宇驰 Google Cloud 解决方案架构师
重塑Agent异步通信底座——从MCP协议演进与Managed Agents架构看Apache RocketMQ的工程实践
杨文婷 阿里云产品专家
从具身智能到物理 AI
让机器人真正走进现实世界,难点远不只是让它“看见”或“听懂”,而是如何准确感知环境、理解任务,并用身体完成复杂操作。从灵巧操作中的本体、数据与模型协同迭代,到多台机器人之间的协同作业,具身智能正在从单体能力突破走向更完整的系统进化。
在“从具身智能到物理 AI”技术论坛中,来自北京邮电大学和 AIRS 具身智能中心的两位一线研究者和工程实践者,分别从灵巧操作的飞轮效应与全栈开源具身智能底座两个切口,回答同一个问题:当智能体进入物理世界,什么样的架构与迭代机制才能让它真正“干得了活、越干越好”。
面向灵巧操作“本体-数据-模型”迭代的飞轮效应思考
方斌 北京邮电大学“拔尖人才”教授
从单体进化到多机协同:AIRS-EAI 全栈开源具身智能底座的架构与实践
邵鹏韬 AIRS 具身智能中心研究工程师
AI Infra 基础设施与 AgenticOps
Agent 越来越能干,背后的基础设施也得跟上。当智能体从简单对话走向长时间、多步骤、复杂任务执行,推理系统面临的压力随之升级:算力如何调度、上下文如何缓存、数据如何流转,模型运行又该如何监控和优化?这些看似底层的问题,正在直接决定 Agent 能否真正跑得快、跑得稳、跑得起。
在“AI Infra 基础设施与 AgenticOps”这一技术论坛中,聚集了来自亚马逊云科技、蚂蚁百灵、阿里云、OPPO、小红书、沐曦股份及 SGLang 社区的 7 位一线专家与核心贡献者,从大规模 PD 分离推理适配、核心业务极致性能优化、全栈智能巡检、端云协同数据底座、Agentic 场景推理支持、芯片架构方法论到上下文缓存演进,拆解 Agent 时代基础设施最真实的工程命题。
Mooncake + SGLang + EFA:在亚马逊云科技上构建大规模 PD 分离推理的适配实践
王鹤男 亚马逊云科技首席应用科学家
百灵 Ling-3.1-flash 在蚂蚁核心业务场景中的极致性能优化
仇大玉 蚂蚁百灵推理高级架构师
Agent 时代的推理基础设施:全栈智能巡检与根因诊断实践
曾庆国 阿里云可观测高级技术专家
从存算分离到 Agent 数据底座——Curvine 的端云协同架构实践
蒋龙 OPPO 高级开发工程师
小红书 Dots 推理基础设施 Agentic 场景支持与应用实践
马瑞阳 小红书 Dots 团队成员、北京大学计算机学院博士
重新定义“计算”:面向 Agentic AI 的芯片架构设计方法论
谭颖然 沐曦股份光启研究院科学家
Agentic Inference 的上下文缓存:从 RadixAttention 到 Unified Radix Cache
王书文 SGLang 核心贡献者
AI 算力与推理优化、架构与设计演化
随着大模型和 AI Agent 加速落地,AI 系统面临的挑战已经不再局限于模型本身的能力,算力如何高效利用、推理过程如何进一步提速,以及底层软硬件架构如何适应多智能体协同等新场景,都成为产业关注的重点。从 AI 编译器、RISC-V 原生 AI 系统软件栈,到 KV Cache 分层存储、推理调度与缓存优化,再到面向大规模 Agent 的安全沙箱和端侧智能体部署,AI 基础设施正在向更高效、更灵活、更安全的方向演进。
围绕「AI 算力与推理优化、架构与设计演化」这一主题,来自北京智源人工智能研究院、中国科学院软件研究所、Mooncake、腾讯云、北京大学等机构和企业的技术专家齐聚现场,分享 AI 基础设施、推理优化及系统架构演进方面的最新探索。
Agent 时代 AI 编译器探索与实践
门春雷 北京智源人工智能研究院研发经理
RuyiAI:RISC-V 原生 AI 系统软件栈
张洪滨 中国科学院软件研究所博士后、RISC-V国际基金会技术指导委员会委员
Mooncake Store 的多层存储演进:分层 KV Cache 与大模型权重管理
许文杰 Mooncake 核心开发者
面向大规模 AI Agent 的安全沙箱技术探索与实践
李帅 Cube Sandbox 核心 Maintainer、腾讯云高级工程师
面向多智能体应用的大模型推理调度与缓存优化
卓有为 北京大学集成电路学院助理教授
AI Agent 重塑软件研发,C++ 如何应对新变化?
从代码生成、编译优化到自动化测试,AI 开始深入参与软件工程的各个环节,软件开发也逐渐从过去以人工编写代码为主,转向人机协同、Agent 自主执行的新模式。
这一变化也为传统编程语言、编译器和系统软件带来了新的课题:编程语言如何更好地适应 AI Agent 的开发方式?传统编译器在 AI 编程时代将扮演怎样的角色?面对 AI 原生应用不断增长的需求,底层系统又该如何持续演进?
围绕这些话题,来自 MoonBit、微软、阿里云、字节跳动、奇点智能研究院、Parasoft、Linux 内核、阿里巴巴等企业及技术社区的多位产业一线技术专家,分享了各自在相关领域的实践与思考,议题涵盖 AI Agent 时代的编程语言设计、传统编译器的角色变化、C++ 标准演进,以及系统软件在 AI 原生研发模式下的工程实践。
MoonBit:AI Agent 时代的编程语言
雷正宇 MoonBit AI 系统软件工程师
用 Foundry 构建私密、响应迅速的端侧 AI 智能体
庄惟仁 微软 ONNX Runtime 资深技术产品专家
传统编译器在 AI 编程时代的新位置
许传奇 阿里云开发工程师
字节跳动数据中心应用 libc++ 的落地与挑战
李华圣 字节跳动性能优化工程师
秦泽天 字节跳动 C++ 服务端编译工具链核心研发工程师
命运多舛的 C++ 契约
吴咏炜 奇点智能研究院首席技术咨询师
AI 驱动测试创新:开启 C++ 软件质量保障新篇章
徐晨英 Parasoft 资深应用工程师
Linux 高速块设备缓存的介质故障处理
李勇 Linux 内核 Maintainer、飞牛 NAS 内核架构师
Agentic Coding,系统如何持续演进?——阿里巴巴 C++ 向量检索库 Lumina 的 AI-Native 软件工程实践
魏子敬 阿里巴巴智能引擎技术专家、C++ 向量检索库 Lumina 负责人
除了主题演讲,现场还围绕「AI 时代的 C++」展开了一场圆桌对话,由奇点智能研究院首席技术咨询师吴咏炜主持,阿里云开发工程师许传奇、奇点智能研究院首席技术咨询师张汉东、Mooncake 核心开发者许文杰,以及阿里巴巴智能引擎技术专家、C++ 向量检索库 Lumina 负责人魏子敬共同参与,从不同视角探讨 AI 技术发展给 C++ 生态和软件工程带来的变化。
展区人气高涨,明日更多技术干货来袭
主会场内思想碰撞不断,场外展区也同样人气高涨。各个展台前人头攒动,不少开发者驻足体验、交流探讨,与技术团队面对面了解 AI 前沿技术及其应用实践。技术分享与现场互动交织,也让这场大会有了更多交流与连接。
一场大会的成功举办,离不开每一位合作伙伴的支持。在此,特别感谢华为云、Google Cloud、Dataify、数智建材研究院、You.com、Parasoft、北京并行科技股份有限公司、人民邮电出版社异步社区、电子工业出版社博文视点、清华大学出版社对本次大会的支持!
首日议程告一段落,明天还有更多值得期待的内容。大模型技术从 Agentic Scaling 到自进化、AI+行业应用实践、昇腾 AI 算力最佳实践、多模态与世界模型演进、企业级 AI 原生应用与落地、从具身智能到物理 AI,以及智能体应用创新与开发实践等议题将陆续展开。
更多重磅嘉宾、前沿观点与一线实践,明天见!
扫码入群,领取大会演讲 PPT
现场没来得及记下的技术细节,或是错过的专题分享,可以回头慢慢看。从大模型、Agent 到 AI Infra,欢迎长按识别下方二维码,加入 AI DSpace 交流群,领取 2026 奇点智能技术大会公开分享的演讲 PPT。