第一天的主軸從「企業要不要導入 AI」轉向「導入之後怎麼算帳」： 場景價值、資料基建、Agent 安全與端側工程，構成當天最反覆出現的四條線。 上午為大宴會廳主題演講，下午分五軌平行進行。
AI 時代的企業進化：重新思考組織、人才與價值創造
趙鈺瑩 · 極客邦科技 總編
主題演講 · 大宴會廳
以 143 份中大型企業一對一訪談為基礎，指出成敗不在應用堆疊數量，而在選定可量化、可營運的高價值場景。真正的 AI 原生只有一個檢驗標準：拿掉 AI，這門業務是否仍能成立。
我的短評主辦方對中國行業的大調查，有助快速瞭解目前的現狀
從真實產線定義智能——工業具身智能的物理 AI 閉環
吳哲明 博士 · 群青智能 聯合創始人暨 CEO
主題演講 · 大宴會廳
以焊接這個「高難度但邊界清楚」的任務為切入點，主張具身智慧的價值不在於看起來聰明，而在於能否在真實產線持續創造可量化 ROI，並靠資料閉環把老師傅工藝變成可部署系統。
我的短評講物理 AI，例子講焊接，對我來說專業距離較遠
AI for Performance，Performance for AI：人工智慧時代的效能工程
周经森 Kingsum Chow 博士 · 浙江大學軟體學院 教授
主題演講 · 大宴會廳
效能工程的任務不只是「跑更快」，而是用更少資源完成同一件事。從模型、執行期到硬體三層協同，並點名效能量測的五個陷阱——先別急著相信你手上的那份數據。
我的短評講話有點不清楚，所以轉錄效果有限。一直在評估能效這件事，而且還會去量測碳排，只能說是有心人。有個有趣的手法，把 Python 轉 C 增加效能（那要不要乾脆轉組合語言？）
從模型競賽到數據基建：工業 AI 的落地拐點
陶建輝 · 濤思數據 創始人暨 CEO
主題演講 · 大宴會廳
工業現場的落地瓶頸多半不在模型能力，而在企業是否備妥可理解、可連結、可驗證的資料基礎。以「工業本體」讓 AI 讀懂資料而非只讀到欄位，並把老師傅經驗轉成可信任資產。
我的短評雖然也是在工業領域，但講得清楚，應用也實際，就是給傳產一個 Agent 化的 solution 工具
從 Token 預測到狀態預測：邁向世界模型的原生全模態之路
潘滢炜 博士 · 智象未來 HiDream.ai 技術合夥人暨算法科學家
主題演講 · 大宴會廳
生成式 AI 的下一步不只是預測文字 Token，而是理解並預測世界狀態。影片生成進步飛快，真正的瓶頸仍卡在時空一致性；原生全模態則把生成能力推向可理解的狀態表示。
我的短評在講影片生成，這塊很卷，也離我遠，沒專心聽
讓 AI 擁有身體：從大模型邁向物理 AI
唐武琛 博士 · 深開鴻 AI 平台部 部長
主題演講 · 大宴會廳
具身智能不是替大模型裝上機器人外殼，而是補齊感知、控制、資料與生態協作的整條鏈路。要走進真實世界完成任務，需要可連接異質設備的系統底座、可調度算力，以及真實且完備的資料。
我的短評這場我都沒啥印象了，可能中離了
Agent 想用但不敢用？百度智能雲企業級 Agent 安全落地實踐
林道正 · 百度 百度智能雲 安全架構師
Agent 安全：從風險到可控 · 會議室 1+2
Agent 從對話工具走向可執行現實任務，企業的核心疑慮仍是資料外洩、控制權與責任歸屬。Skill 供應鏈成為首波攻防深水區；防護重點在最小權限、全生命週期檢測與跨層行為分析。
我的短評講 Skill 管理防護，有實例與經驗分享
讓 Agent 真正驅動銷售增長——FDE 模式下的業務流重構實戰
阮城鋒 · 阿里雲 高級技術專家
AI Agent 高價值商業場景實戰 · 大宴會廳 B
別把 AI 當成業務流程外的聊天工具。以 FDE 模式串起資料、語義與行動，從一個高價值、可驗證的小場景做 MVP，再用銷售成果持續迭代。附汽車銷售與醫藥推廣兩個實作案例。
我的短評以為要講 FDE，不過很多都在講他們的工具，講得太行銷面了
OPPO 端側多模態大模型工程化實踐
余席宇 博士 · OPPO 多模態算法
大模型效率工程與 Agent 系統實踐 · 宴會廳 A
在記憶體、時延與功耗三重限制下，把多模態大模型塞進手機。量化感知訓練、稀疏化、KV Cache 管理與投機解碼一路壓成本，並以零階優化支援「資料不出設備」的輕量個人化訓練。
我的短評講述自產大模型的經驗方法，有在做的應該會比較有感，講得還 OK
從 Tool Calling 到 Data Agent：企業數據智能體的生產化路徑
巴志欣 · 雲器科技 AI 產品總監
智能體時代的數據供給與治理 · 大宴會廳 A
資料智能體的價值不在做出一個看似萬能的聊天介面，而在把漫長高風險的資料工程鏈路，轉成可理解、可控管、可驗證與可追溯的生產流程。關鍵是語義層、上下文工程與可靠性評估一起落地。
我的短評把 Data Agent 的部份延伸獨立出來，某程度很多都在做，講得比較簡單，可以參考
第二天全是平行專題軌，主軸從「AI 會不會寫程式」移到「寫完之後怎麼收斂」： Harness、門禁、評測與治理是整天反覆出現的關鍵字。 這天聽的七場集中在 Harness Engineering、AI 原生新範式與超級 App 三條軌。
QQ 飛車 Agentic 研發轉型過程中的 Loop Engineering
任磊達 · 騰訊 高級後台開發工程師、專案組 Agent 落地負責人
Harness Engineering · 大宴會廳 B
從自製 Linter、CI 自癒到把 Review 評論回灌成記憶，把模型的機率性輸出放進可觀測、可回饋、可約束的 Loop，再往上長出讓能力跨需求流動的 Graph Loop。也直說 Open Loop 必須設界。
我的短評實作派的，可以聽到不少實務經驗。把 linter 抓回來放進 Loop Engineering 裡可以參考，hook 也是團隊可以參考的點
企業級 Harness Engineering 實踐：運營、數據、Coding 與辦公智能體工程化落地
李佳奇 · 去哪兒 基礎架構負責人、技術總監
Harness Engineering · 大宴會廳 B
模型用採購的，關鍵能力自建。用平台承接流程、用治理守住數據，把上下文切成三層並明確終止條件，讓 Agent 在研發、營運、數據分析與辦公四類場景真正上工。
我的短評也是介紹自家的工具，勉強參考辦公室應用
從 Coding 到 Running：AI Native SRE Agent 的工程實踐
姚斌斌 · 騰訊雲 CloudQ 技術負責人
AI 原生新範式 · 大宴會廳 A
編碼效率上去了，瓶頸就移到運行階段。以多源數據、運行圖譜、受控編排、沙箱治理與持續評測撐起可推理也可追溯的 AI 運維體系，並用五級自主化界定 AI 能走到哪一步。
我的短評講得也不錯，不過要 end-to-end 串成 SRE Agent 就要看公司能力了，例如一個告警 Agent 能判斷到哪一行程式出問題
支付寶 xUI ——「阿寶」背後的 Agentic 終端交互引擎
魏鳳笛（鳳翎） · 螞蟻集團／支付寶 AI 端雲交互負責人
超級 App 的 AI 原生化 · 宴會廳 A
重點不是替聊天介面加上 AI，而是把支付寶龐大的服務供給變成 Agent 能理解、調度與執行的能力。前端全雙工多模態承接意圖，後端以 A2UI、MCP 與端上 GUI／TUI 分層補齊服務覆蓋。
我的短評做一個 App bot 去操作自己的 App，甚至去與其它合作的 App 交互，也算是在做下一個時代的 App 前置工作了
從代碼生成到研發閉環：AI Coding 在金融科技 SDLC 中的落地實踐
李渭寧 · 匯豐科技 內部開源負責人
AI 原生新範式 · 大宴會廳 A
別只算生成量，要用 DORA 這類端到端指標驗證提效。企業上下文是可用性的地基，品質閘門與沙箱護欄控住風險，再靠 ETC 框架把實踐從少數先行者擴散到全員。
我的短評算是平述在講 SDLC 這塊，不過都是金融業，可參考。有講到他們給個人的 AI 額度是 600+ 美金
金融監管領域的 Harness 實踐：讓知識與數據驅動 Agent 穩定運行
于浩軍 · 中軟融鑫 總工程師
Harness Engineering · 大宴會廳 B
強監管場景要對付的是口徑漂移、幻覺與不可解釋。以知識底座與數據底座承接監管規則和業務事實，再用權限、評測、審計與血緣追溯，讓輸出可驗證，也能在出錯時回到源頭修復。
我的短評預期會無聊的一場，如預期
企業 AI Native 研發流程升級與重塑
宋文龍（聞可） · 阿里巴巴 Qoder 高級技術專家
AI 原生新範式 · 大宴會廳 A
AI Coding 不會自動把一句願望變成可上線產品。拉開團隊差距的是 Spec 先行、團隊級 Harness、門禁工程，以及人帶著 Agent Team 協作——AI 是治理能力的放大器，不是捷徑。
我的短評中間臨時換來這場。雖然也是推銷自家的工具，但為了做好這個工具，也是把 Loop／Workflow 經歷了一圈，甚至最後 QA 也走了二十分鐘