2026 云栖大会——议程目录

【开幕式｜云栖主论坛】主旨演讲整理

> 证据范围：仅覆盖议程第 2 项「主旨演讲」（吴泳铭，阿里巴巴集团首席执行官）。依据公开完整口述整理，校正明显语音识别误差；口述未出现的版本号、评测分数与其余 7 个环节，均不补写。

二、重磅发布

1. 真武 V900

• 发布人：吴泳铭，阿里巴巴集团首席执行官。
• 发布内容：平头哥发布新一代 AI 芯片真武 V900。讲者称其为当时中国算力性能最强的 AI 芯片，性能达到真武 M890 的 3 倍；基于该芯片构建的单一集群可扩展至 50 万卡，用于前沿模型训练与推理。
• 相关进展：自研 M890 AI 超节点已支撑超过 2 万亿参数大模型推理，讲者称阿里是全球极少数具备该能力的公司之一；本季度起，基于 M890 的阿里云超节点已开始规模化上架。
• 发布状态：口述明确为「今天我们将发布」；测试条件、交付节奏与客户可用性范围，口述未说明。

2. 千问 Intelligence

• 发布人：吴泳铭，阿里巴巴集团首席执行官。
• 发布内容：正式发布千问 Intelligence，为合作伙伴提供移动端 AI 解决方案，使移动设备能够完成各类复杂任务。
• 相关进展：桌面端将持续优化开源的千问系列模型，支持开发者与企业本地化部署。讲者称该开源模型是全球最受开发者欢迎的模型之一；口述中的具体系列名经语音识别不够确定，故不写版本号。
• 发布状态：口述明确「今天也会正式发布」；产品形态、上线范围与合作伙伴名单，口述未说明。

三、主题演讲

吴泳铭 · 阿里巴巴集团首席执行官 · 主旨演讲：机器智能时代

• 核心观点：过去一年 AI 迭代远超预期。机器正在成为思考的主力，智能正在变成可规模化供给的商品。机器智能不是人类智能的替代品，而是完全不同的物种——如同工业革命把动力变成商品之后，机器动力也不是「人造体力」。阿里巴巴的长期战略是坚定投入 AI 模型、AI 芯片和 AI 云这三大基础设施。
• 判断一：机器思考的总量将远超人类：讲者判断，未来机器供给的思考总量将是人类思考总量的 1000 倍以上，并最终承担世界思考总量的约 99.9%——物理世界里机械动力已接近这一比例。供给侧：培养顶级科学家需要数十年，许多细分领域智力投入不足；举例称，某些新生儿罕见病全球有记录患者可能只有数百人，按现有医药产业逻辑很难获得足够研发。当 AI 具备专业研究智力、且算力足够便宜，每个细分领域都有可能组织上百万个 Agent 持续研究、模拟和验证，顶级思考将从奢侈品变成可规模化供给的商品。需求侧：工业时代商品消费受人口上限约束；而复杂目标（讲者举例「造飞船去火星」）可被拆成成千上万个子任务，由数百万 Agent 持续执行。思考消耗将不再与人口数量成正比，而与机器智能的深度和供给规模成正比。讲者估算，今天机器思考总量还不到人类的 3%；若未来达到人类的 1000 倍，需求侧仍有几万倍增长空间。
• 判断二：代表性产品尚未出现：讲者把今天的 AI Coding 比作机器智能时代早期的电灯——它替代的是人类已经在做的工作（写代码、写报告），但仅替代现有工作不足以创造一个真正的新时代。类比 1882 年爱迪生珍珠街电站点亮约 400 盏灯，早期卖灯泡还要送电，类似今天下载 Agent 软件赠送 Token；空调、冰箱、计算机都是电出现很久之后才到来。无论后来出现什么新产品，第一步都是建设足够多的「发电站」和足够广的「电网」。讲者称，1900 年前后全世界一年的发电量放到今天只够全世界用约两个小时；对 AI 基础设施的需求几乎没有上限。
• 三大基石 · AI 模型：从千问办公到科学研究，模型正在承担越来越多真实任务，这些任务与反馈会让模型更强。技术路径上，讲者强调递归自我改进（行业所称 RSI）：模型从真实反馈中发现短板，自己设计实验、构建数据、评价结果，闭环推动自身进化。千问团队正在推进模型与数据优化，训练万亿参数规模的全新模型，目标是完成更复杂、更长程的任务，向 ASI 迈进。另一方向是理解与生成一体化的多模态能力，使人们可以像跟人交流一样与 AI 交流，而不必面对复杂交互界面。口述未点名具体新版本号或评测分数。
• 三大基石 · AI 芯片：讲者把 Token 比作电、芯片比作发电机。平头哥已对数据中心芯片全面布局：真武系列为 GPU、倚天为 CPU、磐脉为智能网卡，并覆盖组建超大规模 AI 集群的互联芯片；同时对芯片、服务器、超节点、网络、模型与推理系统做联合调优，以提升集群 Token 产出效率。讲者预计，随着产品线成熟和客户采用，未来几年平头哥年出货量将大幅提升。智能不应只停在数据中心，还将进入桌面端与移动端。
• 三大基石 · AI 云：芯片负责生产 Token，云负责把 Token 送到需要的地方。模型持续训练与推理、Agent 的长程任务、越来越多的 AI 软件，都会成为 AI 云上的「居民」。目标是让使用机器智能像用电一样方便：设备接入云即可随时调用。为此需要建设覆盖全球、高效运转的超级网络，对 GPU、CPU、网络、存储、数据库和工具做联合优化。讲者称客户需求非常强劲，阿里云正全力上架 AI 算力，AI 云收入持续加速增长；但行业中长期需求远超当前供给，全球 AI 数据中心相关供应紧缺限制了算力上架速度。阿里巴巴将与合作伙伴全力投入，打造面向机器智能时代的 AI 云。目标是到 2032 年，阿里云运营的全球数据中心规模超过 20GW。这是企业提出的未来目标，不是已建成规模。
• 对人的意义：工业革命让机器承担越来越多体力劳动之后，人类发展出足球、篮球、奥运会、世界杯、NBA 等；印刷术、照相机、留声机也没有消灭原有创作，反而打开新的大众艺术空间。当机器承担更多「不得不做」的事情，人会有时间去做真正想做的事情。讲者重申「AI 越强大，人类更强大」：把繁重任务留给机器，把时间、创造力和对美好事物的感受留给人类。并称这一切现在才刚刚开始。
• 一句话结论：机器智能时代尚未出现真正的代表性产品，但思考正在变成可规模化供给的商品；阿里巴巴选择先把 AI 模型、AI 芯片和 AI 云这张「电网」铺起来。

五、全场总结

1. 贯穿主线：主旨演讲把 2026 云栖的战略命题收束为「进入机器智能时代」——智能像电力一样成为基础设施商品，阿里巴巴的抓手是模型、芯片与云，而不是先押注某一个尚未出现的超级应用。
2. 最有信息量的片段：① 真武 V900（M890 的 3 倍性能、单一集群可扩至 50 万卡）与 M890 超节点已支撑 2 万亿参数推理、本季度规模化上架；② 到 2032 年全球数据中心规模超过 20GW 的目标；③ 正式发布千问 Intelligence，并继续优化开源千问模型的本地部署。
3. 证据边界：本摘要只整理吴泳铭主旨演讲。开幕式、刘大一恒、郑波、高慧、李飞飞、方飞、王晓航等其余环节，现有口述不足以判断，不据标题补写。口述中的「最强」「全球极少数」「最受欢迎」等均为讲者口径，未独立复测。

【AI Native 数据基础设施论坛暨全栈自研 CPFS 商业化发布】材料摘要

> 证据范围：本论坛 6 份合格主文件（t1 Agentic Storage 开场 v20260915.1、t2 CPFS 商业发布 V10.6、t3 CPFS 技术解析 v0.15、t4 KVCacheStore v2、t5 OSS 从对象到全模态 0917.1、t6 EBS 从云原生到 AI 原生 final-20260918）。排除 6 份：t1 CPFS DEMO 视频（非 PPT/MP4）与 t2–t6 各 1 份英文自动翻译件。引用标注文件与页码，未在材料中出现的信息标注"材料未说明"。

一、欢迎致辞

• 主办方致辞人：蒋江伟，阿里云智能集团存储产品线负责人（t1·SLIDE1）。
• 论坛定位与主题：以 "Agentic Storage：为 AI 算力提速，为 Agent 数据筑基" 为主题，阐述模型从语言智能走向物理智能后，存储升级为物理世界的数据底座（t1·SLIDE1-2）。
• 致辞重点方向：AI 存储需覆盖训练（十万卡集群持续加速训练）、推理（万亿参数、1M 上下文，提升 Token 生成效率）、Agent Infrastructure（百万 Agent 并发运行）三类负载；基于飞天盘古存储底座给出产品矩阵：训练侧"全栈自研 CPFS"（百 PiB、亿级 IOPS、万亿文件）、推理侧"KVCacheStore"（G3.5 层，全球公共云首发）、Agent 侧"AgenticFS/OSS Agent"等（t1·SLIDE3-4）。

二、重磅发布

发布 1：全栈自研 CPFS 商业化发布

• 发布人：彭亚雄，阿里云智能集团存储产品线产品负责人（t2·SLIDE1）。
• 发布内容：全栈自研并行文件存储 CPFS 商业化发布，基于飞天盘古，面向 AI 训练场景（t2·SLIDE1、SLIDE4）。
• 核心亮点：① 单文件系统突破 100 PiB，材料称"业界首个突破百 PiB 的文件系统"，支持万亿文件、10 万+ 卡并发（t2·SLIDE5）；② 文件系统总吞吐 20 TB/s→100 TB/s（提升 5 倍），访问时延 200μs→百微秒级（降低 50%），元数据小文件删除 QPS 7,722→106,697（提升 10 倍+）（t2·SLIDE11）；③ CPFS×OSS 分层，按需加载将数据就绪从小时级降到分钟级（t2·SLIDE6）。
• 阶段/时间节点：材料明确"新一代 CPFS，9 月 30 日在北京、乌兰察布、新加坡 Region 正式上线"（t2·SLIDE19）。

发布 2：KVCacheStore 全新发布

• 发布人：李洋（阿里云智能集团资深产品专家）、张小路（阿里云智能集团资深技术专家）（t4·SLIDE1）。
• 发布内容：面向大模型推理的 KV Cache 加速引擎 KVCacheStore，存算分离架构，以存代算将 KV 卸载至高性能弹性存储层（t4·SLIDE1、SLIDE3）。
• 核心亮点：① 材料称"全球公共云首发 G3.5 层 KV Cache 存储产品"；② 单机 40GB/s 吞吐、百万 QPS，容量百 TB 到百 PB 弹性扩展；③ G3（本地 NVMe 池化）+ G3.5（独立共享缓存池）分层，统一 KV 接口并支持 Mooncake connector（t4·SLIDE3-6、SLIDE8-10）。
• 阶段：材料明确"公测邀请现已开启"（t4·SLIDE6）。
• 关键数据：内部实测 Qwen3-32B·TP4·32K 输入·3 轮·32 并发下，首轮缓存命中率 99.2%、首轮 TTFT 加速 5×、整体吞吐提升 4×（t4·SLIDE6）。

三、主题演讲

徐立｜阿里云智能集团资深技术专家（t3 全栈自研 CPFS 技术解析）

• 核心观点：CPFS 采用数据/元数据分离且独立横向扩展、全链路软硬协同高性能技术栈、统一接入端与飞天盘古底座的全栈自研架构，为 AI/Agent Native 而生（t3·SLIDE4）。
• 关键论据/数据：单文件系统 100 PiB、万亿文件、十万卡 GPU 并发（t3·SLIDE5、SLIDE9）；单客户端百万 IOPS、40 GB/s（t3·SLIDE6、SLIDE9）；11 个 9 高可靠、99.5% 高可用（t3·SLIDE9）；Qwen 数据处理模型启动平均耗时下降 50%、峰值算力利用提升 30%；黑芝麻智驾核心训练任务速度提升 80%（t3·SLIDE8）。
• 结论：全栈软硬一体优化让 CPFS 成为大规模 AI 训练的确定性存储底座。

乔肖桉（Peter）｜小鹏集团 GIC 基础平台部总监（t2 客户实践）

• 核心观点：数据进入百 PB 时代不再拆分文件系统，新架构 CPFS 以超大规模统一命名空间重新聚合训练数据，并支持训练时按需读取（t2·SLIDE9-10）。
• 关键论据/数据：旧架构单实例上限 20 PB/100 亿文件被迫拆分；新架构支持百 PB 容量、万亿文件、统一命名空间；采用 LazyLoad + Range Cache + LRU 淘汰，训练时按需读取（t2·SLIDE9-10）。
• 结论：扩展能力不只是"装得更多"，而是让数据重新成为一个整体。

沈杰（Jie Shen）｜黑芝麻产品部高级总监（t2 客户实践）

• 核心观点：新一代 CPFS 让智驾模型迭代周期真正压缩，数据底座成为研发生产力（t2·SLIDE16-17）。
• 关键论据/数据：读吞吐提升 9×、元数据时延下降 50%+、核心训练任务提速 80%，小文件读时延由毫秒级降至百微秒；多套分散文件系统收敛为单一 CPFS（t2·SLIDE17）。
• 结论：算力再强也要有跑得动的存储底座。

罗明｜阿里云智能集团高级产品专家（t5 从对象到全模态：OSS 构建 AI Native 数据基座）

• 核心观点：AI 进入物理世界后，一份原始视频演化为对象、表、向量三种数据形态，对象存储迎来第三次能力跃迁——从存海量对象走向支撑训练与在线推理的统一数据底座（t5·SLIDE3-4）。
• 关键论据/数据与发布：OSS 从一种桶升级为三种桶——对象桶、表格桶（Iceberg V2/V3 与 Lance，PREVIEW）、向量桶（PREVIEW）（t5·SLIDE5-6）；OSS Vectors 新发布 Fusion Mode（COMING SOON），Standard Mode 召回率最高 99%（t5·SLIDE7）；AI VibeStudio（GA，50+ 数据处理能力+Qwen 推理）、AI VibeFlow（COMING SOON）（t5·SLIDE8-9）；OSS 加速器 300 MB/s/TB、资源池 QoS 扩展到 QPS 维度、OSS Metadata/MetaQuery（t5·SLIDE11-15）。
• 结论：从对象到全模态，让每一份数据都能为 AI 所用（t5·SLIDE17）。

钟宇江｜小米大数据计算平台高级研发工程师（t5 客户实践：Iceberg 与 Lance 云原生湖仓）

• 核心观点：以 Iceberg 承载结构化分析、Lance 承载多模态存储，一份数据多引擎共用并向云原生（OSS）演进（t5·SLIDE20-21、SLIDE24）。
• 关键论据/数据：自动优化服务 Clustering 使查询最高提速 80%（t5·SLIDE22）；数据上云自动迁移，存储单价降低约 82%、缓存服务最高降低 38% OSS 读流量（t5·SLIDE23）；平台规模 10w+ Iceberg 表、百 PB OSS 数据、高可用 99.99%（t5·SLIDE27）。
• 结论：迁移解决数据放哪、缓存解决访问快慢与成本，两步配合让云上存储既省又快。

付庆午｜OPPO 大数据高级架构师、大数据基础设施技术负责人（t5 客户实践：全模态数据湖）

• 核心观点：分析走 Iceberg、检索与训练走 Lance，同落 OSS，互补不替代（t5·SLIDE29、SLIDE32）。
• 关键论据/数据：自研 Curvine 分布式缓存加速多模态数据湖最后一公里；Iceberg on OSS 生产落地 500+ 表、提交合并十万文件→千级（t5·SLIDE35、SLIDE37）；Lance on OSS 读取提升 2–3 倍、入湖 11 亿+ 图片、三个项目上线（t5·SLIDE38）；OSS 提供 12 个 9 持久性、最高 99.995% 可用性（t5·SLIDE36）。
• 结论：借助 OSS Conditional PUT、资源池 QoS 与 Compaction 卸载，全模态数据湖可作为线上表运营。

陶毅、吴均平｜阿里云高级产品专家、资深专家（t6 EBS 从云原生到 AI 原生）

• 核心观点：算力解耦、高性能的弹性临时盘成为 AI Infra 首选，EBS 从云原生走向 AI 原生（t6·SLIDE2、SLIDE18）。
• 关键论据/数据与发布：弹性临时盘 EED DiskPool（Coming Soon），池化共享、单盘峰值读 4GB/s 写 2GB/s、128TiB 起步（t6·SLIDE5-7）；ESSD AutoPL 只读共享（单盘读吞吐 6GB/s、+50%，60GB 模型约 10s 加载到显存，一份模型默认 16 端共享挂载、存储成本最高降低 93.8%）（t6·SLIDE11-12）；多快照合并创盘、云盘跨可用区/批量克隆（上限 100）（t6·SLIDE13-14）；Regional ESSD 已开放 11 个地域、RPO=0、99.995% 可用/12 个 9 可靠（t6·SLIDE17）；过去一年弹性临时盘规模增长 260%、单 Region 1 分钟创盘 60 万+（t6·SLIDE2、SLIDE27）。
• 客户案例：生数科技用 EBS 快照预热+ESSD AutoPL，将推理冷启动从十分钟级缩短到 15 秒级（t6·SLIDE10）。
• 结论：EBS 以数据就绪、共享分发、版本治理三方向持续加速模型服务。

陈柏盛｜月之暗面 Technical Staff（t4 客户实践：K2 到 K3 KVCache 架构演进）

• 核心观点：以 KVCache 为中心的调度构建分布式 KVCache 池，与阿里云共创 KVCacheStore G3/G3.5 提供弹性缓存（t4·SLIDE17、SLIDE22-23）。
• 关键论据/数据：K2 基于 Mooncake，真实负载下多处理请求 +75%；K3 相比 K2 显存占用下降 60%、上下文 256K→1M；G3.5 落地线上收益 TTFT 首 token 延迟 -54%、吞吐 +20%、缓存时间窗口扩大 +900%（t4·SLIDE17-18、SLIDE23）。
• 结论：KVCache 即算力（t4·SLIDE24）。

四、圆桌讨论

• 现有主文件未包含可确认的圆桌讨论环节：6 份合格主文件均为致辞、发布或单人/单组主题演讲材料，无主持人、参与嘉宾名单，也无逐人发言或对话证据。是否设置圆桌环节，材料未说明。

五、全场总结

1. 贯穿主线：围绕"AI Native 数据基础设施"，把存储定位为算力的一部分——训练侧以 CPFS 加速供数、推理侧以 KVCacheStore 以存代算、数据侧以 OSS 全模态底座与 EBS 弹性块存储支撑模型加载与 Agent 负载，均构建于飞天盘古之上。
2. 最有信息量的 3 个片段：① 【重磅发布·彭亚雄】CPFS 单文件系统突破 100 PiB、吞吐 100 TB/s，且明确 9 月 30 日在三个 Region 上线（t2·SLIDE5、SLIDE11、SLIDE19）；② 【重磅发布·李洋/张小路】KVCacheStore G3.5 层全球公共云首发、公测已开启，内测命中率 99.2%、TTFT 5×（t4·SLIDE6）；③ 【主题演讲·陈柏盛（月之暗面）】K3 显存占用较 K2 下降 60%、G3.5 线上 TTFT -54%、缓存窗口 +900%（t4·SLIDE18、SLIDE23）。
3. 跨形式呼应：致辞（蒋江伟）提出训练/推理/Agent 三类负载与飞天盘古底座（t1·SLIDE3-4）→ 演讲验证：徐立以 CPFS 技术栈与 Qwen/黑芝麻数据佐证训练加速（t3·SLIDE8），罗明/陶毅以 OSS 三桶与 EBS 弹性盘佐证数据与推理侧能力（t5·SLIDE5、t6·SLIDE12）→ 发布落地：CPFS 9 月 30 日上线、KVCacheStore 公测开启，客户（小鹏、黑芝麻、生数科技、小米、OPPO、月之暗面）给出量化收益。
4. 可落地的行动建议：① 有大规模训练供数瓶颈的团队，评估新一代 CPFS（9 月 30 日北京/乌兰察布/新加坡上线）并复用其 OSS 分层按需加载能力，对标黑芝麻读吞吐 9×、小鹏统一命名空间实践（t2·SLIDE6、SLIDE9、SLIDE17）；② 长上下文/多轮推理团队申请 KVCacheStore G3.5 公测，以陈柏盛给出的 TTFT -54% 为验证目标（t4·SLIDE6、SLIDE23）；③ 多模态数据/RAG 团队评估 OSS 表格桶+向量桶+VibeFlow 与 Lance 方案，参考小米存储单价 -82%、OPPO Lance 读取 2–3× 的路径（t5·SLIDE5、SLIDE23、SLIDE38）。

【AI 实时数据智能】材料摘要

二、重磅发布

1. ApsaraMQ for Kafka「流·算·湖一体化实时数据平台」

• 发布人：刘尧、张美平，阿里云智能集团产品专家、高级技术专家。[M1, slide 1]
• 发布内容：将 Kafka 从消息管道扩展为实时数据平台，在同一平台内完成实时数据流入、就地计算和原生入湖；“流”承担采集、缓冲和分发，“算”提供 SQL、Embedding 与 Streaming Agent，“湖”将数据以开放表格式写入 OSS 并由 DLF 管理元数据。[M1, slide 5–7]
• 核心亮点：
1. Table Topic 可把 Topic 托管为 Iceberg/OSS 表，平台承担 Mapping、Schema、文件布局、提交与恢复，并以位点和 Snapshot 原子推进实现可恢复的入湖语义。[M1, slide 21–22]
2. 产品内 SQL 作为独立任务运行，经 Topic/Connector 读写，不进入 Broker 热路径；任务支持 AUTO CU 弹性及吞吐、Lag、反压等观测。[M1, slide 25]
3. Embedding 支持批量、重试和缓存，Streaming Agent 可调用千问做内容理解、分类和路由；模型调用与 Broker 热路径解耦。[M1, slide 11–12, 29]
• 发布状态：材料明确标注“重磅发布”，但未说明公测、灰度或已全量上线状态。[M1, slide 5]
• 技术指标边界：执行引擎微基准给出吞吐 +24%、读分配 -85%、遍历耗时 -16%、扫描延迟 -55%、堆分配 -78%；材料明确说明这些是微基准结果，不是端到端 SLA。[M1, slide 27]
• 规划项：AOT、分代 ZGC、Arrow 风格列式布局、Vector API/SIMD、远端状态与预测扩缩容等均被列为“下一步”，不能视为当前已交付能力。[M1, slide 27]

2. 日志服务 SLS Agent 原生能力

• 发布人：何晓峰，阿里云智能集团产品专家。[M2, slide 1]
• 发布内容：SLS 在实时数据底座上全新发布 Agent 原生接口、运行数据对象和业务上下文能力，包含 SessionStore、语义层、DataAgent、MCP 与 Skills，并与 AgentLoop、STAROps 等上层平台协同。[M2, slide 4]
• 核心亮点：
1. SessionStore 对 OTel Trace、OTel Log、AI Gateway 等数据做字段归一、事件配对和任务过程还原，形成 Session、Trajectory、Feature 资产。[M2, slide 5]
2. 语义层从 Schema、Query、Dashboard、告警规则及原始内容中提取事实模型，再由 Context Model 补充业务口径、规则和分析方法，供多个 Agent 复用。[M2, slide 10–14]
3. MCP Server 提供资源发现、日志查询、SQL/上下文分析和告警诊断等 3 类、11 个标准 Tool；Skills 将采集、索引、查询、告警及 DataAgent 串成可确认、可验证的任务流程。[M2, slide 18–19]
• 发布状态：材料备注明确区分：MCP 与 Skills 已发布上线；DataAgent 已在北京等部分地域发布；SessionStore 即将在广州灰度发布。不能把三者统称为已全量上线。[M2, slide 21]
• 技术示例而非通用指标：演示会话首轮为 5 次模型调用、4,135 Tokens、13.53 秒，完整三轮会话为 9 次模型调用、9,669 Tokens；这些数字来自单个礼包到账排障样例，不是产品 SLA。[M2, slide 6–8]

3. RocketMQ LiteTopic 新特性与 Agent 异步通信能力

• 发布人：杨文婷，阿里云智能集团产品专家。[M3, slide 1]
• 发布内容：面向长时 Agent 任务发布 LiteTopic 新特性，并展示与 MCP Agentic Messaging、A2A、Flink Connector、OpenClaw Channel、Spring Cloud Gateway Rate Limiter、阿里云百炼及 Qoder Cloud Agents 的结合方式。[M3, slide 1–2, 7]
• 核心亮点：
1. 一个任务或会话对应一条轻量队列，支持自动创建、TTL 自动清理、暂停消费、通配/差异化/排它订阅和只读 Peek，共列出八项底层能力。[M3, slide 5–6]
2. MCP 用 Tasks、Listen/Events、Progress、Steer/Control 表达任务语义，RocketMQ 用 LiteTopic、事件日志、消费位点及 Suspend/TTL 提供持久事件平面和断点恢复。[M3, slide 8–9]
3. 百炼示例按 userId + modelId 路由并按 LiteTopic 精准挂起目标队列；材料给出“限流率降低 10×”，这是该业务流程页的实践口径，不应外推为所有场景指标。[M3, slide 13]
• 发布状态：材料明确称“LiteTopic 新特性发布”，但未给出公测、商业化或全量可用范围。[M3, slide 1–2]
• 规划项：MCP 的 Webhooks、Channels、服务端事件及 Tasks 纳入核心协议均位于 Roadmap，不能写作当前已完成能力。[M3, slide 8]

4. Qoder Cloud Agents 1.0

• 发布人：泮圣伟，阿里巴巴 ATH 事业群 Qoder 技术专家。[M4, slide 1]
• 发布内容：Qoder Cloud Agents（QCA）1.0 于 9 月 16 日正式发布，定位为面向开发者的企业级 Serverless 云端 Agent 托管与执行平台；核心对象为 Agent、Session、Environment 与 Event。[M4, slide 7–8]
• 核心亮点：任务与会话状态持续保存，计算实例按需承接当前步骤；平台提供按需调度、运行观测以及云上身份、权限和资源连接，开发者可通过 API 把业务目标和验收标准交给 QCA 执行。[M4, slide 7–8, 12–13]
• 发布状态与数据：材料明确为 1.0 正式发布，并给出“数百家大型企业、月调用次数超千万”和“10 分钟完成首次业务全链路调用”的发布口径；材料同时提醒，版本时间线不能用于推断具体功能变化或成熟度。[M4, slide 8]
• 技术实践：QCA 探索以 RocketMQ 交接模型命令、工具指令和结果，以 PostgreSQL 保存会话与任务事实、对象存储保存文件与产物，并将模型与工具放入独立执行池。[M4, slide 15, 20, 23]

5. AgentBridge 多源实时上下文平台

• 发布人：陈涛、沈林，阿里云智能集团产品专家、高级技术专家。[M5, slide 1]
• 发布内容：全新发布 AgentBridge，将其定位为一站式 Agent 实时数据上下文服务：数据保留在适合的系统中，通过统一 Catalog、Schema、Semantic、Query、Routing 与 Federation，按任务把事实、历史、语义和规则组织成可追溯 Context。[M5, slide 9–11]
• 核心亮点：
1. 支持消息、数据库、湖仓、日志及企业文档，以主动发送、持续监听、挂载三种方式接入结构化、半结构化和非结构化数据。[M5, slide 12–13]
2. Kafka/RocketMQ 消息可形成 Event Table，通过流批一体 SQL 联查 RDS、OSS 等外部数据；DataBridge 在流转中完成 Filter、Transform、函数/HTTP 自定义处理和 AI Transform。[M5, slide 15–16]
3. 对确定性问题走 NL2SQL，对语义理解问题走 RAG；语义层定义对象、范围、关系、计算和值语义，ReAct 再依据真实执行反馈修正 SQL。[M5, slide 18–20]
• 发布状态：材料明确为“今天全新发布”，但没有说明公测、灰度、地域或全量上线范围。[M5, slide 9–10]
• 规划项：“客户真实问题集自动回归”明确标注为规划中；其余 Benchmark 门槛、Owner 审批、版本回滚是材料描述的治理设计，不能据此推断所有客户环境已完成落地。[M5, slide 26]

三、主题演讲

1. 刘尧、张美平：Kafka 从消息入口走向实时数据平台

• 核心观点：AI 应用需要数据新鲜度、一致性、实时供给和即用性；与 Kafka、外部计算、入湖工具和元数据系统拼成长链路相比，把流、算、湖收敛到一个平台可减少搬运和运行边界。[M1, slide 3–6]
• 技术论据：共同底座采用存算分离 Kafka，以 Meta Fence、Data Fence 和 Epoch CAS 阻断旧 Leader 双写；Table 与 SQL 是互不前置的两条独立路径，可分别使用，也可将 SQL 结果 Topic 再配置为 Table Topic。[M1, slide 18–20, 28]
• 工程边界：Table Topic 的可见性取决于提交间隔和文件布局；SQL 的 exactly-once 取决于 Source Checkpoint 与 Sink 的事务或幂等能力，吞吐还受分区并行度、Sink TPS 和配额约束。[M1, slide 21, 25]
• 一句话结论：该方案强调的不是功能简单拼接，而是 HA 单写、Table 资产、SQL 隔离和 AI 治理四个工程闭环同时成立。[M1, slide 29]

2. 何晓峰：用 SLS 把 Agent 运行过程变成可复用数据资产

• 核心观点：Agent 既产生多轮、跨模型和跨工具的过程数据，也会按业务语义读取数据并执行动作，因此数据底座要从单次调用记录升级为可关联、可验证的 Session/Trajectory 资产和统一语义。[M2, slide 2–4]
• 论据与案例：礼包未到账样例将主 Agent、诊断子 Agent、工具返回和原始 Span 串成 Trajectory；三轮会话只有在第三轮查询到到账凭证后才改变回答，并形成“无流水不得宣称到账”的评估规则。[M2, slide 6–8]
• 业务分析示例：增长分析样例中，300 人有强化材料需求，180 人曝光、90 人支付，需求付费率 30%；另有 120 人未触达、90 人曝光未付费、3 条咨询提到入口难发现。材料把这些数字限定在已核对样例，并明确“咨询样本不外推全体玩家”。[M2, slide 15]
• 一句话结论：同一份运行数据应同时服务排障、用量分析、审计和评估，并通过语义层、MCP 与 Skills 进入 Agent 的实际工作流。[M2, slide 8, 17–20]

3. 杨文婷：以持久事件流承接长时 Agent 任务

• 核心观点：复杂 Agent 从秒级无状态问答走向分钟至小时的强状态任务后，等待、恢复和有限算力分配成为常态，架构需采用状态外置、事件驱动、执行隔离和协议标准化。[M3, slide 3–4]
• 技术论据：LiteTopic 将 Submit、Running、Waiting、Resume、Completed 转成消息事件流；等待工具、人工或 GPU 配额时可 Suspend 并释放资源，恢复后从 Offset 接续，任务完成后由 TTL 回收队列。[M3, slide 5]
• 能力指标：“单实例轻松扛住百万级轻量主题”是材料给出的底层能力表述，不是某客户压测报告；排它订阅用于避免同一会话被多个实例并发消费，Peek 用于不推进进度地读取状态。[M3, slide 6]
• 一句话结论：MCP 负责让任务、进度和控制“可表达”，RocketMQ 负责让事件“可持久、可恢复、可移动”。[M3, slide 9]

4. 泮圣伟：Qoder Cloud Agents 的 Agent 工程实践

• 核心观点：适合交给 Agent 的工作应当“路径需要临场调整、结果能够检查”；平台负责执行与状态，业务仍需维护可信资料、专业方法、授权边界、验收标准和失败样本。[M4, slide 5, 26]
• 技术论据：大规模 Agent 的任务时长、在途并发和事件速率是不同容量口径。分布式架构将 Agent Runtime、共享持久状态、模型执行池和工具执行器拆分，用 LiteTopic 组织业务通道内有序、通道间并行及局部 Suspend。[M4, slide 11, 15–20]
• 技术指标：材料给出“降低 95+% Sandbox 时长”，并明确这取决于按需运行、预热和回收策略；“5 min”只是策略示例，不是统一默认值，文件保留也不等于进程恢复。[M4, slide 22]
• 一句话结论：云端运行底座只有与可追溯方法、共同验收标准和异常接手机制结合，才能把个人使用 Agent 变成组织可持续交付能力。[M4, slide 25–28]

5. 陈涛、沈林：AgentBridge 构建生产级多源实时上下文

• 核心观点：企业 Agent 的障碍不是“有没有数据”，而是能否把持续变化且分散的数据组合成完整判断依据；生产方案应从物理集中转向数据分布、理解与查询逻辑统一。[M5, slide 3–9]
• 论据与场景：客服退单场景需要同时关联 RocketMQ 退单事件、MySQL 客户/订单/物流/工单、ES 沟通记录以及规则文档，按时间线输出退单根因、历史投诉、合规挽留方案和相似案例依据。[M5, slide 3]
• 准确性与治理：结构化查询先利用语义层缩小范围，材料称通常控制在 15 张相关表以内，再以 ReAct 根据 rows/errorReason 收敛；文档检索则以唯一 ID、版本、内容 Hash、Metadata、BM25、向量检索和 RRF 重排降低混淆，并保留来源与版本。[M5, slide 20, 23–24]
• 生产边界：语义草稿基于 Schema、采样值和确定关系生成，AI 只提出待专家认证的候选；语义变更按 PR 管理，并由 Benchmark、Owner 审核、版本和回滚控制。[M5, slide 21, 26]
• 一句话结论：生产级上下文不仅要多源、实时，还要让每次数据、查询、检索、工具和模型调用沿 EventId、血缘及 trace_id 可追踪。[M5, slide 27–29]

6. 田军权：震坤行“星域”产研智能体协作实践（客户案例）

• 演讲者：田军权，震坤行高级架构师。[M6, slide 1]
• 已实践内容：震坤行自建“星域”协作平台，让人和需求、开发、测试、运维智能体围绕同一任务双向派活，共享上下文并持续回写状态与产物；人仍负责目标、关键决策和责任。[M6, slide 4]
• 已打通能力：材料明确列出云效、DMS、ACK、SLS、ARMS、OSS 为已打通服务，分别承接项目协作、受控数据操作、运行环境、日志、性能链路和产物归档；材料同时强调，开通产品不会自动形成全链路追溯，仍需编排侧关联标识、权限、留存和审批。[M6, slide 6]
• 交付闭环：人在前置环节定义目标、边界、验收和授权，智能体执行研发 Loop 与 QA Loop；代码问题回修复，数据或环境问题先补齐，越界或超限时带证据升级。[M6, slide 12–13]
• 当前进展：产研场景正在持续实践，已有业务和产品人员直接在星域提出中小型需求，由 AI Native 完成代码开发与自动化测试，开发人员主要协助配置；材料明确不宣称所有需求、业务或人员已被替代。[M6, slide 18]
• 结合方向与规划：材料把 LiteTopic 的会话隔离、有序、断流恢复和精准限流映射到星域诉求，但备注要求按实际情况区分生产落地与推进方向，现有材料不足以把该结合写成已上线事实。数据域小队编排、业务域编排与门禁仍在配置推进，跨域智能体接力也是演进方向。[M6, slide 10, 16–17]
• 一句话结论：客户实践的重点是“人做关键决策、数字团队持续交付”，且交付必须带可检查的功能与验收证据。[M6, slide 18]

7. 吴嘉程：千问办公 × AgentBridge 的岗位级数据分析入口

• 演讲者：吴嘉程，阿里巴巴 ATH 事业群千问办公硬件产品设计师。[M7, slide 1]
• 核心观点：千问办公作为岗位入口和办公交付层，AgentBridge 作为多源数据治理与可追溯分析底座，两者把“找数据、写查询”转为“拿结论、做复盘、开会议”。[M7, slide 6]
• 能力分工：千问办公负责市场安装、对话入口、Skill 编排及文档/表格/演示交付；分析专家套件负责理解问题、选择语义或 SQL 路径并验证结论；AgentBridge 提供 Catalog、SQL、数据语义、权限、审计和追踪。[M7, slide 6]
• 场景示例而非客户成效：材料用“示例客户 C10001，物流延迟且多次投诉”演示先检查数据质量，再通过 AskLuma 做语义探索、QueryEH 复核数字，最终输出即时结论、诊断看板和处理方案；该页没有真实客户名称、效果数字或上线状态，不能写成已验证客户案例。[M7, slide 7]
• 一句话结论：统一上下文层需要同时完成多源汇集、事实/决策/实体关系提炼、身份与口径统一，并继承既有权限按角色过滤。[M7, slide 5–6]

五、全场总结

1. 贯穿全场的主线

全场主线是：把实时数据从“供模型读取的原料”升级为生产级 Agent 的运行与协作基础设施。数据入口侧由 Kafka 完成流入、计算和入湖；上下文侧由 AgentBridge 统一多源数据、语义和查询；运行证据侧由 SLS 组织 Session、Trajectory 与业务语义；异步执行侧由 RocketMQ LiteTopic 承接会话、等待、恢复和容量调度；QCA、千问办公及震坤行星域分别把这些能力落到云端执行、岗位办公和企业产研协作中。[M1, slide 6–7; M2, slide 4–5; M3, slide 5, 9; M4, slide 7–8; M5, slide 11, 29; M6, slide 9–12; M7, slide 6]

2. 最有信息量的三个片段

1. 重磅发布｜刘尧、张美平：Kafka 的 Table 与 SQL 被明确拆成两条互不前置的闭环——Table 负责完整历史与可追溯开放资产，SQL 负责在线决策与数据新鲜度；二者共享存算分离底座但运行时隔离。[M1, slide 18, 28]
2. 主题演讲｜陈涛、沈林：AgentBridge 不要求先把所有数据复制到一个中心，而是让消息形成可查询 Event Table，并在统一入口中联查实时流、RDS 和 OSS；准确性再由 NL2SQL/RAG 分路、五类语义和执行反馈闭环保障。[M5, slide 15, 18–20]
3. 客户案例｜田军权：震坤行把任务、真实业务数据、日志、产物和验收放入同一产研闭环；人前置目标与授权，智能体完成开发、自检和 QA 回路，失败按代码、数据/环境或越界问题分流，而不是统一重试。[M6, slide 12–14, 18]

3. 跨形式呼应

• 问题定义：M5 指出生产 Agent 需要多源、实时、可追溯的上下文；M4 指出长程任务、在途并发和事件速率是不同容量问题；M7 则把企业价值从个人提效提升到组织上下文与岗位交付。[M5, slide 3–9; M4, slide 11–13; M7, slide 4–6]
• 产品发布落地：M1 的实时数据平台提供流、算、湖数据面，M2 的 SLS 能力提供运行数据和语义资产，M3 的 LiteTopic 提供持久异步事件面，M4 的 QCA 与 M5 的 AgentBridge 分别提供云端执行和统一上下文产品层。[M1, slide 5–7; M2, slide 4–5; M3, slide 5–9; M4, slide 7–8; M5, slide 9–11]
• 演讲与客户验证：M6 的震坤行实践把实时现场、异步会话、开发/验收证据和企业权限放进同一协作链；M7 展示千问办公如何把 AgentBridge 的数据能力包装成岗位任务和办公交付。前者提供有限范围的企业内实践证据，后者是方案示例，二者证据等级不同。[M6, slide 6, 9–14, 18; M7, slide 6–7]

4. 三条可落地建议

1. 给 Agent 平台架构负责人：先按责任边界拆分“实时数据、上下文、执行状态、运行证据”，再决定组合产品；避免让 SQL 进入 Broker 热路径、让 Agent 临时遍历所有数据源，或用一个常驻 Worker 承担全部等待。[M1, slide 18, 25; M4, slide 13, 15; M5, slide 7–9]
2. 给数据与治理负责人：为关键业务问题建立可执行语义和证据链——明确对象、范围、关系、计算和值语义；结构化问题与 RAG 问题分路；语义变更必须有 Benchmark、Owner 审批、版本和回滚，AI 生成内容保持“待专家认证”。[M5, slide 18–21, 26–27; M2, slide 10–14]
3. 给业务交付负责人：从结果可核验的中小型任务起步，把目标、授权、验收标准、失败分类和人工接管点前置；等待期间释放执行资源，恢复后按持久状态续跑，并把日志、工具结果、测试数据说明和最终产物纳入同一验收包。[M3, slide 3–6; M4, slide 5, 26–28; M6, slide 12–13, 18]

5. 证据范围

• 本摘要严格按清单顺序覆盖 7 份材料：M1 Kafka（30 页）、M2 SLS（23 页）、M3 RocketMQ for AI（15 页）、M4 Qoder Cloud Agents（29 页）、M5 AgentBridge（30 页）、M6 震坤行（19 页）、M7 千问办公（9 页）。M 编号依据 man-107.json 的材料顺序，而非 TXT 文件名排序。
• 证据仅来自上述材料的幻灯片正文与讲者备注；未使用论坛简介、网络搜索或其他论坛材料。M7 slide 8 无可提取文字，因此未据该页补充事实。[M7, slide 8]
• 现有材料没有可识别的欢迎致辞或圆桌讨论证据，因此未设置相应章节。客户证据仅以 M6 明确描述的震坤行内部实践为准；M2、M5、M7 中的礼包、退单、增长分析和 C10001 均按演示或场景样例处理。
• 发布状态按材料逐项标注：QCA 1.0 明确正式发布；SLS 的 MCP/Skills、DataAgent、SessionStore 分别处于已上线、部分地域发布、即将灰度状态；Kafka 平台、LiteTopic 新特性和 AgentBridge 虽明确宣布发布，但材料未给出公测/全量范围。所有“下一步”“Roadmap”“规划中”“配置中”“演进方向”均未写成已交付能力。[M4, slide 8; M2, slide 21; M1, slide 27; M3, slide 8; M5, slide 26; M6, slide 16–17]

【AI+教育科研：智能体时代的创新跃迁】材料摘要

三、主题演讲

谢源 · 香港科技大学方氏工程学教授、电子及计算机工程学系和计算机科学及工程学系讲座教授 · 从智能计算到Agentic AI：计算系统演进与教育科研新范式

• 核心观点：AI Scientist 存在"全自动"（端到端闭环，信仰自动化）与"Co-Scientist"（多智能体科学方法论，信仰严谨性）两条路线，二者并非对立，收敛于 L1–L5 分级自主；用可执行的科研闭环连接计算系统研究与人才培养，把人类判断写成约束、用工具反馈驱动搜索、用独立证据接受结论。
• 关键论据·案例·数据：2024 年诺贝尔物理奖（Hopfield、Hinton）与化学奖（Hassabis、Jumper、Baker/AlphaFold2）首次同时颁给 AI 成果；悟空 NPU 为面向 Agent 开发的可编程 AI 芯片，PE 面积由 3302→1130 μm²（约优化 65.8%），双 TensorCore 目标算力配比 FP16:FP8:FP4=1:8:16、相对 1:2:4 方案面积约低 30%、时序约快一倍，N6 前端综合面积约 1.1 mm²/2 GHz/单核 2 MB，2 人×24 天兼职投入、约 17 万行代码、20139 次工具调用跑通 Tiled GEMM；MoP Agent Prefetch 从策略选择走向机制发现，Held-out IPC 相对无预取几何平均提升 61.1%（片上存储 110 KB / 6 nm 0.0347 mm²）；底座三道硬伤——上下文学习 CL-BENCH 平均 17.2%、复杂约束工具使用 CCTU PSR<20%、多步科学任务 SciAgentGym 成功率约三成且随步数指数下降。
• 一句话结论：计算系统为自动科研提供实验场，Agentic AI 改变系统研究的组织方式，教育科研应转向组织可验证、可复现的长期探索。

华先胜 · 同济大学工程智能研究院执行院长 / IEEE Fellow / Global TR35 Winner · 工程智能：从科学发现到世界改造

• 核心观点：工程智能（AI4E）是将 AI 与工程学科原理深度融合、数据与物理规律双轮驱动、覆盖工程全生命周期的方法论与实践体系，目标是构建"工程智能操作系统"，改变技术研发、行业/学科创新、人才培养与应用落地的范式，实现四个"规模化"。
• 关键论据·案例·数据：复杂工程面临"看不清、判不准、推不远"三大难题，传统还原论方法常失效、现有 AI 难进入工程主流程；提出三大研究挑战——可信建模难、可信决策难（推理与执行）、可信协作难，对应"工程世界模型 + 共生共创智能体系统 + 人机互信体系"三大方法论；强调人机互信（信任度量、动力学演化、非对称性、多目标协同优化、信任损失函数）是破解复杂工程困境前提；系统采用"点线面一体化、产学研一体化、人模系统一体化"，构建 AI4E OS（基础设施→数据处理→工智大模型 MaaS→工智智能体→规模化实践）；与阿里云合作推进应用示范（阿里云 MaaS 服务、PAI 灵骏智算、平头哥芯片），上海同济工程智能研究院启航。
• 一句话结论：唯有构建人机互信的工程世界模型与共生共创智能体系统，AI 才能成为"可上岗的工程力量"，规模化赋能复杂工程。

杨怡豪 · 浙江大学信息与电子工程学院 · 求是引擎：AI自主科学研究的探索与实践

• 核心观点：真正的 AI 自主科研需要的不是"一次回答更长"，而是长程、动态、证据驱动且可追溯的持续研究过程（长程研究、动态探索、持续记忆、证据驱动、全程可追溯）；"求是引擎"把开放科学问题组织成持续运行的多智能体研究循环（多模型协同、全局记忆、元轨迹）。
• 关键论据·案例·数据：光学案例中仅给研究目标与参考文献，系统经步骤 1–206 先发散（4 个想法）再主动收敛到"相干光双线性交互"机制并经四相位干涉解调实验验证，与理论高度一致，可映射 Transformer 注意力 QKᵀ 双线性交互，持续自主研究约 13 小时、3242 次推理、148.9M 词元；BabyLM 2026 Strict-Small 赛道（仅 10M words）由求是引擎从零自主完成数据/模型/训练/评测，OAO Average 42.12 登公开榜单第一，耗约 11.4 亿 Token、10816 次模型调用、12288 次工具调用；已形成十余项跨领域（物理/光学/数学/生物医学/AI）阶段性成果；AstaBench E2E-Bench-Hard 基于国产 DeepSeek V4 得 81.59 分公开榜单第一，完整任务做通率约 3%→10%。
• 一句话结论：目标不是让 AI 产生更多答案，而是让 AI 从"回答已知"走向"探索未知"，持续产生能被验证的重要科学发现。

曲振斌 · 阿里云智能集团 · 教育新范式，智能新未来：大模型时代的教育进化与阿里云能力

• 核心观点：模型正从"更聪明"走向"更实用"、智能上限与经济适用并行；校园是新技术的天然孕育与试验场，AI 带来科研方式、教学边界、创业门槛、行政管理四个维度的变化；应把可交给 AI 的（资料整理、初稿生成、方案拓展）交给 AI，而问题定义、证据判断、责任承担须由学生主动承担。
• 关键论据·案例·数据：Agent 从传统被动 ReAct→工作流→自主→自进化演进，任务 Token 耗用约 7000 倍增长；旗舰模型向万亿级参数扩展（Kimi K3 2.8 万亿、Qwen3.8 Max 2.4 万亿等），SOTA 模型平均<10 天刷新、AI 原生应用平均 2+ 天发版；教学案例（天杭实验学校三维地球教具、春晖小学校长工作台）、AI4S 案例（达摩院与北大解析 7.56 TB 卫星影像、超 3000 万张遥感切片首次点清全国风光分布，跨省最优互补每年可额外消纳约 998.8 亿千瓦时；千问办公助国家天文台 3 天搭建望远镜仿真系统、发现 8 颗极早期超新星候选）；青橙计划已合作 30+ 高校；PPU 1.5（真武 M890P）原生 FP8/FP4、FP8 算力是 H20 的 2.8 倍、144GB HBM3e、全面兼容 CUDA；阿里云全栈 AI 云 40.1% 市场份额、AI coding 47.6% 份额第一、千问家族六个月全球下载超 20 亿；千问办公 AI 灯塔首批合作 100+ 教育单位。
• 一句话结论：计算，为了无法计算的价值——阿里云以全栈 AI 能力（MaaS/Infra/Agents）支撑大模型时代的教育进化。

樊春 · 北京大学计算中心 · 北京大学AI应用探索与实践创新：从信息化到数智化

• 核心观点：大模型能力已不是瓶颈，真正的瓶颈是"怎么用起来"和"怎么用得起"；把握"算力底座→模型→智能体"三层主线，在教学、科研、管理服务一线把 AI 真正用起来，并为高校算清一本"词元经济"的账。
• 关键论据·案例·数据："十五五"规划纲要"数智化"出现 14 次、教育部等五部委 2026 年 4 月印发《"人工智能+教育"行动计划》、国务院 6 月《教育发展"十五五"规划》单列"教育数智化变革"；顶层设计为委员会统筹+专班执行+计算中心筑底座（2023.11 发起 DI-IDEA 国际大学联盟、2024.6 成立人工智能发展委员会）；六件事——塔图 MaaS 平台（2025.3 上线，累计调用 6000 万+、输入词元 4142 亿、输出 394 亿、本地模型占 27.14%、在线前沿模型 45 个、成功率 98%、Prefix 缓存命中 92%、日均约 20 万次）、AI 辅助系统重构（mealcard 39056 行 Java+ExtJS→12896 行 Python+Vue3，精简 67%）、智能运维、数据画像、BoyaAgent 超级智能体、"一个学院一个智能体"教学智能体矩阵（工小成/化小北/小北智学/豆角AI/AIMD 等）；成本账采用 85:15 策略——85% 可出域负载向市场采购并保持多供应商、15% 涉密留痕负载本地生成，主流模型输入价两年降约 98%；给同行四条建议：建一本账、分级部署、开放合作、治理护栏。
• 一句话结论：从信息化到数智化是必答题，把负载比例定对比把架构画对更省钱，数智化转型只奖励开始行动的人。

胡轶宁 · 东南大学 · 东南大学AI算力建设与场景落地实践：从"算得动"到"用得好"

• 核心观点：高校 AI 建设不是"交付计算资源"而是"持续交付智能能力"，判断 AI 能否落地不只看 Benchmark 更要看业务闭环；应"先理解业务、再使用 AI"，走"业务驱动、价值闭环"的正道而非"技术先行、盲目堆砌"的误区；沿"算得动→用得上→用起来→用得好"路径，沉淀业务能力而非堆模型。
• 关键论据·案例·数据：医擎重症大模型以模型/数据/知识/流程四要素落地 ICU，病程记录整理由约 1 小时/份降到 1 分钟（效率提升约 60 倍）；东南大学云智算一体化平台整合通用计算/科学计算/AI 计算，新增真武 810 服务器 16 卡，本地化部署 Qwen 等；统一模型服务累计 API 调用 1000W+、Token 处理 100 亿+，核心模型矩阵含 Qwen 系列、DeepSeek、多模态与垂类；垂域模型矩阵含法衡（法律）、医擎（医疗）、智策（医保）、周行（交通）、砼真砼知（土木材料）、ChipExpert（全国首个芯片设计开源大模型）、问道（伦理）；教学构建"五助"智能体系并多项目入选教育部"人工智能+高等教育"典型应用场景；科研提供成果调研/论文研读/学术写作/文献对话/科学导航全链路闭环；管理自研成果认证、统一身份认证、业绩积分、科研知识图谱、校内服务智能体，成果认证数据更新周期由一个月缩短到三天。
• 一句话结论：模型会不断变化，真正应沉淀的是业务能力；只有进入真实流程，AI 才能从工具跃升为核心生产力。

五、全场总结

本论坛围绕"AI+教育科研：智能体时代的创新跃迁"，从科研范式、工程智能到高校落地实践形成一条完整链路。谢源、华先胜、杨怡豪三位从方法论层面阐述了 AI 自主科研与工程智能的新范式：AI Scientist 走向分级自主、以可验证可复现的长期科研闭环连接计算系统与人才培养（谢源），工程智能以"人机互信"构建工程世界模型与共生共创智能体系统实现规模化赋能（华先胜），"求是引擎"以长程、证据驱动的多智能体研究循环让 AI 从回答已知走向探索未知并在 BabyLM、AstaBench 等公开赛场取得领先（杨怡豪）。曲振斌、樊春、胡轶宁三位聚焦落地实践：阿里云提供全栈 AI 能力（MaaS/Infra/Agents）支撑教育进化（曲振斌），北京大学以"算力底座→模型→智能体"主线和 85:15 词元经济账把 AI 用在教学科研管理一线（樊春），东南大学以"从算得动到用得好"的业务闭环沉淀垂域模型与"五助"智能体系（胡轶宁）。共同指向：AI 时代科研与教育的稀缺资源正从"完成步骤"转向"提出好问题"与"可靠验证"，高校需在算力、模型、智能体与治理护栏上系统布局，让智能体时代的创新跃迁在校园里真实发生。材料未涉及的具体上线时间、商业数据与嘉宾间分歧，本摘要不作推断。

【AI原生·重塑企业生产力】材料摘要

> 材料编号按清单顺序：M1 张亮主题材料，M2 徐栋主题材料，M3 信永中和案例，M4 Flyelep 飞象案例，M5 ASED 电子设计案例，M6 公共云生态伙伴 FDE 体系联合发布。

二、重磅发布

M6｜公共云生态伙伴 FDE 体系联合发布

• 发布名称与发布人：材料明确发布“公共云生态伙伴 FDE 体系”；发布人及参与发布的具体组织、人员名单未说明。【发布；M6，slide 1】
• 发布内容：体系以“专属授权、服务驱动、结果可量化可复制”为定位，目标是让伙伴从单一产品售卖转向覆盖售前咨询、销售与交付的全链路服务，并把 FDE 专业能力转化为规模化 MaaS 增长。【发布；M6，slide 1】
• 核心亮点：一是政策支持，包括专项激励、商机分发与 MDF；二是按 L1-L3 等级和六维能力开展 FDE 标准认定；三是形成“培训考试—实操赋能—等级认证—季度考核—实人核验—汰换”的认证运营闭环。【发布；M6，slide 1】
• 阶段与状态：材料将 9 月中旬、9 月下旬、10 月中旬及 S2 列为阶段节点，并列出首批培训认证、意向伙伴联合发布、商机分发流转试点、AI 生态思享汇、首批伙伴授牌、正式运营和资源全面对接等推进事项；受单页排版限制，各事项与日期的逐一对应关系不完全清晰。【规划；M6，slide 1】
• 上线口径：本次材料能确认的是体系“联合发布”；未说明相关平台或全部运营机制是否已经上线，也未说明公测范围、首批伙伴数量、量化目标和实际运营结果。【发布状态限制；M6，slide 1】

三、主题演讲

M1｜张亮：AI 原生·重塑企业生产力

• 演讲者：张亮，阿里云智能集团公共云事业部副总裁、AI 原生业务总经理。【M1，slide 1】
• 核心观点：AI 正从附加工具变为生产力和业务运行中枢，企业竞争的分水岭由“是否使用 AI”转为“能否把 AI 用进完整工作流”；相应地，个人与企业、小企业与大企业的能力边界被压缩，组织则从人主导工具走向 Agent 驱动业务。【观点；M1，slide 2-5、8】
• 趋势论据：材料援引 Valere、OPC 中国和阿里巴巴集团数据，称 AI-native 公司相较传统 SaaS 公司人均产出为 4 倍，中国 OPC 存量 1,600 万家、新注册增速 47%，阿里云 AI 相关收入连续 12 个季度三位数增长，并给出 AI 云与算力服务收入 484.37 亿元、总收入及外部客户收入同比增长均加速至 45% 的口径。这些是演讲材料引用数据，摘要未对外部来源另行核验。【材料引用数据；M1，slide 2】
• 组织尺度变化：材料提出用“员工数 + AgentCount”和“人 + AI 单元产值”替代只看员工数、人均产值的传统尺度，并以一个业务人员配合 Agent 矩阵举例，给出上线周期 3 周降至 3 天、内容产出提升 10 倍、人力成本降至 1/12，以及小企业可按调用量、月付数千使用同一模型能力的设想。材料未交代这些数字对应的具体客户、样本和统计方法。【自报/示意数据；M1，slide 4-5】
• 制造案例：宁波震裕通过 MCP 打通 ERP/SRM，以规则引擎和大模型监测供应商健康度，并用语义理解与硬门槛自动完成寻源筛选排序；材料未给出节省工时、准确率或投产日期。【案例；M1，slide 6】
• 法律案例：方达律所将 AI 用于合同起草与风险条款标注、研究问答、摘要和类案匹配，并沉淀资深律师经验；材料称研究任务从数小时缩短至分钟级，但未披露样本量和测算方式。【案例/自报成效；M1，slide 7】
• 国际物流案例：运去哪在供给侧实现美加运价 100% 自动解析，在销售侧用 Skill 串联询价、报价和客户画像，并计划推进自动订舱与结单；“100% 自动解析”为材料自报，“推进”事项属于规划，材料未给出准确率、覆盖订单量和完成时间。【案例+规划；M1，slide 9】
• 阿里云内部案例：销售 AI 中枢整合客户信息、定时巡检公开信息、识别变化、更新方案、个性化触达并自动回写记录，材料称客户管理跨度从数十个重点客户扩展到数百个、提升 10 倍；这是材料自报案例，未说明统计周期与基线。【案例/自报成效；M1，slide 10-11】
• 落地框架：组织演进被划分为三阶段：AI 工具阶段由人操作和决策；流程嵌入阶段由人处理关键确认与例外；AI 驱动阶段由 AI 中枢联动 ERP、CRM、SCM 等系统，人负责目标、约束、抽检和兜底，形成“数据—模型—行动—反馈—优化”闭环。【方法论；M1，slide 8】
• 底座主张：阿里云给出的支撑包括 Qwen 多模态模型、知识库/Agent 编排/MCP、AI Infra、专属部署、细粒度权限、全链路审计、内容安全、SLA 和多种推理计费方式，并由 FDE 从选场景陪跑到上线；材料没有给出本页能力的统一上线范围或具体 SLA 数值。【产品能力陈述；M1，slide 12】
• 一句话结论：企业要把 Agent 作为可治理、可审计、可持续优化的“组织成员”嵌入核心系统，而非继续堆叠彼此割裂的 AI 工具。【结论；M1，slide 8、10-12】

M2｜徐栋：2026 大模型技术解决方案趋势分享

• 演讲者：徐栋，阿里云智能集团千问大模型业务总经理。【M2，slide 1】
• 核心观点：产业竞争正从单纯的模型性能竞赛转向“应用为王”和 Token 经济；真正可用的能力需要同时跨过质量、成本与可靠性的生产阈值，并由模型服务、Agent 运行平台、数据平面和云基础设施共同承接。【观点；M2，slide 2、7、9、11】
• Token 经济判断：材料将 Token 描述为从计数单位、生产力计量单位进一步演进为战略资源和价值载体，用来统一度量数据、算力、算法与智能服务；这是演讲提出的趋势框架，不是已公布的行业统一标准。【观点；M2，slide 2】
• 人机与多模态趋势：材料判断机器将从工具转向伙伴，交互由单一屏幕走向虚实融合；多模态应用则从单次内容生成走向跨语言、连续任务和实时交互，企业规模化需要批量生成、一致性控制、多尺寸适配、质检与分发四类工程能力。【趋势判断；M2，slide 3、10】
• 模型能力数据：材料引用 arena.ai 2026-09-02 榜单，称 Qwen3.8-Max-0902 在 Code Arena WebDev 获 1,691 分并登顶，同时列出 PaperBench 93.0、IFBench 82.8、WideSearch 81.9、PLawBench 73.2、HealthBench 60.2、PRBench-Finance 58.3、PRBench-Legal 57.6；这些属于材料引用的榜单与评测结果，未在本摘要中外部核验。【材料引用评测；M2，slide 4】
• 自主任务演示：官方 demo 页给出 16 天无人值守编程、265 次提交与 127 个 PR，200 页财报解读、100 小时视频记忆，365 天电商经营模拟资产达到 4.16 倍，以及一句话生成可玩游戏等展示；材料未说明各 demo 的完整评测条件、对照组和可复现方式，不能等同于普遍生产能力。【演示/自报；M2，slide 5】
• 产品增长口径：材料列出 Qoder 全球用户 600 万+、IDC 2025 中国 AI Coding 市占 47.6%；千问办公公测满月用户 3,000 万、企业占比过半、一个月迭代 120 个版本；千问 App 2026-03 月活超 3 亿；阿里云 FY2027 Q1 AI 相关收入 123.76 亿元、连续 12 个季度三位数增长、云外部收入同比增长 45%。但该页同时写明部分曲线为指数化示意、绝对值待内部供数校准，并留有数字核对和指标替换编辑备注，因此这些数字应视为待确认的材料口径，而非本摘要确认的最终披露。【自报/待校准数据；M2，slide 6】
• “可用线”与生产案例：材料把检索、翻译、内容生成、合同审查、软件工程 Agent 等放入不同成熟区间，并以芯片设计案例给出网表门数 8,298 降至 678、面积由 106×106 降至 46×46 µm²（材料标注 −81%）、时序从 −4.46 ns 违例到 +0.66 ns 闭合；合同审查案例则称数百份合同由法务约一周缩短至 1 小时，一次标出 1,284 条相关条款。该页注明来源为 Qwen3.8 官方博客实测，同时仍含“需要改 B 端客户案例”等编辑备注，案例适用边界和客户真实性需另行核验。【案例/自报实测；M2，slide 7】
• 成本“斩杀线”：材料引用 2026-09-05 arena.ai 帕累托前沿，列出 Qwen3.8-Max 与其他模型的输入/输出牌价、Qwen3.8-27B 单评测任务成本，以及同一开源权重在不同托管服务上的价格与吞吐差异，用以论证“同价位选最强、同能力选最低价”。这是特定时间、评测与牌价条件下的比较，材料未说明优惠、缓存和实际企业负载等变量。【材料引用价格比较；M2，slide 8】
• 推理服务能力：面向 Agent 规模化，材料给出按量批量推理、承诺用量、Prime mode、TPM 预留、PTU/DTU、autoTPM 等供给方式，并自报 SLA 99.99% 以上、模型弹性启动 1,200 秒降至 90 秒、1 万 Pods 约 1 分钟拉起、调度决策 20 秒降至 0.4 秒、TTFT 改善 81%、TPOT 从 25 ms 降至 10 ms、峰值异常频率下降 98%、峰值吞吐提升 2 倍。材料未说明测试环境和口径，“上线范围”也未逐项说明。【产品能力/自报性能；M2，slide 9】
• Agentic Cloud 架构：材料描述从自研芯片、千问及生态模型，到高性能推理、上下文缓存、安全治理，再到 Agent 运行时、编排、记忆与业务应用的全栈，并提出将阿里巴巴全域服务 MCP/Skill 化；该页是能力版图，不代表所列项目均处于同一成熟度或全部对外开放，材料未逐项说明状态。【架构与规划边界；M2，slide 11】
• 行业案例：材料列出蚂蚁的交易闭环与跨终端协同、南华早报的内容生产与跨语言服务、得物的亿级 SKU 秒级验真、泛海集团 CNC 工艺智能体、网易游戏研发提效 50%/创意提速 70%及玩法播放量破 3 亿、作业帮 L5 级 AI 家教等；这些均为材料案例口径，未提供实施范围、基线或第三方验收结果。【案例/自报成效；M2，slide 12】
• 端侧案例：智己、比亚迪、海信、荣耀、影石 Insta360、美的分别覆盖座舱控车、生活服务、翻译纪要、跨应用任务、相机与剪辑、全屋设备服务，体现“感知—理解—执行”和端云协同；材料未给出各能力的版本、覆盖车型/设备、上线区域与用户量。【案例；M2，slide 13】
• 生态与 AI-native 企业：材料列出阶跃星辰、智谱、MiniMax、月之暗面在模型接入、算力、Agent、多模态和商业化上的合作，其中智谱 GLM 推理吞吐提升 15% 为材料自报；另列 LibTV、九州、水木分子、深势科技、筷子科技等 AI-native 案例，九州“日生成约 1,000 集”明确为客户口径。材料未说明这些合作或数据的审计方式。【合作案例/自报；M2，slide 14-15】
• 一句话结论：大模型价值不止取决于单项榜单，而取决于能否以可控成本和稳定服务进入交易、研发、内容、终端等业务闭环；材料中的多项数字仍带草稿校准提示，落地决策前应回到正式产品与客户证据复核。【结论与证据限制；M2，slide 6-15】

M3｜黄峥：从“不敢用”到“离不开”——信永中和 AI 工作平台实践

• 演讲者：黄峥，信永中和会计师事务所合伙人。【M3，slide 1】
• 机构与场景背景：信永中和自述为全国一体化管理、拥有自主国际网络的本土综合专业服务机构，业务覆盖审计鉴证、管理咨询、税务和工程管理，并以自研“信天游”业务平台和安全制度支撑集团业务。【机构自报；M3，slide 2】
• 核心观点：专业服务行业的 AI 落地障碍不是一个聊天框，而是数据隐私、专业知识、系统权限和业务流程四道鸿沟；因此应由“系统 + AI”的单点插件升级为统一身份、数据、模型、安全和运营的集团级 AI 工作入口。【观点；M3，slide 3-6】
• 平台方案：平台由统一入口、业务 Agent、能力连接、数据与知识、基础运行环境构成，以 MCP、API、RAG 和 Agent 编排连接制度流程、金融数据、IPO 合规、工程造价等能力，并结合内部知识、业务数据及天眼查、同花顺等外部数据源。材料说明了架构，但未说明全量上线日期、覆盖员工数或具体技术版本。【案例方案；M3，slide 6】
• 首批落地场景：实践从“少做一步”的高频问题入手，包括制度流程问答、企业信息查询、金融数据查询、IPO 与监管专业查询、函证文件自动比对、合同自动审阅；材料未提供逐场景的准确率、节省工时和使用规模。【案例；M3，slide 7】
• 数据调用方式变化：过去员工分别登录多个专业数据库并人工拼接；现在由 AI 理解需求，经 Agent 和 MCP/API 调用专业数据，完成聚合、清洗、比对和结构化输出。广联达案例进一步把材料价格、历史指标和图纸造价分析能力接入 Agent，定位是从“查数据”转向“调用专业能力”。【案例；M3，slide 8-9】
• 采购模式判断：材料提出从采购 20+ 个绑定人员的软件账号，转向集团统一汇聚资源、按需调用数据和专业能力；这是演讲者对未来采购与服务模式的判断，未披露实际成本节省和合同变化。【观点/规划；M3，slide 10】
• 运营数据：材料自报平台有 3.42K 活跃会话、13.95K 对话总量、12 个活跃 Agent、16 个 AI 应用、56.5 亿 Token 消耗，热门方向包括企业信息、金融分析、广联达行业、IPO、监管重组和智能投研；统计周期、活跃定义、用户规模与 Token 计量口径未说明。【自报运营数据；M3，slide 11】
• 后续路径：演进路径为 Chat 问答、Agent 能力调用、Workflow 流程融合，目标是从信息检索进入分析、判断、方案生成、复核、审批和归档闭环；材料以愿景表达“才刚走到中间”，未说明 Workflow 阶段的完成比例和时间表。【规划；M3，slide 12】
• 一句话结论：企业 AI 的“最后一公里”需要安全底座、专业数据、系统连接和持续运营共同完成，成效应以是否进入实际作业流程衡量，而不是以是否提供聊天入口衡量。【结论；M3，slide 3、8、11-12】

M4｜莫智帆：从“一键生成”到“全球增长”——Flyelep 超级 AI 内容工厂

• 演讲者：莫智帆，益象创新科技 CEO；材料将 Flyelep 飞象定位为全球电商内容智能体。【M4，slide 1】
• 核心观点：跨境电商内容竞争进入“读秒时代”，增长瓶颈从需求转向执行速度；通用生成工具难以同时满足品牌一致性、卖点文案、专业排版、多语言、多平台和批量生产，因此需要垂直模型、数据与工作流结合的内容 Agent。【观点；M4，slide 2-6】
• 市场依据：材料称 98% 的品牌商预计国际订单增长、2026 年全球跨境电商 GMV 将达 6.88 万亿美元，并估算中国活跃卖家/店铺 3,500 万+、美国 1,200 万+等市场规模；这些是材料引用或估算，未标出完整来源与统计方法。材料同时给出传统外包详情页每套 600-2,000 元、周期 3-7 天的痛点口径。【材料估算；M4，slide 2-4】
• 产品覆盖：Flyelep 自报覆盖 Amazon、Temu、Shopee、AliExpress、TikTok Shop 等共 38 个海外与国内平台，支持中英俄日韩阿德西法泰等 15 种语言，目标是一分钟生成 15 张以上同风格详情图/海报并批量生成视频。【产品自报；M4，slide 6-7】
• 已发布能力：材料明确称产品已全面上线 Qwen 3 和 Wan 3 系列模型，并展示主图、详情页、营销海报、种草视频、品牌 TVC、口播、剧情带货和爆款视频复刻等能力；其中“最长 60 秒”“原生 30 秒长叙事”“0 场景、0 模特、0 剪辑”为材料功能口径，未说明具体套餐、区域与开放范围。【已上线能力/产品自报；M4，slide 7-11】
• 效果与成本：材料自报综合测试可用率 85% 以上、单套详情页成本约 5 元（降低 99%）、出图 1 分钟（提升 1,000 倍）、30 秒短视频成本 30 元且耗时 8-10 分钟，并称可自动适配平台规范与 SEO 热词；对比基线主要是通用工具和传统外包，测试样本、质量门槛及统计方法未说明。【自报成效；M4，slide 7、12】
• 技术方案：SUN-X 垂直行业模型与 SUN-Y AI 数据标注/爆款合规平台协同，叠加 SEO、版权、多语言、区域审美、排版和一致性控制，并把阿里云图文音视频模型作为 Agent 工具层。材料自报商业图像可用率 85%+、短视频带货可用率大于 80%。【产品方案/自报指标；M4，slide 13】
• 市场验证：材料称在未大规模营销情况下获得全球用户增长，多家头部卖家复购率超过 90%，且截至材料口径已服务 10 万+电商商家用户；未提供客户名单、统计周期、付费用户占比和复购定义，故应视为企业自报。【自报市场数据；M4，slide 14-16】
• 公司历程与资质：材料列出 2023-2025 年平台版本、行业活动、合作、融资、算法备案与奖项，包括 BextAI V1.0/V3.0 上线、国家级 AIGC 模型算法备案、天使轮融资，以及 Flyelep 上线后首月注册破万等；这些均为公司材料自述，摘要未另行核验。【公司自报；M4，slide 16-17】
• 与阿里云合作：阿里云服务器与全球加速承载应用和音视频，千问及视觉、图像、视频能力进入生产工作流，双方还通过市场与生态资源连接商机；材料将其定义为技术共创与增长加速合作，未给出合同范围或联合项目结果。【合作案例；M4，slide 18】
• 后续方向：产品愿景是把图像到视频、单点到批量的能力扩展为全球电商内容工厂，持续帮助出海商家提高内容速度和质量；材料未给出下一版本、时间表或收入目标。【规划；M4，slide 19-20】
• 一句话结论：Flyelep 的案例说明垂直内容 Agent 的价值来自“模型 + 行业数据 + 批量工作流 + 全球基础设施”，但其效率、可用率、用户和复购数据均为企业自报，仍需用真实投放与转化结果复核。【结论与证据限制；M4，slide 7、12-18】

M5｜蒲东：不靠人数长大的公司——ASED AI 电子系统实践

• 演讲者：蒲东，成都派兹互连电子技术有限公司副总裁兼 AI 技术研发总监。【M5，slide 1】
• 核心观点：AI 原生不是给工程师加聊天框，而是让 AI 从第一天进入组织编制、承担明确产出并接受 Gate 门控；通过把 EDA 引擎、规则库、算力和设计经验云化，轻量团队可以复用过去由巨头长期积累的能力，增长由资产复利而非扩招驱动。【观点；M5，slide 1-5、14】
• 行业问题：中小团队面临引擎与规则库、设计经验、工具与算力三道门槛，成熟工程师培养周期长、试错和量产返工成本高，经验又锁在巨头规则库、评审记录和工程师个人脑中；材料对“五年/十年培养周期”存在不同表述，未给出行业调查来源。【行业判断；M5，slide 3-4】
• 组织与系统方案：一个 Multi-Agent 协调器负责拆解和调度，五类领域智能体分别承担电路设计、BOM 分析、DFX、生产工艺和评审，输出可复用原理图、查证后选型表、DFX 报告、工艺档案和 Gate 结论；S0-S9 阶段执行“AI 提议、人类审核、不过不放行”。【案例方案；M5，slide 6】
• 经验资产化：真实工作先完整留存，再由 LLM 与几何/结构算法抽取规则、参数和偏好，人工审核后带归属与版本入库，后续项目复用并回流修订；成熟 Skill 还可发布为云服务，实现“手艺—Skill—组织资产—行业服务”的循环。【方法论；M5，slide 7】
• 测试与客户数据：材料称智能建库准确率大于 95%，PCB 层和属性识别大于 98%，非结构化工艺参数抽取大于 95%，分组速度提升 100 倍，规则层解决 90% 以上分组合并、LLM 再提升 10%，上传链路提速大于 5 倍，DRC 符合率 100%，并支持刚性板和柔性板。这些数字明确来自“客户案例与产品实测”，但未披露样本量、测试集和第三方验收方式。【自报实测；M5，slide 8】
• 交付与安全：材料自报产品按周迭代、线上问题周内闭环，并可在企业内网私有化部署、标注产出来源和全程追溯；云端形态按项目或订阅付费，可免去百万级引擎许可与工作站投入、分钟级开通，无影云电脑提供浏览器入口，高安全行业可切换私有化。实际价格、已交付客户数量和 SLA 未说明。【产品自报；M5，slide 8、10】
• 与阿里云联合方案：ASED 叠加模型、云桌面、行业数据与云基础设施，使用 Qwen 推理模型、无影云电脑、ECS/弹性裸金属/CPFS、OSS/PolarDB MySQL/MaxCompute/DLF，并提出共同建设行业语料、训练集、评测基准和版本管理；“联合共创行业大模型”属于合作方向，材料未说明已完成的模型版本与发布时间。【合作案例+规划；M5，slide 11】
• 选型理由：材料从芯片算力、Qwen 开源模型、百炼/PAI/DLF、无影、合规与生态六方面解释选择阿里云，并列出全球 30+ 地域、等保三级、数据地域锁定等能力口径；这些为演讲方的产品选型陈述，未逐项给出本项目实际启用范围。【选型自报；M5，slide 12】
• 版本路线图：材料标示 v1.3（2026.03，699 万属性数据）、v1.6（2026.06，智能化模块布局）、v1.7（2026.08，原理图工程管理）、v1.8（2026.09，电子产品全流程设计），并规划 v1.9（2026.10，PCB 智能分区）、v2.0（2026.12，500 万+设计库）及 2027 年整板推挤、SI/PI、通用智能布线器等方向；页面汇总为 17 个月、9 个版本、69 项功能。材料未说明已完成版本的验收口径，2026.10 及以后节点应视为规划而非已上线事实。【里程碑+规划；M5，slide 13】
• 一句话结论：在高专业、高风险的电子设计流程中，AI 原生的关键不是完全无人化，而是把经验做成可继承资产、把任务交给有明确产出物的智能体，并用人工 Gate 和可追溯部署控制风险。【结论；M5，slide 6-8、14】

五、全场总结

1. 贯穿全场的主线

全场形成了清晰的“模型能力—工程底座—业务流程—组织重构—生态复制”链路：张亮从组织视角提出 Agent 应进入核心系统并改变企业尺度；徐栋从模型、推理服务和 Agentic Cloud 解释生产阈值；信永中和、Flyelep 和 ASED 分别在专业服务、电商内容和电子设计中展示垂直数据、工作流与人工治理如何把模型变成生产力；FDE 联合发布则试图通过认证、运营和伙伴机制复制交付能力。【M1，slide 3-12；M2，slide 7-15；M3，slide 3-12；M4，slide 5-19；M5，slide 6-14；M6，slide 1】

这条主线也反复强调三个边界条件：第一，通用聊天能力不足以直接进入专业业务；第二，规模化必须具备数据权限、系统连接、稳定推理、审计和人工兜底；第三，案例数字大多为演讲方或客户自报，部分材料还保留待校准编辑备注，不能把演示、规划或自报结果写成统一可复制的已验证成效。【M1，slide 8、12；M2，slide 6-9；M3，slide 3、6、11；M4，slide 12-16；M5，slide 6、8、13】

2. 最有信息量的 3 个片段

1. 主题演讲｜徐栋：用“可用线”把模型能力拆成质量、成本和可靠性三项生产门槛，并同时给出芯片设计、合同审查和推理服务数据；它把“模型会做”与“业务敢用”区分开来，但相关页含编辑备注，数字仍需回到正式材料复核。【M2，slide 7-9】
2. 客户案例｜黄峥：信永中和没有从“替代人”起步，而是先统一入口、身份、数据、模型和安全，再从制度问答、专业数据、函证比对与合同审阅进入工作流；3.42K 活跃会话、12 个活跃 Agent、16 个应用说明其已进入运营观察阶段，但统计口径未披露。【M3，slide 6-12】
3. 客户案例｜蒲东：ASED 把五类专业智能体嵌入 S0-S9 工序，并以“AI 提议、人类审核、不过不放行”处理高风险设计；同时把评审记录和工程经验抽取成带版本的 Skill，使轻量团队增长从人头扩张转向资产复用。【M5，slide 6-8、13-14】

3. 跨形式呼应：主题定调 → 案例验证 → 发布落地

• 主题定调：M1 把 AI 原生定义为业务与组织重构，M2 补充模型、推理、数据和 Agent 平台必须共同跨过生产阈值。【M1，slide 3-8、12；M2，slide 7、9、11】
• 案例验证：M3 证明专业服务首先要解决隐私、知识、权限和流程；M4 证明内容生产需要垂直模型、合规数据与批量工作流；M5 证明高风险工程流程需要明确产出、人工 Gate 和经验版本化。三类案例共同否定“加一个聊天框就算落地”。【M3，slide 3-9；M4，slide 5-13；M5，slide 6-10】
• 发布落地：M6 通过 L1-L3、六维能力、培训认证、商机分发和季度运营，把单个项目经验转为伙伴交付体系；但材料只确认体系联合发布，规模、上线状态和实际效果尚未说明。【M6，slide 1】

4. 3 条可落地的行动建议

1. 企业业务负责人：先选一条可量化、可人工兜底的完整流程，而不是采购孤立 AI 工具。 参照信永中和从制度、查询、比对、审阅切入，以及 ASED 的 Gate 门控，为每个 Agent 明确输入、产出物、准确率/工时指标、复核人和不通过处置，再决定是否扩大范围。【M3，slide 6-9；M5，slide 6-8】
2. 平台与安全团队：按“模型—数据—连接—运行—治理”建立生产基线。 统一身份和权限，经 MCP/API 受控访问业务系统，对模型调用、工具动作和结果全链路留痕，并压测 SLA、TTFT、吞吐、弹性与单位任务成本；演示结果和牌价不能替代真实负载测试。【M1，slide 8、12；M2，slide 8-11；M3，slide 3、6】
3. 生态与采购团队：把伙伴认证和商业结果绑定。 可借鉴 FDE 的等级、六维能力、培训、实操、季度考核和汰换框架，但正式采用前应补齐首批伙伴、认证通过率、商机转化、交付周期、客户复购和责任边界等材料尚未说明的指标，避免把“联合发布”直接等同于“规模化运营成功”。【M6，slide 1；M4，slide 12、15-18】

【AI驱动的服务进化：从解题、感知到组织重塑】材料摘要

材料索引（按 manifest 顺序）

• M1：《重塑解题力：专家经验 × AI Agent 的超级放大》，10 页。[M1, slide 1-10]
• M2：《从 AI 工具到业务成果：FDE 解题力的客户侧实践》，10 页。[M2, slide 1-10]
• M3：《重塑感知力：从被动响应到主动预防》，12 页。[M3, slide 1-12]
• M4：《重塑感知力》发言稿，12 页，与 M3 逐页对应并补充串场信息。[M4, slide 1-12]
• M5：《客户声音驱动产品进化：ECS A2A 闭环实践》，11 页。[M5, slide 1-11]
• M6：《重塑组织力：从岗位边界到随需成形》，9 页。[M6, slide 1-9]
• M7：《从成本中心到增长引擎：AI 店小蜜的价值进化》，15 页。[M7, slide 1-15]
• M8：《AI 驱动企业价值跃迁——服务价值视角延展》，8 页。[M8, slide 1-8]
• M9：《AI Native 服务新范式「3S」联合发布》，2 页。[M9, slide 1-2]
• M10：《圆桌论坛：AI 落地企业服务的实战密码》，1 页。[M10, slide 1]
• M11：《复杂业务淬炼，造就卓越交付：AI 服务产品实战——睿服宝》，10 页。[M11, slide 1-10]

二、重磅发布

AI Native 服务新范式「3S」联合发布

• 发布方：阿里云客户服务与体验部与埃森哲；材料未标明具体发布人。[M9, slide 2]
• 发布内容：以 SOLVE、SENSE、SYNERGY 概括 AI Native 服务新范式，分别对应“规模化解题”“持续理解客户”“围绕结果协同”。[M9, slide 2]
• 核心亮点：把专家经验规模化、客户信号持续感知和跨角色结果协同纳入同一服务框架。[M9, slide 2]
• 阶段与时间节点：材料未说明该新范式处于公测阶段还是已上线，也未给出发布日期、实施范围或量化目标。[M9, slide 2]

三、主题演讲

1. 罗龙九｜阿里云智能集团客户服务支持中心负责人

研究观点与方法

• 服务同时承受需求规模、技术复杂度和产品迭代速度增长；材料给出的业务底盘是 10 万级复杂场景、100 万级工单流转和 1000 万级客户对话，传统人力模式难以线性扩展。[M1, slide 3]
• 服务智能化经历三阶段：2018—2022 年 Chatbot“我问你答”，2023—2025 年 Copilot“我做你帮”，2026 年至今进入 Agent Team“你办我管”；北极星指标也从自助解决率、人均服务量转向 Agent 自主解决率和客户体验。[M1, slide 4]
• 核心组织方式是“一位专家监督多个 Agent 并发处理多个工单”，每轮动作由安全护栏 Agent 按红、黄、绿分流：绿色自动执行、黄色专家处理后重评、红色拒绝提案并由专家接管。[M1, slide 5]
• 专家经验不再只写成静态文档，而被组织为包含知识、SOP 与工具的可执行 Skill，经抽取、生成、沙箱验证、灰度和线上发布后，再由失败样本持续驱动迭代。[M1, slide 6]

案例与数字

• 材料以“提单 Skill”演示问答、提单、持续跟进和人工兜底形成连续链路；关键动作仍需用户确认，材料未提供该 Skill 的业务效果数据或正式上线状态。[M1, slide 9]

未来规划

• 规划以线上轨迹、离线评测、历史工单、网页和知识为输入，让 Skill、Prompt、MCP、Model、Memory、Context 等组件在人工审核后从 V0 持续演进至 Vn；候选版本须经沙箱验证，且变更可解释。[M1, slide 7]
• 实施顺序是先选先锋场景，由业务专家成为 Skill 第一作者；再建立评测和安全护栏、按风险逐步放量；最后用真实反馈形成 Skill 迭代飞轮，从“超级个体”走向“超级团队”。[M1, slide 8]

一句话结论：规模化解题的关键不是取消专家，而是把专家经验变成可执行、可验证、可受控进化的 Agent 能力。[M1, slide 5-8]

2. 庚志伟｜阿里云智能集团政企事业部产品解决方案与服务管理资深专家

研究观点与方法

• 企业 AI 落地的“最后一公里”受战略传导、场景落地、建设运营和人才能力制约；传统项目周期为 6—18 个月，而材料称 2026 年模型迭代已进入周/月级，AI 原生应用进入日级迭代，容易出现“上线即落后”。[M2, slide 3]
• FDE（Forward Deployed Engineer）被定义为企业 AI 应用落地的“技术一号位”，需要兼具模型、方案、工程、业务沟通与系统思维，靠近问题完成场景识别、MVP、生产级开发并反哺产品。[M2, slide 4]
• 企业 AI 落地四步为选对场景、快速验证、科学建设和效果飞轮；生产级体系还需 AI Infra、语料与知识、模型策略、模型/智能体评测以及“感知—思考—行动—反馈”的工程闭环。[M2, slide 8]

案例与数字

• 医疗案例中，FDE 为国内高校附属医院构建 AgentOS，从小切口启动并扩展至近 10 个诊疗场景；材料给出医疗场景意图理解与召回率不低于 96%、首字响应提升 50%，并统一归集健康档案、病程和用药信息。[M2, slide 5-6]
• 传媒案例面向一家国家级新闻媒体，围绕选题、策划、创作、审核、分发和运营建立“AI 自主执行＋人工把关”的数字员工团队，目标是 7×24 小时支撑社媒运营和内容采编；材料未提供上线后的量化效果。[M2, slide 7]

未来规划

• 面向未来的架构将 AI Agents、AI MaaS 与 AI Infra 贯通到模型服务、训推、安全、调度和数据库等底层能力；材料未给出实施时间表。[M2, slide 9]

一句话结论：FDE 的价值是把技术、业务和生产工程放进同一解题闭环，以快速验证缩短企业 AI 从工具到成果的距离。[M2, slide 4, slide 8]

3. 姚福琦｜阿里云智能集团 AI 客户体验高级专家

研究观点与方法

• 传统客户声音链路存在“分析难、推不动、效果看不见”三处断点：人工覆盖不足 5%，根因平均耗时数天；新链路宣称可在 30 分钟定位根因、1 小时形成分析依据，并在上线后自动验证效果。[M3, slide 2][M4, slide 2]
• 新方法分为“看清问题、推动改进、验证成效”三阶段和声音治理、可信归因、价值决策、协同交付、效果验证、复用预防六步；统一底座包括模型推理、企业数据与工具（MCP）、Agent 协作（A2A）、共享业务状态、身份授权和全程留痕。[M3, slide 4][M4, slide 4]
• 归因不能把高频等同于高价值，需要通过同类性、链路定位、影响评估和反证校验形成证据链；优先级由共性、客户价值和产品契合度共同决定，安全、合规或核心阻断问题即使低频也需专项复核。[M3, slide 5-6][M4, slide 5-6]
• 体验 Agent 与研发 Agent 围绕统一任务、统一状态和验收标准协作；上线后必须同时对照客户声音和业务指标，才能判定体验是否真实改善。[M3, slide 7-8][M4, slide 7-8]

能力说明与案例数字（非发布）

• “小聆 AI 平台”聚合精准归因、智能驱动和闭环验证；页面明确标注“模拟数据—仅供演示”，因此不能据此推断真实经营效果或上线范围。[M3, slide 11]
• 大促案例中，客户因变慢和限流主动压低并发；A2A 推动容量预警、弹性扩容、智能路由和自动降级，改进后客户在高峰期敢于提高并发并保持核心业务稳定。材料未提供时延、成功率或流量增幅的具体结果值。[M3, slide 10][M4, slide 10]

未来规划

• 预防体系沿四个方向扩展：改后防复发、变更上线前布防、跨产品/客户/场景防扩散，以及从异常弱信号中提前识别爆发风险。[M3, slide 9][M4, slide 9]

一句话结论：AI 负责把客户声音变成可信问题，A2A 推动产品改进，双证据验证再把有效改进沉淀为预防能力。[M3, slide 12][M4, slide 12]

4. 吴平（思溢）｜云服务器 ECS 前端开发负责人

> M4 的串场页给出上述职务；M5 标题页的职位栏仍是占位文字，所属组织未在材料中明确写出。[M4, slide 12][M5, slide 1]

研究观点与方法

• ECS A2A 把 Agent 从单点工具变为贯穿多源扫描、准入分流、数字人圆桌、角色任务拆解、AI Native 研发、标准化验收和归档沉淀的工作系统；同一需求单携带原始需求、评审、研发状态和验收结果持续流转。[M5, slide 3]
• 准入机制由 Agent 预审与数字人圆桌从产品价值、用户体验、技术可行、服务影响和信息完整五个视角评估；信息不足时先由澄清 Agent 补齐，而非直接驳回，最终决策仍保留人工介入。[M5, slide 4]
• 技术实现由前端工作台、BFF API、隔离沙箱和外部依赖组成，采用 SSE＋轮询、共享终态状态机、最小权限、工具白名单、只读 MCP 与上下文版本化，以实现实时、可控、可追溯和可恢复。[M5, slide 5]
• 研发链路覆盖澄清、设计、开发、测试验收、发布和归档六阶段；发布前设置 CR、测试、一致性检查、功能开关和渠道链接五道卡口，Coding 经验审批入库后可经 MCP 再次召回。[M5, slide 7]

案例与数字

• 材料将智能化链路的业务价值表述为客户需求分钟级响应、服务反馈有效承接、服务到产研自动流转、方案完整性提升、过程透明、效果可量化和及时回应用户；未给出真实项目的前后对照数值。[M5, slide 9]

未来规划

• 目标闭环是让客户声音统一进入 AI Native 链路，由 Agent 自动承接澄清、设计、研发和验收，验证结果回流服务团队，交付数据与知识再驱动 Skill 持续进化；材料将其明确标为“未来可期”，未给出完成时间。[M5, slide 10]

一句话结论：ECS A2A 的重点是让需求上下文、责任、研发事实和验收结果沿一个任务对象持续流转，而不是在团队间重复转译。[M5, slide 3, slide 9]

5. 沈乘黄｜阿里云智能集团客户服务与体验部总经理

研究观点与方法

• 人与 Agent 协作分为确定性执行、协同决策、自主服务三个层级；人逐步从执行者转为规则与流程设计者、结果监督者，升级前提是 Skill 覆盖、结果确定性、授权框架、准确率验证和权责分级到位。[M6, slide 2]
• 企业服务的 AI 轨道由领域经验、私有数据和组织流程融合形成：先打通跨系统数据，再把数据重构为 Agent 可读、可用、可调用且受约束的结构化证据与接口。[M6, slide 3]
• 组织协作按问题随需成形：服务团队内的问题纵向调用跨领域 Skill；需要上游多团队介入时，则由同源信号触发横向临时编队，问题结束后把事实、方案和预案沉淀为 Skill 与结构化数据。[M6, slide 4]

案例与数字

• 单人模式以“一人＋Agent Team”形成专家组，把过去小时级串行升级转为分钟级并行证据链，一线获得调度多领域专家能力的指挥权。[M6, slide 5]
• 多人模式案例以工单量升至原来的 3.2 倍作为同源信号，多产品线在分钟级组成临时攻坚队，由事件负责人统筹统一说明、备用方案和调度建议，并把结果沉淀为应急预案。[M6, slide 6]

未来规划

• 服务形态计划从工单维度的事件驱动，经客户维度的主动识别，发展到生命周期维度的预测式主动服务；终态是从显性问题拓展到潜在问题，但必须先建立客户授权边界并验证 Agent 预测能力。[M6, slide 7]

一句话结论：组织力是承载解题力与感知力的“容器”，其升级依赖权责清晰、结果确定和组织按问题快速成形。[M6, slide 8]

6. 韩盼盼｜淘天集团高级技术专家

研究观点与方法

• AI 店小蜜把客服思路扩展为“金牌导购”模型：从观察与询问识别真实需求，逐项消除疑虑、推进成交，并把咨询延伸到复购和召回。[M7, slide 3]
• 其 Agent 不是单点模型，而是由 Planner、长中短期 Memory、尺码推荐等 Skill、业务 Tool、销售策略、知识和多类模型共同构成的成交系统。[M7, slide 7]
• 服务边界从一次咨询扩展到咨询期、成交期和复购期，通过主动跟单、优惠与库存提醒、支付和凑单提示、会员关怀、周期购及上新通知经营全生命周期。[M7, slide 9-10]

案例与数字

• 某医疗器械官方旗舰店通过全量分析、自动优化和验证发布，把店铺级 Skill 调优周期从 1 周缩短至小时级；纯机询单转化率由 28.3% 升至 29.5%（+1.2 个百分点），人机协同转化率由 31.1% 升至 32.2%（+1.1 个百分点）。材料注明数据来自线上店铺真实业务。[M7, slide 12]
• 材料另汇总称，相关实践覆盖服饰、运动户外、3C、家电等行业，询单转化率提升 10%、满意度提升 6%；未说明样本量、统计周期及与前述门店案例的关系。[M7, slide 14]

未来规划

• 导购 Skill 按“全量分析—自动优化—离线回放与 Benchmark 回归—人工确认后 AB 上线”自我迭代；知识侧则从 Bad Case 自动归因到 Wiki diff 提案，商家作最终确认，系统设置每日上限、低置信过滤和两次驳回后停止生成等防打扰规则。[M7, slide 12-13]

一句话结论：AI 店小蜜试图把导购能力和运营迭代同时 Agent 化，使客服从成本中心延展为持续经营能力。[M7, slide 12-14]

7. 黄欣卓（Jeff Huang）｜埃森哲大中华区董事总经理、Song 事业部设计和数字产品主管

研究观点

• 埃森哲研究认为，过去十年约 27 万亿美元企业价值发生迁移，其中三分之一集中在生成式 AI 兴起后的两年；2022—2024 年价值迁移速度翻倍。2026 年研究覆盖八大行业并访谈调研 160 位企业高管。[M8, slide 4]
• 演讲者据此提出：市场奖励正从既有规模和效率转向持续创造未来价值的能力；客户付费标准也从“交付了什么”转向“能否持续产生更优业务结果”，服务因此需要从成本中心上移为客户结果的价值中心。[M8, slide 4-5]
• 三项服务转变是从专家解题到 Agent 规模化解题、从解决单个问题到让问题不再发生、从单点响应到围绕客户需求协同；价值衡量也应从完成服务，延展到产生改变和持续创造价值。[M8, slide 6-7]

研究基础与案例数字

• 材料称埃森哲拥有 11,000+ 个先进 AI 项目经验，连续 9 年追踪中国企业数字化转型，并在 2026 年《福布斯》全球最佳管理咨询公司榜单中位列榜首。[M8, slide 3]
• 泰康案例把 1000 余款产品承保规则、180 万条医疗知识图谱和 5 万条历史案例中的专家评点纳入系统，材料给出核保准确率 95%+、上传体检报告至获得完整核保建议用时 1 分钟；核保师规模仅六七十位，而代理人数以万计。[M8, slide 6]
• 雅迪案例给出 2025 年研发投入同比增长 40%，并将“预计配备网联功能车辆占比”标为“+23%”；材料未说明后者的基准、统计口径或单位。[M8, slide 6]
• 阿里云案例给出的流程变化是独立工单从天级缩短到分钟级、事件流程从周级缩短到天级；材料将其用于说明 AI 连接信息与专业能力后可改善跨岗位协作。[M8, slide 6]

未来判断

• 下一阶段竞争的分水岭不是部署更多 AI，而是能否把 AI 沉淀为持续创造未来价值的企业能力；同时，服务价值评估将更重视对客户状态、后续产品和长期体验的持续影响。[M8, slide 4, slide 7]

一句话结论：AI Native 服务的价值不止是更快完成任务，而是持续改变客户结果并把这种能力沉淀为企业新基因。[M8, slide 5-7]

8. 刘志强｜阿里云智能集团 Forward 知识工程与智能服务产研负责人

研究观点与方法

• 阿里云服务场景具有数百万级累计工单、300+ 云产品、数十万功能项和日均数百次文档发布，知识有效期以周计；复杂工单还需跨产品、系统和团队联动。[M11, slide 2]
• “活知识”从工单、钉群等真实服务中识别意图与知识缺口，把静态文档、FAQ、规则与动态工具、实时状态结合，并由代码变更驱动知识更新，再以真实服务结果验证意图是否满足。[M11, slide 3-4]
• 拟人服务不仅要求听懂和自然表达，还要知道边界：没有可靠依据先核查，多轮未解决或超出权限时及时转人工，并携带诉求与处理轨迹，避免客户重复描述。[M11, slide 5]
• 自进化采用“观察 Bad Case—研究根因—沙箱实验—人工授权发布”的循环；人类专家负责目标、价值标准、评测验证和安全边界，AI 生成并独立评测 Skill、Rule、Tool、Context 或环境改进。[M11, slide 6]

能力说明与产品指标（非本场发布）

• 睿服宝被定义为“服务型组织的 AI 金牌员工”，面向企业咨询、产品技术支撑、工单和群聊协同；材料给出的产品指标为端到端解决率 90%、拟人化体验评分 90 分、自进化 T+1，但未说明样本范围、统计周期或是否为目标值。[M11, slide 8]
• 末页提示可在 aliyun.com 搜索睿服宝并体验免费 Demo；材料未说明其公测、商业化或全量上线状态。[M11, slide 10]

未来规划

• 研发目标是建立可修改、可比较、可复现且评价标准独立可信的实验环境，让 AI 逐步承担更完整的研发迭代，并进一步改进负责研发的 Agent 自身；材料未给出落地时间表。[M11, slide 6]

一句话结论：复杂服务产品要同时做到知识保鲜、自然交流、任务推进和边界控制，并用真实服务轨迹形成受人类治理的自进化循环。[M11, slide 2-8]

四、圆桌讨论

AI 落地企业服务的实战密码

• 材料列出的人员为：武汉机汤科技有限公司 AI 技术总监邓植丹；阿里云智能集团 AI 服务产品与运营负责人陈晟；埃森哲大中华区董事总经理、Song 事业部设计和数字产品主管黄欣卓；客如云客户满意中心负责人聂小辉；阿里云智能集团公共云事业部资深技术服务专家张雯。[M10, slide 1]
• 材料未标明谁担任主持人，也没有逐人发言、问题清单或对话记录；因此现有材料不足以判断具体讨论议题、嘉宾共识、分歧、个人观点或圆桌核心结论。[M10, slide 1]

五、全场总结

1. 贯穿全场的主线

论坛围绕“解题力—感知力—组织力”展开：先把专家经验沉淀为可执行 Skill，让 Agent 规模化解题；再把分散客户声音转成可信归因、产品行动与效果验证；最终以权责、授权、系统接口和按需编队重塑组织协作。这条主线由「3S」发布凝练为 SOLVE、SENSE、SYNERGY。[M1, slide 6][M3, slide 4][M6, slide 8][M9, slide 2]

材料反复强调 AI 并不替代人的最终判断：专家仍负责高风险处置、准入决策、评测验证、授权发布和结果担责；Agent 的价值在于承接标准化执行、保留上下文、并行协同和持续学习。[M1, slide 5][M3, slide 6][M5, slide 4][M6, slide 2][M11, slide 6]

2. 最有信息量的 3 个片段

1. 主题演讲｜罗龙九：红黄绿安全护栏把每轮 Agent 动作按风险动态分流，使“一位专家 × N 个 Agent × N 个工单”具备可控执行路径，清楚展示了专家能力规模化的机制。[M1, slide 5]
2. 主题演讲｜姚福琦、吴平：客户声音经可信归因形成带证据和验收标准的统一任务，再由体验 Agent 与研发 Agent 持续传递状态和结果，最后以客户声音与业务指标双证据验证，构成从洞察到研发的 A2A 闭环。[M3, slide 5-8][M5, slide 3-9]
3. 主题演讲｜韩盼盼：真实门店把 Skill 调优从 1 周压缩到小时级，纯机与人机协同询单转化率分别提升 1.2 和 1.1 个百分点，为“能力自进化如何落到经营结果”提供了明确数据。[M7, slide 12]

3. 跨形式呼应

• 研究判断：埃森哲提出服务价值应从任务完成上移到持续客户结果，并以 27 万亿美元价值迁移及跨行业研究作为背景。[M8, slide 4-7]
• 主题演讲验证：FDE、客户体验闭环、ECS A2A、AI 店小蜜和睿服宝分别从场景落地、产品改进、研发协同、经营转化和复杂服务交付验证了“解题—感知—协同”的不同环节。[M2, slide 4-8][M3, slide 4-11][M5, slide 3-10][M7, slide 7-14][M11, slide 3-8]
• 联合发布凝练：阿里云客户服务与体验部与埃森哲最终以 SOLVE、SENSE、SYNERGY 将上述实践汇总为 AI Native 服务「3S」新范式；材料没有给出后续发布计划或上线时间。[M9, slide 2]

4. 可落地的 3 条行动建议

1. 面向服务负责人：选择高频、边界明确的先锋场景，由业务专家把知识、SOP、工具和转人工规则写成 Skill；上线前建立历史工单回放、独立评测和红黄绿风险护栏，再按风险逐步放量。[M1, slide 5-8]
2. 面向产品与研发负责人：建立跨团队唯一任务对象，把客户原声、根因证据、影响范围、责任人、研发状态和验收标准随任务持续传递；上线后同时观察客户反馈与业务指标，避免把“交付完成”误判为“体验改善”。[M3, slide 7-8][M5, slide 3, slide 9]
3. 面向组织与治理负责人：在扩大 Agent 自主权前，先明确授权边界、结果责任、审批链路和越界熔断规则；把异常与人工决策回写为结构化知识和预案，使临时编队解决的问题能被下次复用。[M6, slide 2, slide 4, slide 6-7][M11, slide 6]

【Agent 友好的计算服务，加速企业 AI 进化】材料摘要

二、重磅发布

姬少晨 · 阿里云智能集团弹性计算资深产品专家 · 面向 Agent 时代的计算：年度新品发布

• 核心观点：AI 从模型时代进入 Agent 时代，计算范式随之改变，弹性计算需要提供 Agent 友好的技术、产品与用户界面，覆盖爆发式弹性、部署成本、行业工具多样性与可审计闭环等递进需求。
• 关键论据·案例·数据：发布「智能体专用型实例」——开发者的第一台 Agent 友好云服务器，面向 Agent 重新分配资源配比（内存起步配置提升 50%），搭载 Agentic OS，原生提供热门 AI 应用与模型推理服务；对比市场主流云服务器+MaaS 订阅组合，价格便宜 20%、内存提升 50%、Token 可用量提升 25%。发布十代企业级实例 g10a（coming soon），全新 AMD EPYC CPU + CIPU 升级 + 全新 Alinux4，睿频最高 4.1GHz，基础算力提升 20%+、内存带宽提升 60%+、云盘+网卡设备数量提升 100%+，搜推提升 50%+、大数据 25%+、Agent code 场景 30%+。发布 E-HPC 行业化 Agent 与一体化弹性计算 Agent 服务。
• 一句话结论：以「智能体专用型实例、g10a、E-HPC Agent、弹性计算 Agent 服务」构建 Agent 友好、普惠开放智能的弹性计算服务。

王存哲 · 阿里云智能集团弹性计算产品专家 · 开发者的第一台 Agent 友好云服务器

• 核心观点：轻量应用服务器已成为开发者部署 Agent 的首选，但仍存在「面向 Agent 缺少优化、云服务器与模型割裂、消费不透明权益没保障」三大痛点，需从好用、简单、省心三方面重做。
• 关键论据·案例·数据：面向 Agent 重新分配资源配比——起步配置内存提升 50%、云盘成本下降 40%，100Mbps 峰值公网带宽（下载 1GB 约 90s）、公网流量免费、1 个固定 IPv4；搭载 Agentic OS，主流 Bench 分数 +10%、无效 Token 消耗 -30%、内存分配效率 +200%、冷启动时长 -20%，支持快照做 Agent 状态保护；原生提供多品牌全模态多模型推理服务与热门 AI 应用镜像，Credits 统一抵扣、月度限额且数据不用于模型改进。智能体专用型实例限时 87.15 元/月（原价 99 元/月），起步配置 2 vCPU / 6 GiB / 30 GiB 云盘 / 100 Mbps / 12,500 Credits，每日仅需 2.9 元，新老同享、续费同价；另有面向中小企业的多档规格（限时 163.65 元/月、289 元/月、449 元/月）。
• 一句话结论：用一台面向 Agent 重新设计、应用与模型开箱即用、消费透明的云服务器，让开发者与中小企业快速构建云上 Agent。

三、主题演讲

邹佳航 · 阿里云智能集团弹性计算高级产品经理 · E-HPC 行业化 Agent 加速企业科研的智能算力底座

• 核心观点：高性能计算行业正从「人串联流程」走向「Agent 自主执行」，E-HPC 从云上 HPC 平台迈向行业 Agent 驱动的科研执行平台，用户定义目标，Agent 理解目标、规划实验、调用 Skill、调度算力并反馈再规划，形成执行闭环，人负责关键判断。
• 关键论据·案例·数据：发布 E-HPC Agent，覆盖具身智能、生命科学、CAE、EDA、量化、渲染等行业 Agent，共享 Agent Runtime 与 E-HPC 执行底座；支持客户自有 Agent 通过 CLI、OpenAPI/SDK、Skill/MCP、事件回调接入（BRING YOUR OWN AGENT）。客户案例上智院「浑天绫」统一智能体平台编排 140+ Skills，E-HPC 提供 Skill 驱动的弹性算力底座，落地 TYK2 分子筛选与合成路线设计（数据检索→算力调用→分子对接→FEP 计算→合成方案→自动化合成）。
• 一句话结论：行业差异沉淀为 Skill，共性算力由 E-HPC 统一调度，让科研从人工串联走向目标驱动的智能自主闭环。

曹风雷 · 上海科学智能研究院首席科学家 / 格物智研创始人 · E-HPC Agent 助力上智院格物智研驱动生信研发算力提效降本

• 核心观点：科学智能体单节点算力有限，需便捷调用外部 CPU/GPU 算力；通过 ehpc-instant-job-skill 将计算资源配置、任务提交与作业管理封装为 Agent Skill，让科研 Agent 从「会计算」走向「会调度算力」。
• 关键论据·案例·数据：格物智研为上智院核心孵化企业，核心团队来自上智院、薛定谔、晶泰科技等，融资计划天使轮 3000 万元、投前估值 4 亿元；累计发表高水平学术论文 103 篇、国际顶级期刊 30 篇、论文被引超 3700+ 次。混天绫智能体整合 ehpc-instant-job-skill、docking/dock-pocket、craton-free-energy（FEP/RBFE/RHFE/ABFE）、craton-md/qm/mm、denovo-generation、cp2k-ase/pyscf、rxngraphormer-predict 等工具，通过 E-HPC Instant 调用海量云端算力；关键指标：计费明细 11,180 条、总成本 ¥76,241、核心·小时 91.9 万、实例·小时 1.06 万，主力为 CPU 计算型实例 128 核（c8a.32xlarge）。
• 一句话结论：以 ehpc-instant-job-skill 打通智能体与云端弹性算力，支撑生信药研全流程可复用、可解释、按需低成本运行。

武双涛 · 阿里云智能集团弹性计算高级产品专家 · ECS g9i 规模化落地，支撑大规模智能体稳定运行

• 核心观点：Agent 原生负载同时拉高算力、I/O、安全与稳定门槛，需要更安全的运行环境、更大规模弹性资源与更低延迟、更低成本；ECS g9i 以 Intel Xeon 6 P-Core（Granite Rapids）× 阿里云 CIPU 让算力、I/O、安全与稳定同时跃迁。
• 关键论据·案例·数据：g9i 性能对比 g8i 提升 20%+，全核睿频 3.6GHz，最大 192 vCPU，内存频率 6400MT/s；专有硬件加速 AMX（FP16/BF16/INT8）与 QAT 加解密压缩卸载；CIPU 算存网卸载、低时延网络与高吞吐本地盘；应用零改造、企业级稳定性。（材料未说明 eRDMA 时延与故障域等更细指标的完整口径。）
• 一句话结论：以 Intel Xeon 6 P-Core × CIPU 的企业级旗舰算力底座，承载大规模智能体的稳定运行。

周旭 · 阶跃开放平台 harness 产品工程师 · 从 Harness 到智能路由——两种复杂性，两个去处

• 核心观点：AI 开发中「工时没有变长，变长的是决策密度」，操作复杂性交给 Harness、决策复杂性交给智能路由，让开发者专注任务、掌控全局。
• 关键论据·案例·数据：阶跃是国内基座模型研发最全面的公司之一，Step 系列覆盖千亿到万亿、语言推理到多模态，Step3.7Flash 为最新一代开源 Agent 基座模型；引用实证——程序员被打断后平均需 23 分钟回到原任务（Mark et al.，微软研究）、AI 生成内容约 80% 仍需人工返工（Smartsheet 2026 调研）、每次调用前需在模型/工具/模式/成本间多轮比较。
• 一句话结论：把操作复杂性收敛到 Harness、把决策复杂性交给智能路由，降低开发者的决策密度。

王珂伟 · 海尔智慧家 AIoT 云平台技术负责人 · 从极致性能到智家生态：基于阿里云 ECS g9i 实现「智慧家庭」范式升级

• 核心观点：智慧家庭正向空间智能代际升级（物理自主→场景联动→感知认知→具身智能），海尔以小优智能体为核心，用 3D 家庭视图 2.0 与 AI 生活 2.0 双引擎构建空间智能交互。
• 关键论据·案例·数据：全球布局两大平台（SmartHQ、Haismart）覆盖 108 个国家，连接设备 1 亿+，智家 App 用户 1.3 亿+、月活 1800 万+；「人家+X」开放生态含 55+ 优质品牌平台、167+ 全球生态伙伴。ECS g9i 作为云上算力底座带来性能收益（设备网关大请求量下保持毫秒级交互、支撑多模态与语音操控秒级响应）与产品收益（支撑 3D 家庭视图 2.0 全屋可视可控、AI 生活 2.0 主动智能服务）；海尔为住建部好房子样板共建单位，参编 4 项标准。
• 一句话结论：以 g9i 高性能算力承载亿级连接，推动智家体验从设备连接走向空间智能与主动服务。

唐湘华 · 阿里云智能集团弹性计算高级产品专家 · ECS AMD 实例为新型 AI 工作负载提供高性价比通用算力底座

• 核心观点：AI 有训练、推理服务、后训练、数据处理、Agent 运行时五类工作负载，其中推理服务、数据处理、Agent 运行时及后训练交互环节可运行在 CPU 上，CPU 决定 AI 系统的性价比上限与吞吐瓶颈。
• 关键论据·案例·数据：第九代 AMD 实例采用 AMD Zen5（Turin-Dense 192 物理核，睿频最高 3.7GHz、6400MT/s DDR5、Full AVX-512+VNNI）+ 阿里云自研 CIPU（2×200Gbps），首创 1 vCPU=1 物理核独享、无 HT 争抢，全球 46 可用区开售；搜推广场景 Global steps/s +37%、per-core 内存带宽 +33%、eRDMA 8μs、ZenDNN 适配 ONNX RT/TF；中小语音模型 8s 语音端到端时延 <600ms、满足 <650ms 自然对话门槛。第 9 代 AMD 已在头部生活社区、大模型语音推理、头部出行平台规模化落地；第 10 代 AMD 企业级实例 g10a 邀测即将开启，性价比 +25%、云盘/网卡数量 +100%、内存带宽 +60%+、Agent 性能 +30%+、SEV-SNP 机密计算、睿频最高 4.1GHz、16 通道 DDR5、支持 ALinux 4。
• 一句话结论：让每种 AI workload 匹配最合适的 CPU 算力，以 g9ae/g10a 提供高性价比通用算力底座。

姜兴华 · 杭州一知智能科技有限公司 CTO · VoiceAgent 走向生产：实时语音智能体的低延迟、高并发与弹性算力实践

• 核心观点：Demo 可以用算力换体验，Production 必须用架构换效率，需同时优化 Experience×Cost×Stability；VoiceAgent 是工作在多个时间尺度上的异构计算系统，没有一种算力适合整个链路。
• 关键论据·案例·数据：以 Turn-taking（End-of-Turn Prediction）把计算前移、FastThinker 按复杂度分配计算预算、Talker 分级（Flash/Plus/Reasoner）、Full-Duplex 每 200ms 持续决策；用户感知延迟目标 500ms 内合理反馈；模块到算力映射——Agent Runtime/Tool/State 用经济型通用 CPU（u2a），Turn-taking/Full-Duplex 用计算型 CPU（g9ae），Flash/Plus/Reasoner 用不同级别 GPU；结合阿里云 ESS 弹性伸缩秒级扩缩容，业务流量潮汐匹配，总体成本下降 40%。
• 一句话结论：从堆算力转向用架构换效率，以阿里云 ECS 第 9 代 AMD 实例+ESS 承载 VoiceAgent 的异构协同与弹性算力。

张强 · 阿里云智能集团弹性计算高级产品专家 · 弹性计算 Agent：从「人操作控制台」到「Agent 托管运维」

• 核心观点：云资源管理入口从控制台（人）→ API/SDK（程序）→ Agentic Interface（Agent）跃迁，本地通用 Agent+CLI/MCP 仅能完成基础操作、离生产可用仍有差距，需要托管、开箱即用、稳定可靠的一体化弹性计算 Agent 服务。
• 关键论据·案例·数据：引用 KPMG 2026 Q1（54% 美国大型企业主动部署 Agent）、Gartner（2026E 40% 企业应用集成任务型 Agent，2025<5%）、Dynatrace（ITOps/DevOps 占 72%）等；服务分接入层（控制台/IM/OpenAPI/SKILL）、主 Agent 编排、SKILL 中心（资源洞察/智能运维/智能诊断/安全防护四大类）、Harness 层（成本风险预估、L0-L3 安全风险分级、HITL 人工确认、安全沙箱），覆盖 ECS/容器/沙箱/函数计算/IaC Agent；六大场景含 AI 辅助购买、资源管理（20+ 场景 SKILL）、Workbench GuestOS 运维、IaC 全生命周期、GPU 巡检 IM 一键修复（MTTR 小时级→分钟级、7×24、人工巡检节省 80%+）、Profiling Agent 分钟级根因定位。
• 一句话结论：以统一入口、统一编排、统一计量的弹性计算 Agent，把自然语言诉求转化为安全、可审计、可验证的执行闭环。

陈亮 · 阿里云智能集团弹性计算高级技术专家 · 一次对话直达终态，ECS 云助手实现 10 倍运维跃升

• 核心观点：传统运维需 3~5 轮人机往返，10 台机器×3~5 轮=30~50 次交互；通过云助手（通道）→ OSAgent（判断进机器）→ 云 OS Agent（多机自主协调）三层进化，实现一次对话直达终态。
• 关键论据·案例·数据：云助手每日任务数 4400 万+、覆盖镜像 345 个、执行成功率 99.9%+；OSAgent 以「感知·规划·行动·反馈」完整流程、MCP 接入 GuestOS 能力、Skill 沉淀专家经验，内置技能覆盖诊断→修复→注入验证→云资源→安全，跨 Linux/Windows 统一纳管，具备沙箱兜错、审批、审计、回滚工程保障；山海宕机 Agent 可 core 分析定位到源码级根因；L3 多 ECS 云 OS Agent 四种方案人效提升 5×~10×+，业务部署解「依赖顺序」、OS 配置解「差异收敛」；AI Native 云助手代码自演进采用 Harness 五层、8 Agent 专业分工。开源地址 aliyun_assist_client 与 alibabacloud-ecs-troubleshoot-skills。
• 一句话结论：让 OSAgent 把批量异构 ECS 的 GuestOS 运维交给 Agent 内部消化，实现一次对话直达终态的 10 倍运维跃升。

五、全场总结

本论坛围绕「Agent 友好的计算服务，加速企业 AI 进化」，由阿里云弹性计算团队发布并解读面向 Agent 时代的全栈算力与服务：以「智能体专用型实例」作为开发者第一台 Agent 友好云服务器（内存 +50%、价格便宜 20%、Token 可用量 +25%，搭载 Agentic OS、原生 AI 应用与模型推理），十代企业级实例 g10a 与第九/十代 AMD 实例（g9ae/g10a）提供高性价比通用算力底座，ECS g9i（Intel Xeon 6 P-Core × CIPU）承载大规模智能体稳定运行；在科研与运维侧，E-HPC 行业化 Agent 与弹性计算 Agent 服务、ECS 云助手 OSAgent 将「人操作云」升级为「Agent 驱动云」的可审计执行闭环。客户与生态实践覆盖上智院/格物智研（ehpc-instant-job-skill）、阶跃（Harness 与智能路由）、海尔智家（g9i 支撑亿级连接空间智能）、一知智能（VoiceAgent 异构协同+ESS 弹性，成本下降 40%），共同印证「面向 Agent 重新分配算力、让每种 workload 匹配最合适算力、用架构换效率」的方向。材料未涉及本论坛的欢迎致辞与圆桌讨论环节，相应内容不作展开。

【Agentic AI 时代的算力与存储服务器革新】材料摘要

三、主题演讲

杨航 · 阿里云智能集团 资深技术专家 · 云基础设施处理器 CIPU 技术深度解读

• 核心观点：CIPU 作为云基础设施处理器已演进至第五代，面向 AI 时代承担多租户安全隔离与数据访问硬件加速两大职责，把安全与存储/网络加速下沉到专用硬件。
• 关键论据·案例·数据：针对 agent sandbox 并池场景做隔离；GPU 裸金属提供 8 项安全隔离能力；KVCache 存储支持 VSC、NVMe KV、OSS GDS over eRDMA 等路径；训练网络在 SACK 机制下 5% 丢包仍可维持约 90% goodput。
• 一句话结论：CIPU 通过硬件级隔离与访问加速，为 Agentic AI 的多租户与大规模数据吞吐提供云基础设施底座。

傅晶晶 · 达摩院 RISC-V 资深技术专家 · Agentic AI 时代 RISC-V CPU 的机遇、创新和实践

• 核心观点：Agentic 推理下 CPU 与 GPU 配比从约 1:8 提升到 1:1~1:2，CPU 侧算力需求上升，RISC-V 通过自研核与宽向量引擎承接这一机遇。
• 关键论据·案例·数据：玄铁 C950 为 8 发射、主频 >3GHz、70+ SPECint2006；4K 超宽向量引擎单核 FP4 达 8TFLOPS；实测 Qwen3 千亿模型 34 tokens/s、DeepSeek V3 在 FP8 下 18 tokens/s。
• 一句话结论：RISC-V 以自研高性能核和宽向量引擎，正在成为 Agentic AI 时代 CPU 侧算力的可行选择。

吴保东 · 无问芯穹技术副总裁 · 基于 Agentic Infra 的多芯异构集群 AIOps 实践

• 核心观点：面向多芯异构集群的运维，构建以多智能体为核心的 Agentic AIOps 体系，提升故障处理与运维人效（材料以幻灯片标题为主，正文多为图片，细节现有材料不足以判断）。
• 关键论据·案例·数据：材料呈现 AISHPerf 评测基准、aiops-data、chaos、eval 等模块；Infini-AIOps 多智能体系统将故障处理效率提升约 3 倍、运维人效提升约 5 倍；其余量化口径与实现细节现有材料未说明。
• 一句话结论：通过多智能体 AIOps，将多芯异构集群的故障处理与运维效率显著提升。

王正恒 / 徐国强 · 阿里云智能集团 高级技术专家 · KVCache：从显存优化到软硬结合的推理基础设施

• 核心观点：KVCache 由「计算中间态」转变为跨请求、跨轮次、跨实例可复用的推理资产，从引擎内优化走向系统级推理基础设施。
• 关键论据·案例·数据：Tair KVCM 实现全局池化与生命周期管理；HiSim × AIConfigurator 仿真端到端误差 <5%、仿真成本约为实测的 1/39 万；存储按 G1-G4 分层，配套磐久 UMX、Tair Memory Pool、Beluga CXL 内存池；Mem-Pool 池化使业务吞吐提升 50%+、TTFT 降低 30%。
• 一句话结论：以池化、管理与仿真协同，把 KVCache 打造成软硬结合的推理基础设施。

常存银 · 阿里云服务器研发资深技术专家 · 让 Token 快人一步：Agentic AI 时代的存储软硬协同之路

• 核心观点：训练要吞吐、推理要时延、Agentic 要记忆，没有单一存储系统能通吃，按场景做软硬协同分层是必然选择。
• 关键论据·案例·数据：自研部件包括 AliSCM、PCM SSD、AliFlash V6 TLC（PCIe 6.0，顺序读约 28GB/s）、AliFlash V5 QLC；整机形态有磐久 EBOF Cache Server 与大容量/高性能存储服务器；方案以 GPU 为中心构建六级存储分层，按数据温度智能调度。
• 一句话结论：面向训练、推理、Agentic 三类场景做介质分层与软硬协同，是让 Token「快人一步」的存储路径。

卢晓伟 · 阿里云智能集团 资深技术专家 · 面向 Agentic 推理的异构算力软硬件结合技术体系

• 核心观点：推理范式从固定计算图转向动态任务图，系统级推理效率 = 芯片硬件能力 × 调度效率 × 软硬件成熟度，需靠异构超节点与体系化能力协同支撑。
• 关键论据·案例·数据：中国日均 Token 从 2024 年约 1000 亿增至 2025 年约 140 万亿，预测 2030 年约 3900 千万亿；磐久 AL144 超节点单柜可达 144 卡；提出按 A/F 阶段分离的异构超节点部署；震旦交付平台以五大能力中心为底座；AI 集群诊断平台覆盖 60+ 测例。
• 一句话结论：Agentic 推理的规模化落地取决于异构算力、系统软件与工程闭环的协同进化。

资彦义 / 李陈浩文 · 阿里云智能集团 高级技术专家 / 高级工程师 · Agentic 时代 AI 推理软硬件结合全栈优化实战

• 核心观点：围绕 SLA 驱动的 Dev Loop，构建框架层、计算层、多芯平台层三层技术能力，完成从目标到回归的可复现优化闭环。
• 关键论据·案例·数据：Agentic KV 重构 KVCache 价值排序（绿/黄/红分级调度）；Mega Kernel 以设备内流水实现少启动、少搬运、少等待；Kernel Agent 采用 Master-Sub 并行探索——外部 PyTorch KernelAgent 在 H100 矩阵向量乘案例中由 9.52ms 优化至 1.95ms 约 4.88×，PPU 上 MHC 代表 case 约 1.79×、MoE gate 融合链约 1.56-2.13×。
• 一句话结论：以全栈软硬协同与 Agent 化的算子优化，在固定时延预算内释放更多推理能力。

李文韬 · 阿里云智能集团 技术专家 · 未来大模型推理的软硬件结合系统架构探索

• 核心观点：模型上下文与参数规模持续增长，Prefill、Decode-Attention、Decode-FFN 三阶段资源需求各有侧重，需通过架构与硬件分离协同来适配。
• 关键论据·案例·数据：分析 GQA/MLA/DSA 对 KV 存算需求的影响；提出 P/D 拆分推理阶段、AFD 拆分层内算子，A 侧偏大容量高带宽、F 侧偏 LPU；震旦 Insight 仿真整体准确度 96%+，相关 SGLang PR #33824 已 merged，计划 12 月与多家厂商完成 POC。
• 一句话结论：通过软硬件结合的阶段/算子分离与仿真驱动，探索面向未来大模型推理的系统架构。

五、全场总结

本论坛围绕「Agentic AI 时代的算力与存储服务器革新」，从处理器、CPU、异构集群运维、KVCache、存储介质、异构算力体系、全栈优化到未来系统架构，系统呈现了软硬件结合的推理基础设施全景。多位讲者共同指出：Agentic 推理带来上下文更长、轮次更多、并发更广的负载特征，单点芯片峰值不再是决定性因素，系统级效率取决于异构算力、系统软件与工程闭环的协同。围绕算力侧（CIPU、RISC-V C950、异构超节点、Mega Kernel/Kernel Agent）与存储侧（KVCache 池化、AliSCM/PCM/TLC/QLC 分层、UMX/CXL 内存池），阿里云及生态伙伴给出了从硬件部件、整机形态到仿真与运维平台的完整方案；其中部分演讲（如无问芯穹 AIOps）材料以标题为主，具体量化细节现有材料不足以判断。整体传递出「从体系能力到工程实践，再到未来架构」的演进主线。

【Qoder 助力 AI Native 超级组织】材料摘要

材料编号

• M1：宁晓民《AI Native 企业新范式：智能体重新定义生产力和生产关系》，12 页。[M1, slides 1-12]
• M2：贾世龙《慧博零售全域 Agent 的数智化实践》11 页版。[M2, slides 1-11]
• M3：贾世龙同主题18页分页版；与 M2 重复的内容合并论述，新增或页码不同之处保留双份证据。[M3, slides 1-18]
• M4：汪圣平《用 Qoder 构建企业级 AI 编程安全可信底座》V1.0，16 页。[M4, slides 1-16]
• M5：汪圣平同主题 V1.1，16 页；与 M4 合并并保留版本差异。[M5, slides 1-16]
• M6：《货运场上的 Qoder：满帮算法深度赋能实践》初版，20 页。[M6, slides 1-20]
• M7：李旭泽同主题 V3，20 页；与 M6 合并论述。[M7, slides 1-20]
• M8：曲栋《从单点工具到任务闭环——海信 AI 原生开发实践》，13 页。[M8, slides 1-13]
• M9：刘洋洋《Qoder Agent SDK：Qoder Harness 全面开放》，18 页。[M9, slides 1-18]
• M10：刘琳琳《端云协同新范式：超级智能体的端侧落地与共创计划》，23 页。[M10, slides 1-23]
• M11：刘琳琳《端边云协同新范式：从超级个体到超级组织》，22 页；与 M10 的共性内容合并，新增组织观点与行业预判单列。[M11, slides 1-22]
• M12：田皓《Qoder Cloud Agents：一站式云端 Harness 托管平台》，15 页。[M12, slides 1-15]
• M13：王志宇《中宏人寿——AI Coding 流水线和安全左移实践》，13 页。[M13, slides 1-13]

二、重磅发布

1. Qoder Agent SDK：Qoder Harness 全面开放

• 发布名称与发布人：刘洋洋发布“Qoder Agent SDK：Qoder Harness 全面开放”；材料只标注姓名，未说明其职务与所属组织。[M9, slides 1, 5, 17]
• 发布内容：企业可将 Qoder Harness 作为执行内核嵌入自己的产品，以企业掌握的业务身份、交互和验收机制，复用 Context、Knowledge、Orchestration、Execution、Control 等底座能力。[M9, slide 6]
• 核心亮点：一是覆盖 Agent 执行、运行时、会话记忆、安全治理和模型策略五类能力；二是支持 MCP、Skill、Plugin、Hook、外部会话存储、Checkpoint、BYOK 与按任务选模；三是一套接口覆盖构建、集成、运行和演进全生命周期。[M9, slides 4, 7-8, 11]
• 产品阶段：材料明确表述“已全面开放”；具体开放日期未说明。[M9, slides 5, 17]
• 生态与案例：材料列出 50,000+ Skill/Plugin、300+ 三方工具与阿里业态，并展示联想天禧、新东方、客如云、卡比特及 AnalyticDB 创意智造等集成案例。[M9, slides 9, 12-16]

2. Qoder Cloud Agents 1.0

• 发布名称与发布人：田皓（墨暃）介绍 Qoder Cloud Agents；材料未标明其职务与所属组织。[M12, slide 1]
• 发布内容：Qoder Cloud Agents（QCA）定位为 Agent as a Service 和一站式云端 Harness 托管平台，提供规划推理、隔离执行、弹性调度、异常恢复、身份权限、会话记忆、观测评测及云端/企业自有执行环境连接能力。[M12, slide 5]
• 核心亮点：全面接口开放并提供 API、多语言 SDK 和小助手入口；支持内网接入、多智能体与多种交互；以 Outcome、Advisor、Grader、Trace、Dataset、Baseline/Candidate、Release/Rollback 形成可验证的进化闭环；沙箱按需启停。[M12, slides 6, 8-9]
• 产品阶段与时间节点：QCA Alpha 为 2026 年 2 月测试版本，Beta 于 2026 年 5 月上线，QCA 1.0 于 2026 年 9 月 16 日正式发布。[M12, slide 4]
• 规模数据：材料称平台月调用量达千万级、服务超千家企业客户并覆盖 8 个头部行业。[M12, slide 10]

三、主题演讲

1. 宁晓民（灭道）｜Qoder 产品解决方案架构师团队负责人

• 研究与组织观点：Agentic AI 正把部分智力劳动转化为可自主、并行、持续运行的 Agent 产能，人的角色由执行上移到设定目标、判断和验收；组织会经历“辅助—主力执行—闭环编排”三个阶段，材料用“10% 技术/算法、20% 数据和基础设施、70% 人、流程和组织”强调组织改造的重要性。[M1, slides 1-3]
• 产品与方法：Qoder 被定义为以编程智能体为核心引擎的智能工作台，其产品家族从 Plugin/IDE、CLI 延伸到 SDK/Cloud Agents 和 QoderWake，分别对应端侧生产、交付、业务系统和全员数字协同；从超级个体走向超级组织还需完成知识资产化、端到端流程重构及身份、权限、数据、审批、审计与回滚治理。[M1, slides 5-6, 8, 10]
• 案例数字：宁夏西鲜记在 3 个月碎片时间内由 1 人开发 5 套系统，覆盖养殖、屠宰、加工、财务、电商，Token 成本 3 万余元；材料称饲养成本核算效率提升 50 倍、核心体重估算误差为 1%—2%、饲草料精细化管控每年节省 100 万元以上。[M1, slide 7]
• 案例数字：高德 AutoSDK 在百万行代码、20+ 仓库中构建知识闭环，单仓知识生产约 2 小时；一次做对率由 37.3% 提至 61.5%，平均对话轮次由 3.49 降至 2.53，交互链路缩短 39%。[M1, slide 9]
• 一句话结论：组织优势不取决于拥有多少 AI，而取决于能否把知识、流程和经验变成可复用资产，并用治理能力决定可委派边界。[M1, slide 11]

2. 贾世龙｜北京慧博科技有限公司 CTO

• 核心观点：零售 AI 不应停留在问答，而应进入“看报表、找问题、定策略、执行、复盘、优化”的经营链路，由 Agent 组织既有数据、系统和工具，把机会推进到结果。[M2, slides 1-2, 10; M3, slides 1-4, 17]
• 产品与实践：小慧 Claw 从上传 CRM 模板开始，自动理解字段、查询数据、回填并诊断，再按商品、规格、数量和历史行为估算个体补货窗口，把结果编排为“前 7 天、前 3 天、当天、后 7 天”的多阶段触达策略；每次动作前检查已购、退款、退订和任务冲突。[M2, slides 3-5; M3, slides 5-10]
• 持续运行机制：大模型负责思考和定策略，工作流与任务状态负责每日感知、判断、执行、停止和重算，使经营 Agent 持续运行，而不是让模型 24 小时盯住每位消费者。[M2, slide 6; M3, slides 11-12]
• 能力体系：慧博把实践抽象为零售原子能力、Skill 封装、Harness 任务组织和场景 Agent 四层，可复用于周期复购、流失召回、试吃转正装、入会未购、会员经营和私域运营。[M2, slide 7; M3, slide 13]
• 案例数字：蓝氏 CRM 单次报表分析由至少 1 天缩短至分钟级；慧博在 QCA 上采用多 Agent 分层选模后，执行侧模型成本按材料口径下降 90%。[M2, slides 3, 9; M3, slides 5-7, 16]
• 工程结论：自建生产级 Harness 需长期处理运行循环、沙箱、上下文、技能、多租户、凭证、事件流、限流和计费等 9 类能力；慧博选择由 QCA 承担通用运行底座，自身聚焦零售能力、Skill 与场景，但仍保留身份隔离、版本同步、文件唯一写入方和程序化门禁等工程责任。[M2, slides 8-9; M3, slides 14-16]

3. 汪圣平｜Qoder 安全负责人

• 研究数据：材料引用 Veracode、Sonar 与 CVE.org，称 AI 参与开发者代码提交的比例由 2023 年 6% 升至 2025 年 42%，受访者预计 2026 年为 55%、2027 年为 65%；模型生成代码平均安全通过率约 56%，约 44% 的情况会引入可检测的 OWASP Top 10 漏洞。[M4, slide 7; M5, slide 7]
• 版本差异：V1.0 把 2026 年上半年 CVE 数写为 35,872 条，V1.1 改为“3.5w+”，两版均称较 2025 年同期增长 51.3%；摘要不对两种精度作额外推断。[M4, slide 7; M5, slide 7]
• 产品与方案：Qoder 企业安全架构覆盖接入、运行、数据和审计四层，包括 SSO/SCIM、域名和来源管理、多租隔离、机密推理、命令与插件管控、沙箱、操作审计、不可变日志、SIEM 与 SBOM；材料列出 SOC 2 Type II、ISO/IEC 27001:2022 和 ISO/IEC 42001:2023。[M4, slides 3-5; M5, slides 3-5]
• 产品与方案：Qoder Security 以 L1 编码时静态检查、L2 增量轻量扫描、L3 跨文件深度扫描和 L4 全仓异步 SAST/SCA 逐级加深，并把安全知识、代码智能、Agent 编排和证据治理贯穿需求、设计、实现、验证、发布与响应阶段。[M4, slides 9, 12; M5, slides 9, 12]
• 案例数字：材料给出的实践规模为 2 万+开发者、20 万+次安全扫描、6300 万+行代码；规则与 LLM/审核 Agent 结合后，漏洞召回率由 50% 提至 83%，检测准确率由 55% 提至 90%。[M4, slides 9-10; M5, slides 9-10]
• 公开资料：材料指向 Qoder 信任中心及覆盖 11 大安全模块的安全白皮书；V1.0 同时列国际站和中国站，V1.1 仅列中国站。[M4, slides 14-15; M5, slides 14-15]
• 一句话结论：安全左移的目标不是“生成后扫描”，而是让安全知识和约束直接参与需求、设计、编码、验证与发布，使产物“生成即约束”。[M4, slide 12; M5, slide 12]

4. 李旭泽｜满帮集团资深算法专家

• 核心观点：货运 AI 的难点来自深行业知识、JDK8 等老基建、团队 AI 经验不足，以及个人提效无法自动转化为业务提效；满帮主张把 AI 接入需求、开发、测试、发布、运营和履约整条“管道”，衡量整体业务流量而非局部编码速度。[M6, slides 3-8, 16; M7, slides 1, 3-8, 16]
• 产品与实践：满帮用 Qoder IDE、Quest、RepoWiki、JetBrains 插件和 CLI 支撑研发，用 Hook 建强约束链路，并把原有 HTTP/RPC 服务转换为 MCP 服务；在 Agent 侧构建由 Case 数据集、优化器、LLM 推理、独立评测器和优质 Prompt 回传组成的自进化飞轮。[M6, slides 8, 11, 14; M7, slides 8, 11, 14]
• 上线案例：面向货主的发货/跟单 Agent、货主与司机之间的撮合 Agent、面向司机的找货 Agent 均标记“已上线”；内部判责智能体已全量，客服智能体接管关键客诉。[M6, slide 9; M7, slide 9]
• 案例数字：司机 AI 人机协同平台一期包含 10 个前端页面、28 个功能点；传统估算 51—74 人日，材料对比口径为传统 50 人日、Qoder 协同 10 人日，即 5 倍提效、节省 40 人日、工作量压缩 80%。[M6, slide 12; M7, slide 12]
• 案例实践：团队在一周多完成发货 Agent 的 Java 基建框架；还用 Qoder 经 MCP 整理大模型原生知识库，并用浏览器 Agent 自动检索日志、对比状态和生成诊断报告，遇 SSO 时暂停并由人接管。[M6, slide 13; M7, slide 13]
• 未来判断（材料观点）：材料提出“产出 = 判断力 × AI 执行力”，并展望产研与运营全员 AI 化、内部系统打通、组织更扁平和管理半径扩大；这些属于演讲者展望，不是已经实现的数据。[M6, slide 18; M7, slide 18]
• 一句话结论：行业 know-how 不应被视为转型包袱，而应通过知识、工具和 Agent 变成 AI 时代的组织资产。[M6, slide 18; M7, slide 18]

5. 曲栋｜海信集团 AI 技术中心负责人

• 核心观点：面对跨业务、跨技术栈、跨地域的大型研发组织，AI 不能只做个人补全工具，而要成为企业生产环境中可复用、可治理、可验证的工程能力。[M8, slides 1-3]
• 建设路径：海信把研发拆为需求收集、概念设计、Spec 澄清与审评、AI Coding 与 CR、测试验证与人审、知识更新与验收六阶段，并以结构化输入输出、Loop 报告、知识回流、安全初审和人工高危复审串成闭环。[M8, slide 5]
• 方法论：材料将范式演进分为 Prompt Engineering、Harness Engineering、Loop Engineering、Graph Engineering 四阶段，分别解决上下文、工程底座、可验证闭环和多角色组织编排问题；演讲者强调阶段叠加且不宜跳级。[M8, slide 7]
• 治理细节：Loop 要有边界、证据、档案和事前验收锚点，材料设置最多 30 轮、同一失败签名连续 3 次转人工、连续 3 轮无根因即停、评审打回超过 5 次转人工裁决；Graph 则以节点图、状态账本、脚本路由和人工闸口实现恢复、停机与追责。[M8, slides 9-10]
• 组织架构：海信采用 Qoder 工具层、企业 Harness 层和 Graph 需求交付平台层三层结构；工具提供原子能力，企业 Harness 定义质量门禁，平台负责编排，关键确认、合并和发布仍由人把关。[M8, slide 11]
• 案例数字：材料称先锋项目观察到端到端提效 1.3—4 倍、新建代码 AI 生成占比 90%，并明确不同项目复杂度造成收益差异，复杂跨系统改造需要更多工程投入。[M8, slide 12]
• 未来规划（材料明确）：海信处于 Loop 大规模生产、Graph 在先锋项目跑通并向更多场景复制的阶段，正探索数字员工和 SDLC 全链路自动化；这是一项正在推进的计划，不等同于全面落地。[M8, slides 4, 7]
• 证据限制：建设时间线页内标示“26 年 5 月 Harness 建设”，同页备注却称“2025 年 5 月系统化建设 Harness”，材料内部口径不一致，摘要不作校正。[M8, slide 4]

6. 刘洋洋｜材料未注明职务与所属组织

• 研究与产品观点：Agent 的竞争正由模型能力转向模型与执行系统共同完成真实任务的能力；Harness 的北极星指标是以更低的模型、工具、时间和人工介入综合成本，完成更多、更快、更高质量的成功交付。[M9, slides 2-3]
• 案例验证：联想天禧、新东方、客如云、卡比特和 AnalyticDB 案例分别覆盖个人助手、教学教管、餐饮工作台、两轮车任务执行及游戏创作投放，体现 SDK 在终端、SaaS、行业 Agent 和多 Agent 业务闭环中的被集成形态。[M9, slides 12-16]
• 一句话结论：企业可复用开放的执行机制，但业务身份、交互、数据、授权和验收仍须由企业定义和负责。[M9, slides 6, 17]

7. 刘琳琳｜联想天禧 AI 战略生态部负责人

• 研究与组织观点：材料判断，当个体产能提升后，协作等待会成为瓶颈，最小生产单元将转为“一个人 + 一组 Agent”：人对目标负责，Agent 对路径负责，管理者负责方向和产物判断，并把判断前置为规则。[M11, slide 2]
• 证据限制：M11 备注中的“3 人、30 天、零场例会”案例明确提示演讲前核对来源与口径，因此本摘要不把它作为已证实案例数字。[M11, slide 2]
• 产品与实践：天禧采用业务控制面、Qoder Agent SDK 执行面、本地 PC 资源面三层架构；SDK Core 提供上下文、知识、编排、工具执行和权限控制，天禧负责任务入口、业务流程、权限、沙箱、记忆和 RAG，并已覆盖文档、PPT、写作与本地知识处理。[M10, slides 8-10; M11, slides 8-10]
• 产品与实践：天禧 4.0/4.3 材料描述了开箱即用的天禧 Claw、专家智能体与技能一键组队、任务中心、产物管理、300+ 系统级原子能力、跨终端任务协同及四层安全守护。[M10, slide 7; M11, slide 7]
• 研究数据：材料援引智联招聘与高通报告，列出 56.1%、23.4%、73%、65% 四项比例，并明确写出“59% 使用率 vs 23.4% 付费率”及 32.7 个百分点的意愿—行动鸿沟；由于图中文字与备注未完整对应每个百分比的指标，本摘要不进一步配对推断。[M10, slide 12; M11, slide 12]
• 行业预判（非既成事实）：M11 提出未来 12—24 个月可检验的五项预判：模型趋同后 Harness 成为差异点、最小单元转向人加一组 Agent、Agent 成为软件第一用户、终端成为超级组织最后一公里、信任基础设施决定放权上限。[M11, slide 14]
• 行业规划（非既成事实）：M11 将 2024—2027 定义为跨应用 Agent 探索期，把 2026 至 2030+ 描述为 Agentic OS 的早期阶段，并引用 Gartner/IDC 对项目取消和 2030 年企业编排规模的预测；这些是外部预测和演讲判断，不是联想已实现结果。[M11, slide 15]
• 生态现状：天禧生态材料列出 2.8 亿月活、40 亿次年分发量、23 万累计注册开发者、2000+ AI 开发者、20 万生态内容和 3.9 万 Skill/Agent/AI 应用。[M10, slides 17-18; M11, slides 18-19]
• 未来合作计划（与产品发布分开）：联想把自身定位为系统级入口、端云路由和多端分发方，垂类创新交给开发者；“苍穹计划”标注 1 万亿 Token、千万现金、100% 免分润，活动期为 2026 年 5 月 19 日至 12 月 31 日，并预告 12 月 26 日生态伙伴大会。[M10, slides 15, 20-22; M11, slides 16, 20-21]
• 一句话结论：联想的主张是端侧守入口、云端补能力、生态扩边界，以系统级路由把“人 + Agent”的组织方式先落在终端。[M10, slides 13-15; M11, slides 13-16, 21]

8. 田皓（墨暃）｜材料未注明职务与所属组织

• 核心观点：企业需要的不是能跑 Demo 的 Agent，而是长任务可持续、异常可恢复、能接入业务、可隔离归属成本且结果可追踪验收的生产系统；模型、工具、状态、权限和结果验证共同决定交付能力。[M12, slides 2-4]
• 产品方法：业务团队定义目标、专业知识、规则、工具、授权边界和产品体验，QCA 托管 Harness、上下文状态及基础设施调度；“脑手分离”使沙箱按需启动，材料称沙箱持有时长由全天 24 小时口径降到 1.2 小时，减少 95%。[M12, slides 7, 9]
• 案例数字：晓多 BELLY 将 VOC 周报人工复核/响应从 4—6 小时降至分钟级，并预计专项分析投入减少 70%—85%；慧博新增一张报表的 Skill 接入由 3 人日降至 1 人 1 小时，口径准确率由 35% 提至 95%，人效提升 5 倍、交付时长缩短 80%。[M12, slides 11-12]
• 案例数字：阿里云数据安全案例日均研判告警 2000+ 条，AI 与专家一致率 95.3%，多源分析用时 1 分钟/条，人均告警研判效率提升 10 倍以上。[M12, slide 13]
• 一句话结论：Cloud Agents 的价值是把通用 Harness 基础设施交给托管平台，让企业把工程资源集中在业务定义、验收和用户价值上。[M12, slides 7, 14-15]

9. 王志宇（Keen Wang）｜中宏 AI 基础架构团队负责人

• 核心观点：在最大应用约 200 个微服务、存量系统与依赖复杂、监管要求高的环境下，AI Coding 必须从个人补全走向标准化、可恢复、可验证的团队交付，并将安全扫描、修复和复验左移，同时保留 CD 前独立门禁。[M13, slides 1, 3-5]
• 产品与方法：中宏以 Master Agent 编排、Custom Agent 分工、Skill 承载方法、Rule 定义约束、工具执行确定性校验、日志和产物支撑复盘；从需求/设计到 SIT 形成 Human on the Loop，失败或缺证据时回到责任节点修复并重验。[M13, slide 6]
• 安全实践：编码、评审、SAST、开源依赖和镜像扫描形成回传闭环；中危及以上漏洞必须全部修复，未执行、失败或超时不得判定通过，最终仍由集中流水线独立验证。[M13, slide 7]
• 并行治理：Master Agent 先分析依赖和冲突，再把任务分配到隔离 Worktree 与临时环境，测试通过后进入串行 Merge Queue；任务统一编号、结果先核对再重试，冲突和失败用例回传处理。[M13, slide 8]
• 评测方法：Benchmark 冻结真实仓库、需求/修复版本、环境与授权，记录模型、Skill、指令、会话及重试，以原场景和负向回归配对复测，并比较修复率、超时、耗时、人工、成本、复发率和新增回归。[M13, slide 11]
• 案例数字：在单体或 3—5 个微服务的小型项目中，交付周期由两周降至 3 天，累计研发工作量由 10 人月降至 2 人月，安全反馈由两周变为实时；材料将前两项均标为提升/减少 80%。[M13, slide 12]
• 一句话结论：成熟的 AI Coding 产线以职责、授权、契约和证据为中心，不以 Skill、文档或提示词数量为建设目标。[M13, slides 9-10]

五、全场总结

1. 贯穿全场的主线

论坛的共同主线是：AI 的价值单元正从“回答或生成一次”转向“在明确目标、权限和验收标准下持续交付”，组织需要同步建设知识资产、Harness、可验证 Loop/Graph、业务 Agent 和可信治理，才能把超级个体的局部效率转为超级组织的端到端产能。[M1, slides 2-3, 8-11; M8, slides 5, 7, 9-11; M9, slides 2-7; M12, slides 2-8; M13, slides 5-10]

2. 最有信息量的 3 个片段

1. 主题演讲｜宁晓民：高德 AutoSDK 把 20+ 仓库的知识生产、运营和消费串成闭环，一次做对率 37.3%→61.5%、平均对话轮次 3.49→2.53、交互链路缩短 39%，直接展示“知识资产化”如何形成组织复利。[M1, slide 9]
2. 主题演讲｜曲栋：海信把单 Agent 的 Loop 升级为带节点、状态账本、脚本路由、证据门禁和人工介入点的 Graph，并形成 Qoder—企业 Harness—交付平台三层结构，说明规模化不只是增加 Agent 数量，而是显式化交接、状态和治理。[M8, slides 9-11]
3. 重磅发布｜田皓：QCA 1.0 于 2026 年 9 月 16 日正式发布，并用按需沙箱、可验证进化闭环和企业托管能力把 Harness 从自建工程转为服务；材料给出的运行口径是沙箱持有时长减少 95%。[M12, slides 4, 8-9]

3. 跨形式呼应

• 组织方向：宁晓民提出从 Assist、Operate 到 Orchestrate，并把人的职责收敛到目标、判断和验收；刘琳琳进一步把最小组织单元表述为“一个人 + 一组 Agent”。[M1, slides 2-3, 11; M11, slide 2]
• 行业验证：满帮把 AI 接到货运全链路，海信以 Harness/Loop/Graph 重构研发，中宏以独立安全门禁和证据闭环约束产线，慧博则把经营洞察变成持续执行的零售 Agent；这些案例共同说明局部代码生成不足以带来业务交付。[M2, slides 3-9; M3, slides 5-16; M6, slides 8-16; M7, slides 8-16; M8, slides 5-12; M13, slides 6-12]
• 发布落地：Qoder Agent SDK 把统一 Harness 执行机制开放给企业集成，Qoder Cloud Agents 1.0 则提供云端托管形态；两者分别对应“企业掌握业务应用、复用执行内核”和“企业定义业务、平台托管运行底座”两条落地路径。[M9, slides 5-11, 17; M12, slides 4-8, 15]
• 可信边界：Qoder Security 的分层扫描、企业身份与审计能力，与海信的证据门禁、中宏的独立安全流水线、天禧的终端权限审批相互呼应，均把“可控、可审、可回溯”作为扩大 Agent 授权的前提。[M4, slides 3-5, 9-12; M5, slides 3-5, 9-12; M8, slides 9-11; M11, slides 10-11, 14; M13, slides 6-10]

4. 3 条可落地的行动建议

1. 企业研发负责人：先建立一条有界、可验收的 Loop，再扩展多 Agent。 为目标预先写明验收标准，给循环设置轮次、失败签名和人工接管阈值，并把日志、测试、产物差异作为关闭任务的依据；海信与中宏都显示，缺少证据和门禁时并行只会放大风险。[M8, slides 9-10; M13, slides 6-11]
2. 业务与平台团队：把领域经验拆为“原子能力—Skill—Harness—场景 Agent”，并明确平台与业务责任。 通用会话、沙箱、恢复和调度可复用 SDK 或托管平台，业务团队仍负责身份、数据、规则、授权和结果验收；慧博的零售分层、Qoder Agent SDK 与 QCA 给出了三组相互印证的实现方式。[M2, slides 7-9; M3, slides 13-16; M9, slides 6-7, 11; M12, slide 7]
3. 安全与治理负责人：把安全要求前置为机器可执行约束，同时保留独立门禁。 将身份、最小权限、命令/工具边界、SAST/SCA、凭证保护、审计和高风险人工审批纳入生成与执行链路；对“未执行、失败、超时”一律不判通过，并持续用冻结基线与反例回归校准规则。[M1, slide 8; M4, slides 4-5, 9-12; M5, slides 4-5, 9-12; M13, slides 7, 11]

【“AI+文化传媒”技术发展论坛】材料摘要

二、重磅发布

“无远·千问”国际传播智能平台（M5）

• 发布人及身份：韩冰，中国日报技术中心。材料明确写明由中国日报与阿里云联合发布。（M5，slide 1、11）
• 发布内容：面向国际传播机构用户的智能工作台，目标是把通用智能接入专业流程，将国际传播经验沉淀为可调用、可组合、可迭代的机构能力。（M5，slide 9-11）
• 核心亮点：
1. 中国日报提供权威内容与专业语料、业务和质量标准、国际传播经验、全球渠道及真实场景；阿里云提供千问大模型、多模态、云计算、工具调用和智能体运行环境。（M5，slide 9）
2. 以国际传播方法论为骨架、大模型为引擎，拟通过统一入口连接洞察分析、内容生产和传播运营，并保留人工审核、干预与回退。（M5，slide 8、10）
3. 发布提出共建真实场景、专业标准、能力资源和开放生态。（M5，slide 11）
• 阶段判断：平台在材料中被明确表述为“正式发布”；但统一入口及三类核心任务是“依据建设规划的拟支持能力”，不能据此认定均已上线。（M5，slide 10-11）

三、主题演讲

M1｜史强：总台智能体——重构内容生产新范式

• 身份：史强，中央广播电视总台技术局新闻制播三部主任。（M1，slide 1）
• 核心观点：面对分钟级响应、多平台多形态多语种分发和质量底线并存的压力，内容生产应从“人找工具”转向由创作意图驱动的智能体生产；人的判断仍位于关键节点。（M1，slide 4、7、11）
• 关键论据与方案：材料归纳传统生产的工具繁杂、流程冗长、岗位割裂和创意受限四类痛点，并设计由总台智能中枢调度选题、撰稿、剪辑、排版、审核、分发、传播分析等数字员工的全链路体系。（M1，slide 5、8、10）自然语言界面的示例预计2分钟交付一条快讯，但这是界面示例，不是实测业绩。（M1，slide 9）体系还规划用户反馈学习、底层模型可替换，以及按人员、岗位、任务核算频次、Token成本和产出质量。（M1，slide 12-13）材料将智能体模式描述为分钟级交付、一人决策与数字员工集群执行；未提供实际部署规模或实测提效数据。（M1，slide 16）
• 一句话结论：总台方案的目标不是取消人的责任，而是让智能体承担执行，让人聚焦创意、价值判断与最终确认。（M1，slide 11、15-17）

M2｜张广亮：锻造主流媒体系统性变革AI飞轮

• 身份：张广亮，阿里云文化传媒行业技术总监。（M2，slide 1）
• 核心观点：媒体既要在第一曲线以“+AI/Copilot”改造现有流程，也要在第二曲线以“AI+/Autopilot”重构组织、生产和产品；系统性变革由AI办公、AI数字员工与AI Native应用三条路径共同驱动。（M2，slide 3-4、13）
• 关键论据、案例与数据：材料引用行业报告称，2026年一季度全国上线微短剧12.8万部，其中AI剧12.2万部、占95%；2026年上半年抖音端原生新上线AI剧漫剧22.19万部、日均约1200部；2025年漫剧相关企业新增8.02万家、同比增长37.1%。这些是演讲材料转引的外部数据，并非本场实测。（M2，slide 2）阿里云方面自述，内部三类办公智能体经过集团12万人使用后被融合进“千问办公”；材料未给出独立验证或具体上线范围。（M2，slide 7）央视场景案例称，办公智能体可先生成节目包装Demo用于快速对焦，并能把世界杯报道竞品与传播分析的数据收集压缩到半小时；均为演讲者案例陈述。（M2，slide 6）数字员工体系强调Leader-Worker调度、任务房间隔离、长任务续跑，以及过程可见、实时纠偏和关键节点人工审批。（M2，slide 8-9）材料还展示AI Native客户端、Accio Work文创链路及AgentCore/STAROps工程闭环；其中Accio Work“1000万+全球活跃中小企业”“下单时间缩短80%”来自材料引用的官方发布与官网。（M2，slide 10-12）
• 一句话结论：单点提效只是起点，媒体需要同时重构组织方式、内容生产体系和面向用户的产品形态；材料中的“10x”是目标性表述，不是本演讲给出的媒体项目实测结果。（M2，slide 13）

M3｜马平：从生成奇观到电影工业

• 身份：马平；材料正文未说明其职位与所属组织，演讲内容介绍中影AI研究院的思考与实践。（M3，slide 1、12）
• 核心观点：电影行业的关键问题已从“模型能生成什么”转为“电影需要怎样的AI”；一段惊艳生成不等于可持续交付，技术必须进入电影的专业知识、标准、权利和责任秩序。（M3，slide 3-5、9-11）
• 关键论据与案例：材料把AI价值归纳为让创作意图显影、重复生产流转、经验沉淀为资产、文化扩大传播，并主张把试错前移到立项、拍摄和重投入之前。（M3，slide 6-7）中影AI研究院提出“自主底座—专业中枢—工业秩序—应用矩阵”，并强调镜头连续、人物一致、过程可追、权利有据和成果可交等标准。（M3，slide 12-15）材料展示四类实践方向：电影AI智能译制系统“一语万声”、电影内容智能审核系统“一目了然”、电影人工智能创作平台“一念大千”、电影AI文旅体验系统“一息入画”；这些是系统/平台案例介绍，材料未说明各自上线状态、使用规模或效果数据。（M3，slide 16-20）
• 一句话结论：AI可以扩展电影创作的可能性，但不能定义电影；创作者仍是意图、判断、人格授权与后果承担的第一责任主体。（M3，slide 8、10、21）

M4｜杜颜龙：打造AI时代文娱产业新基建

• 身份：杜颜龙，虎鲸文娱集团CTO。（M4，slide 1）
• 核心观点：AI影视竞争正在从“能否生成好镜头”转向“能否持续、可解释、按预算交付整部作品”，需要覆盖剧本、制作、后期和交付的产业基础设施。（M4，slide 7-9）
• 关键论据、案例与数据：材料援引内部团队和多家外部研究来源称，试点项目中AI在剧本创作字符数中占30%，AI制作视频达千万分钟级，分钟制作成本估算降低超60%，近一季度Token消耗倍数级增长，且“50%+用户”的AI动漫人均消费时长为90分钟/天；这些口径来源混合，均应视为演讲材料中的自报或转引数据。（M4，slide 4）对两批不同作品的评论分析显示，内容创作类关键词占比由49.5%升至65.9%；材料特别提示样本并非同一批作品，因此差异只能作为线索，不能归因于时间变化。（M4，slide 5）下一页关于“AI痕迹”和表演正面评价的版面数字与备注原始数据存在不一致，故不能据此给出确定幅度，只能确认材料主张前者下降、后者上升。（M4，slide 6）
• 产品与能力展示：材料将“鲸锐AI”称为行业首个AI影视制作与管理平台，展示250+场景组合、49种基础表情、40+摄像机参数、100+人物姿势占位和多光源打光，以及超分、HDR、自研语音算法、团队协作、成本追踪和资产复用能力；这是产品方自述，材料没有给出正式发布或全面上线状态。（M4，slide 10-23）其底座规划依托阿里集团模型、算力与安全体系，并提出数据闭环、影视专业模型、AI创作赛事、内容研发和分发分账等生态方向。（M4，slide 24）
• 一句话结论：文娱AI基础设施的价值标准应从单次生成效果转向过程可控、结果可交付、成本可管理和经验可复用。（M4，slide 9、11、23-25）

M5｜韩冰：以智能提升传播效能，以专业引领价值表达

• 身份：韩冰，中国日报技术中心。（M5，slide 1）
• 核心观点：国际传播的难点不只是语言转换，而是议题选择、事实支撑、叙事角度、文化分寸和传播效果；技术扩大视野、产能与触达，人负责方向、品质和最终责任。（M5，slide 2、4）
• 关键论据与实践：中国日报展示“万象”语料库、“河图”国际传播大模型、“灵果”智能勘误、“洛书”智能体平台、“图物”绘画大模型及多个传播应用，作为其既有技术与业务积累；材料未逐项说明上线状态和成效数据。（M5，slide 3）其方法是把稿件、图音视频、数据和语料治理为机构资源，把采访、编辑、翻译和运营经验沉淀为知识、规则、技能与工作流，实现人机协同、全流程协作和组织知识沉淀。（M5，slide 5-6）材料列出选题、采访规划、写稿、翻译、跨文化转译、事实核查、勘误和传播运营等智能体，明确编辑、译审和运营人员在关键节点审定、确认和发布。（M5，slide 7-8）
• 一句话结论：媒体智能体的深层价值不是替代专业人员，而是把个人经验转化为可追溯、可复核、可持续迭代的机构能力。（M5，slide 5-9）

M6｜张军：跨越“新闻+AI”的“创新者窘境”

• 身份：张军，南华早报首席技术官。（M6，slide 1）
• 核心观点：新闻业的AI主战场不是替代原创内容生产，而是重构用户体验、内容分发和商业模式；新闻机构必须改变承载新闻的“容器”，同时坚守事实验证、第一手报道和专业判断。（M6，slide 5-10、20-21）
• 关键论据、案例与数据：南华早报自述拥有3000万月活用户，约三分之一在香港、三分之二在欧美及其他地区。（M6，slide 2）材料转引路透社2026年调查，称行业受“Google Zero”、日活双位数下降、阅读时长与浏览量下降5%-10%、用户老龄化等压力影响；这些是转引的行业数据。（M6，slide 4）南华提出2026年“3+1”重点：AI搜索与负责任推荐、液态内容引擎、智能体服务模式探索，加上采编个人AI支持、培训和治理。（M6，slide 6、11）其自建AI搜索在材料所称8月3日上线后，搜索使用增长120%+；这是企业自报数据。（M6，slide 12-13）“负责任推荐”方案拟引入新闻价值分、编辑权重、多元化配额、可解释推荐和多模态内容，其中15%-20%视野拓展类内容是参数设计方案，不是效果数据。（M6，slide 14-16）“液态内容引擎”当前被描述为格式重构已AI化、分发前仍由编辑手动审核；个人代理商业模式仍处探索期，材料明确称接口或需3周，但找到模式可能要一年或更久。（M6，slide 17-19）
• 一句话结论：AI不会自动终结新闻业，但不革新读者体验与分发方式，单个新闻机构可能被淘汰。（M6，slide 20-21）

M7｜纪芸：以数智之力，护千年文脉

• 身份：纪芸，中国广电创新发展部业务总监。（M7，slide 1）
• 核心观点：文化数字化已从选择题变为必答题，需要以国家级算力、数据治理、可信流通、行业模型和应用体系打通资源数字化、资产化与价值运营。（M7，slide 3-6）
• 关键论据、案例与数据：中国广电自述国家文化大数据服务平台已接入近1200家文化机构，采用“1+7+31+N”分布式算力架构，具备50+云服务、3000+服务器和100PB+云存储；这些均为平台方材料数据。（M7，slide 6-7）数据层设计统一标识、采集、治理、存储、流通和应用链路，并以区块链支持确权存证、溯源和可信交易；“文脉AI”矩阵覆盖文化语料、模型工程、智能体工厂、安全治理及文博、文旅、文创、报业等垂类模型。（M7，slide 8-9）案例包括：安徽铜矿遗址通过文化专网开展智慧文保；吉林文旅数字人覆盖全省景区、响应延迟≤1.5秒并入选行业案例；112部影视剧完成超高清修复、总时长75365分钟；“文盾”被称为全国首个文化执法垂直大模型并入选“能力提升案例”。上述均为演讲材料中的项目方陈述。（M7，slide 11-12）
• 规划与邀约：平台提出开放算力、标准和AI产品，支持私有化部署与个性化配置，并通过“文脉计划”招募应用试点和生态伙伴、共定标准及拓展示范场景；这是开放合作规划，不等同于所有能力已落地。（M7，slide 15）
• 一句话结论：文化数字化基础设施既要让资源可识别、可管理、可流通，也要以安全治理和开放生态支持真实场景应用。（M7，slide 8-9、13、15）

五、全场总结

1. 贯穿全场的主线：AI在文化传媒中的角色正从单点工具和生成演示，转向可进入真实生产的组织能力与产业基础设施。媒体侧关注智能体协作、专业标准、人工决策和面向用户的分发重构；影视侧关注生成结果如何成为连续、可控、可追溯、可交付的作品资产；文化数字化侧则把算力、数据、模型、安全和生态连接为公共底座。（M1，slide 7-13；M2，slide 3-13；M3，slide 9-15；M4，slide 7-24；M5，slide 4-10；M6，slide 9-19；M7，slide 6-15）
2. 最有信息量的3个片段：
• 主题演讲｜张军：南华早报把AI创新优先级从编辑部提效转向搜索、负责任推荐、液态内容和未来代理服务，并同时给出已上线搜索的自报增长、推荐参数方案、当前人工审核边界与长期模式探索，较完整地区分了现状、方案和未来判断。（M6，slide 11-19）
• 主题演讲｜杜颜龙：鲸锐AI把影视生成拆解为精控、画质、协作、资产复用和成本追踪，并以具体控制项说明“从生成到生产”的工程化路径；但其市场地位、性能与降本数字均是产品方自述或转引，不能外推为行业普遍结果。（M4，slide 4、10-24）
• 重磅发布｜韩冰：“无远·千问”把中国日报的国际传播资源和标准与阿里云模型及运行环境结合，正式发布面向机构的工作台，同时明确三类核心任务仍属拟支持能力，呈现了发布事实与建设规划的边界。（M5，slide 9-11）
3. 跨形式呼应：多场演讲先从不同侧面论证共同需求——总台与阿里云强调数字员工、人机回路及工程治理，中影与虎鲸强调专业知识、标准和交付确定性，南华早报强调用户体验与分发，中国广电强调文化数据与算力底座；“无远·千问”的正式发布则把“通用模型+机构资源+专业工作流+人工把关”落到国际传播平台。材料能够证明的是方向和方案相互呼应，不能据此推断各机构已采用统一架构或达成共同协议。（M1，slide 8-13；M2，slide 8-12；M3，slide 12-20；M4，slide 9-24；M5，slide 5-11；M6，slide 11-19；M7，slide 6-15）
4. 3条可落地的行动建议：
• 文化传媒机构：先选择一条真实业务链路，把选题、生产、审核、分发和反馈拆成可度量任务，在导向、事实、版权与发布节点保留人工审批，再以周期、质量、成本和传播反馈评估试点，而不是直接追求全自动化。（依据：M1，slide 10-13；M2，slide 8-9；M5，slide 7-8）
• 平台与技术团队：把稿件、媒资、专业规则和岗位经验治理成可调用资产，同时建设上下文隔离、过程追踪、成本计量、模型评测与安全控制，避免智能体成为不可解释的黑盒。（依据：M1，slide 12-13；M2，slide 9、12；M3，slide 14-15；M4，slide 23-24；M5，slide 5；M7，slide 8-9）
• 产品与经营负责人：分别设立“内部提效”和“用户价值/分发创新”两类试点；前者验证人效、质量和责任边界，后者验证搜索、推荐、跨文化触达或文化服务的留存与价值，并把自报数字、外部报告数据和规划指标分开管理。（依据：M2，slide 3-4；M5，slide 4、10；M6，slide 5-6、11-19；M7，slide 11-15）

【万镜一刻：Agentic AI驱动下一代视频生产力】材料摘要

三、主题演讲

徐昭 · 阿里巴巴ATH事业群 MaaS业务线AI应用研发负责人 · AI创作：内容产业的新基建

• 核心观点：材料仅含标题页，将「AI 创作」定位为内容产业的新基建；具体论述现有材料不足以判断。
• 关键论据·案例·数据：材料未说明。
• 一句话结论：材料未说明。

杨狄 · 阿里巴巴ATH事业群 MaaS业务线产品总监 · 万镜一刻：Agentic AI时代的视频生产引擎

• 核心观点：AI 重构视频生产全链路，让创意即刻成片；面向千行百业推出「镜仔 Agent + 创作工作台 + Skill Studio」，让懂行业但不专业的创作者也能「开动视频产线」，把行业 Know-How 转化为视频生产力。
• 关键论据·案例·数据：万镜一刻此前已发布故事板、无限画布、在线剪辑形成一站式创作工具，本次面向 AI 短漫剧等专业创作升级故事板改版、预置机位 3D 导演台等；镜仔 Agent 以自然语言驱动、人与 Agent「双驾驶位」、所见即所得，Skill Studio 提供官方预置 Skills 并支持无限画布一键转 Skill、发布为 API 规模化调用；能力覆盖短剧重制出海、商品视频爆款复刻、口播视频复刻；万镜一刻开放平台开放多形态视频能力与多终端接入；国际站 WonderClip 结束公测全面发布，已服务 30 多个国家和地区的创作者与企业，通过多语种 Agent 实现本土化原生创作。
• 一句话结论：邀请千行百业的内容创作者，用精品化、全球化、低门槛的工具创作好内容、沉淀高产能。

邹娟 · 阿里巴巴ATH事业群 MaaS业务线资深技术专家 · 从多维生成到可控交付：万镜一刻Agentic技术演进

• 核心观点：视频生成正从「模型问题」变成「系统问题」——模型能力决定素材上限，生产系统决定成片下限；素材生成与成片交付是两个不同的系统问题，需以 Agentic 架构把创造力变成可持续的视频生产力。
• 关键论据·案例·数据：技术架构三层解耦（L3 SaaS 与场景应用 / L2 Agentic Native PaaS / L1 AI 与媒体基础设施），Agentic 体系围绕统一作品状态（Production State：Timeline·Assets·Versions）做规划—执行—检查职责分离、动静结合；视频 Agent 三层 Harness（Model Harness 把模型变成可治理的生产供给；通用视频生产 Harness 覆盖创意到成片全链路，含 Context/Orchestration/Action/Assurance；行业/场景 Harness 面向营销品牌约束、短剧长程叙事、电商商品事实）；技术实践涵盖营销视频（品牌知识+母版工程+四类质量门）、短剧生产（Story Bible+并行生产+一致性评测）、电商内容（商品事实约束+批量生产+效果反馈），材料标注多项公开指标（版本数/修改耗时/审核通过率、角色一致性/单集周期/返工比例、准确率/批量时长等）为「待确认」。
• 一句话结论：从生成素材到交付成片是能力边界与系统架构的双重变化，模型提供创造力、Agentic 架构把创造力变成可持续的视频生产力。

洪炳峰 / 颢青 · 阿里巴巴ATH事业群 MaaS业务线资深技术专家 / 千问办公 · 开放创作力：万镜一刻多元接入与千问办公合作实践

• 核心观点：企业需要的不是统一入口，而是让专业创作能力进入自己的生产方式；万镜一刻通过「开放创作力」让创作能力被 Agent 和企业系统稳定调用并进入生产流程，形成 Know-How 向内沉淀为产能、专业能力向外进入更多场景的增长循环；千问办公进一步让这些能力进入用户已有的文档、素材与工作目标。
• 关键论据·案例·数据：开放能力全景覆盖原子能力、场景能力（资讯播报/商品种草）、行业能力（营销/电商/教育/金融/传媒），开放形式含 MCP/CLI/API/多终端SDK/企业套件/可视化组件；Yike CLI 面向 Agent 原生设计（结构化 JSON、dry-run 校验、jobId 跟踪长任务），Skill 可发布为标准 OpenAPI 实现 Agent 原生调用+标准调用双入口；产品化交付含企业套件（品牌/独立域名/全场景工作台）与创作工具嵌入；合作深度分产品嵌入（iframe+API）、企业工作流（API+CLI）、企业 Agent（MCP+CLI+Skills）；千问办公为一站式 AI 办公平台（能执行 Computer Use/定时值守、能连接 MCP/多渠道 IM、能进化技能沉淀/专家套件、能管控安全合规/灵活部署），万镜一刻全系列 AIGC 音视频能力已以四个专家套件（AIGC 视频创作、短剧视频创作、商品种草视频创作、资讯播报视频创作）上架千问办公，用户一句话发起、Agent 全流程执行，将传统视频生产「贵·慢·难」重构为桌面 AI 视频产线（周级→分钟级）。
• 一句话结论：工具阿里已经造好，让专业创作能力进入企业和 Agent 的真实生产方式、装进每个千问办公用户的桌面，是本次开放与合作的核心。

材料未说明（演讲人） · CreatiSignal × 阿里万镜 · 爆款是可以计算的：从数据解构到AI规模化生成的出海实战

• 核心观点：材料标注演讲人姓名/职位「待补」；主旨是让内容创作「可以计算」——让选择有证据、成本有口径、修改有依据，把选方向、做素材、投后迭代连成可选择、可核算、可验证的决策链路，最终仍由真实消费者和投放验证。
• 关键论据·案例·数据：以服饰出海为贯穿示例，将「计算」落到三个经营问题（下一条做什么/一条到底多少钱/下一版改哪里）；引用 TikTok《What's Next 2025》公开行业案例——杯具品牌 Meoky 在原有 2 条素材基础上加入 AI 生成素材，购买次数达对照组 1.8 倍、ROAS 提升 13%（材料明确标注为行业案例、非其客户成绩、不代表通用增幅，核验日期 2026-09-18）；CreatiSignal × 阿里万镜联合工作流为「确定方向→形成任务→生成与制作→投后迭代」（材料标注为方案示意、具体交接与万镜负责环节以实际项目为准）；单条可用素材成本测算（制作总成本÷验收通过数量，示例 ¥6000/15=¥400 对比 ¥6000/30=¥200，材料明确标注全部为教学假设、非客户实绩）。
• 一句话结论：爆款仍需市场验证，数据让创意假设更具体、试错更易复盘；建议品牌与生态伙伴从一个商品、一个市场开始做一轮有依据、可验收的创意测试。

周博闻 · 天工画境 联合创始人 · AI内容的全球化商业落地：从仿真人短剧登顶全美榜单第一到AI互动影游新探索

• 核心观点：AI 正把内容产业的迭代速度提升约 3 倍（AI 短剧 1 年走完真人短剧 3 年的路），是中国内容换道超车的历史窗口；天工画境以「内容+技术」双飞轮做 AI 原生影视内容工业化生产，用 AI 打破真人短剧出海「高成本、低回报」的困局，并向 AI 长剧、AI 互动影游演进。
• 关键论据·案例·数据：作品累计播放量超 50 亿，《消失的女军神》2026 年 7 月登顶美国短剧月榜 TOP1、《斯巴达战神》Flickreels 三榜 TOP1，海外 IAP 单用户收益为国内 3–5 倍；引用 2025 年国内 AI 短剧市场规模近 200 亿、预计 2026 年冲击千亿量级，2026 年 1–6 月抖音新增 AI 短剧 22.19 万部、其中 1055 部破亿；AI 短剧出海对比真人短剧：单部成本约 100 万元→10 万元以内、周期 2–3 个月→2–3 周；依托「万镜一刻」为核心引擎；规划 AI 长剧（45 分钟级、成本约真人长剧 1/10）与首款 AI 女性向互动影游（云栖大会全球首次亮相，ARPU 值提升 3–5 倍）；联合阿里云万镜一刻共建 AI 学院五大方向课程；远期布局 VR/智能眼镜等硬件与 AI 原生内容共生。
• 一句话结论：AI 短剧出海已实战验证成立，短剧只是起点，AI 内容正走向长剧、互动影游与内容+硬件共生的全球化商业落地。

黎明 · 横琴国际影视城 COO · 实拍为基，AI为翼：横琴国际影视城与下一代视频生产力

• 核心观点：以「实拍为基、AI 为翼」构建下一代视频生产力——用 1.7 万㎡基地与 94 组国际标准化实景做实体底座，叠加中文在线 AI 工业化能力与万镜一刻 WonderClip，形成「AI+实景」双引擎（AI 负责创意与效率、实景负责质感与真实），推动中国微短剧规模化出海。
• 关键论据·案例·数据：基地含 94 组实景、192 间公寓、10 家星级酒店合作，琴澳双城取景与全产业链一站式服务（生产/生活/政务，含外籍工作签证最高 90 天）；中文在线自 2024 年全面拥抱 AI、自研「次元神笔」引擎，单部制作周期缩短 80%、成本降低 90%（3 个月→不足 3 周、百万级→数十万级）；2025 年制作 50+ 部 AI 动漫短剧均破千万，《全民神祇》《诡秘世界》各 3 亿、《开局物价贬值》2 亿等，9 部 AI 真人海外剧已出海覆盖北美/欧洲、英德意等多语种；AI 数据业务积累 300TB 高质量数据、逍遥 AI 年度充值收入完成度 129%；截至 2026 年 8 月运营数据累计拍摄 45 部剧集、参与拍摄 10,640 人次，产能规划 2026 目标 100 部、远期 300 部；万镜一刻（阿里云 2026 年 5 月发布，集成 HappyHorse/Wan/Qwen-image/Z-image，故事板/无限画布/Agent 三大模式）与影视城合作路线图从 26Q4 平台入驻到 29H2 亚太 AI 影视标杆基地（材料标注为合作赋能框架、具体方案持续深化）。
• 一句话结论：以实拍为基、AI 为翼，横琴国际影视城正从产业基础设施向产业生态组织者演进，打造亚太微短剧工业化生产基地。

四、圆桌讨论

王蕾（主持） · 阿里巴巴ATH事业群 MaaS业务线产品解决方案架构师 · 圆桌讨论：从创意到增长，AI视频的多行业实践

• 核心观点：圆桌围绕「从创意到增长，AI 视频的多行业实践」展开，由王蕾主持，嘉宾来自水系统、日化、传媒科技、影视等多个行业；具体讨论观点材料未说明。
• 关键论据·案例·数据：参与嘉宾包括王喆（艾欧史密斯(中国)水系统有限公司 营销及流量运营总监）、丛林（上海家化联合股份有限公司 IT总监）、黄家俊（杭州小五和她的兄弟们科技有限公司 CMO）、陈浩（浙江剧刻影视科技有限公司 CEO）、张志坚（杭州跃迁图景科技有限公司 CEO & AI导演）；材料仅含议题与嘉宾名单，具体论据现有材料不足以判断。
• 一句话结论：材料未说明。

五、全场总结

本论坛以「万镜一刻：Agentic AI 驱动下一代视频生产力」为主题，由阿里巴巴 ATH 事业群 MaaS 业务线团队与多家生态伙伴共同呈现，系统展示了从产品、技术到行业落地的 AI 视频生产全景。产品侧，杨狄发布面向千行百业的镜仔 Agent + 创作工作台 + Skill Studio，让懂行业的人也能开动视频产线；技术侧，邹娟提出视频生成从「模型问题」走向「系统问题」，以三层 Harness 和围绕统一作品状态的 Agentic 架构实现从多维生成到可控交付；开放与合作侧，洪炳峰与颢青展示万镜一刻多元接入能力及与千问办公的专家套件合作，让专业创作能力进入企业与 Agent 的真实工作上下文。行业落地侧，CreatiSignal 提出「爆款是可以计算的」的出海创意测试方法论，天工画境以 AI 短剧登顶全美榜单并探索 AI 互动影游的全球化商业落地，横琴国际影视城以「实拍为基、AI 为翼」构建「AI+实景」双引擎的微短剧工业化基地。多位讲者共同强调：AI 大幅压缩内容生产的成本与周期、将行业 Know-How 沉淀为可复用的 Skill 与产线，并以万镜一刻/WonderClip 作为核心生产力底座；同时材料多处明确标注公开指标、联合案例接入方式与效果数据「待确认/为示意或假设」，未落地部分与未说明观点（含圆桌讨论具体论据）不作推断。

【专业决策，智能执行：财务价值再升级】材料摘要

证据范围：已完整阅读固定清单中的 9/9 份 TXT，仅据这些材料归纳。材料编号如下：

• M1：682-5-682-5-云栖大会Toby演讲_20260920.txt
• M2：560-5-560-5-0918 Final_安永 Tony Mao_26云栖大会-分论坛模板-标准屏.txt
• M3：561-3-561-3-0918 Final_安永 Tony Mao_题词模版-逐字稿-最终版.txt
• M4：3949-1-3949-1-组织能力建设行动路径-0920-更新-v4.txt
• M5：621-4-621-4-云栖演示稿_云乐_含脱敏视频_920_V1.txt
• M6：3971-1-3971-1-Agent_协同_重塑经营分析与管理决策_崇文_20号更新版本.txt
• M7：3972-1-3972-1-Agent_协同_重塑经营分析与管理决策_崇文_讲稿_20号更新版本.txt
• M8：3989-1-3989-1-Y4N_CFO组织Agent_解决方案v1.0-918_v2_演示.txt
• M9：3990-1-3990-1-Y4N_CFO组织Agent_解决方案v1.0-918_v2_题词器.txt

其中 M2/M3、M6/M7、M8/M9 分别是同一发言的演示稿与讲稿/题词器，以下合并呈现、不重复计为独立演讲。

二、重磅发布

阿里巴巴集团 CFO 线大模型应用解决方案

• 发布人：程理，阿里控股 CFO 产品负责人；材料给出的方案名称为“阿里巴巴集团 CFO 线大模型应用解决方案”。(M8 第1页；M9 第1页)
• 内容：方案以 L0 信息化、L1 大模型工具、L2 个人 Agent、L3 组织 Agent、L4 Super-pilot 构成智能化阶梯，本次重点展开 L2、L3 的五类方案，并按 AI 的使用范围与授权逐级放开。(M8 第2—4页；M9 第2—4页)
• 亮点 1——五类渐进式落地形态：从“副驾—个人上下文”“副驾—组织上下文”“现有系统嵌入”，逐步走向“组织职能在线”和“多组织职能协同”；前 3 类以人在回环、组织数据按需使用或受控写回为主，后 2 类允许 Agent 常驻并执行长程任务。(M8 第4—14页；M9 第4—14页)
• 亮点 2——人从步步在场转向裁决入环：L2 强调 In the loop，L3 低风险事项可由 Agent 独立闭环，高风险或财务审计控制点采用 Judge the loop，由人检查、纠偏和验收。(M8 第3、10—11页；M9 第3、10—11页)
• 亮点 3——组织 Agent 四道安全关卡：身份可确认、权限可控制、执行可约束、过程可审计；授权决策与模型解耦，高风险动作受控执行，并用事件账本、交付证据、工具调用记录和过程回放追溯责任。(M8 第15—16页；M9 第15—16页)
• 阶段：材料未说明该解决方案属于首次发布、试点、正式商用或其他产品发布阶段；材料只明确其能力覆盖 L2、L3，并将场景 1—5 归入从个人副驾到多组织 Agent 协同的演进路径。(M8 第3—4、17页；M9 第3—4、17页)
• 关键数据或时间：组织 Agent 被定义为可 24×7 常驻、自主执行；涉及控制点的任务需裁决入环。材料未给出正式发布日期、客户数量或商业化指标。(M8 第9—11、17页；M9 第9—11、17页)

三、主题演讲

1. 徐宏（Toby）：财务 AI，从工具革命到价值重构

• 身份：徐宏（Toby），阿里巴巴集团 CFO。(M1 第1页)
• 核心观点：CFO 面对财务 AI 要回答“有必要做、可以做、值得做”三个问题；AI 的意义不能只看人效，而应推动财务从记录结果走向预见结果、影响结果，并以真实业务价值检验成败。(M1 第2—3、6页)
• 论据、案例与数据：建设路径由“提效—提质—创质”逐级上移，场景是“苹果”、能力是“梯子”；随着基模、Harness 与开发门槛变化，建设对象应从单点工具转向整体能力，并同步处理数据治理、流程、组织变革、评测、审计、安全和人机边界。(M1 第4—5页) 材料提出全量财务任务中 AI 渗透率达到 50%，并给出 ROI 口径：回报由效率价值、质量价值和业务价值组成，投入包括产研人天、业务人天与 Token 成本。(M1 第5—6页)
• 一句话结论：财务 AI 要从降低成本走向拓展价值空间，但越接近判断和决策，越要以数据安全、责任边界和必要人工介入保证“跑得快，也跑得稳”。(M1 第7页)

2. 毛鞍宁：从“能用”到“敢托付”，构建人机协同的财务工作团队

• 身份：毛鞍宁，安永华明首席合伙人、安永大中华区审计服务主管合伙人。(M2 第1页)
• 核心观点：未来财务职能不是简单的“人＋AI 工具”，而是人负责目标、判断与责任，智能体承担信息处理、分析和部分执行的人机协同团队；其组织基础是“人才与判断、数据与信任、治理与控制”三根支柱。(M2 第4、10、12页；M3 第6—8、31页)
• 论据、案例与数据：安永 2026 全球 CFO 调研覆盖 28 国、1,610 位 CFO：80% 预期未来 12 个月 AI 赋能商业模式将有较大或中等程度体现，仅 21% 认为自身财务 AI 价值准备度领先或先进，61% 将数据质量与偏差视为争取新 AI 工具投资的首要障碍。(M2 第3页；M3 第3—4页) 人机分工可按“专业判断依赖度×错误后果”结构化判断：标准分录、常规对账可更多交由智能体，重大判断审批和报告最终签署保留人的责任，异常调查、预测初稿等采用受治理的协同。(M2 第7页；M3 第14—16页) 数据侧不必等待单一 ERP，可先统一关键口径和血缘；材料举例财务数据融合平台整合 50+ 系统的数据。(M2 第8页；M3 第17—19页)
• 一句话结论：企业级财务 AI 的瓶颈不是技术或成本，而是能否通过判断力、可信数据和分级治理建立可验证的信任。(M2 第10—12页；M3 第24—26、31—33页)

3. 曹勇：从一个人跑得快，到一群人跑得远

• 身份：曹勇，阿里巴巴 ATH 事业群钉钉/千问办公财务负责人。(M4 第1页)
• 核心观点：个体使用 AI 能快速起跑，但组织规模化需要同时建设安全可控的数据底座、可复用的组织 Skill、人与 AI 共享且持续更新的组织 Wiki，再以明确方向和统一运营机制推动团队齐步。(M4 第7—14页)
• 论据、案例与数据：真实命题是在新品上市前仅有 7 天准备，却要在 D+1 交付完整经营分析；团队用 QwenNote 记录、千问办公生成分析框架与 Skill、数仓直供数据、AI 自动分析出报告，把原来的串行、多角色“信息漏斗”改为并行的人机协作。(M4 第2—6页) 数据底座依次解决“找得到、管得住、用得起”，通过统一 MCP 通道、继承组织权限和调用留痕实现受控自助取数；Skill 将拆问题、取数、判异常、写报告固化为标准序列，案例中已有 17 个内控 Skill 上架 Hub。(M4 第9—10页) 组织机制把 AI 写入面向业务结果的 OKR，每团队设 Super User，并以 1—3 周见效的快赢场景和可复制标杆推进；三周后，合同风险评审及会计处理方案场景已形成“AI 预审、人复核决策”的分工。(M4 第14—15页)
• 一句话结论：规模化的关键不是让每个人各自试工具，而是把数据、专家方法和知识变成组织资产，再用机制把认知、节奏和验收标准拉齐。(M4 第12、14、16页)

4. 冯云乐：从账务与共享服务出发，迈向财务 AI 转型新范式

• 身份：冯云乐，阿里控股中台财务及内控负责人。(M5 第1页)
• 核心观点：账务与共享具有人力投入密集、规则流程确定、数据系统较就绪、风险较可控等特征，适合作为 AI 落地首站；应先做核算“基础题”，再向管理与决策“应用题”拓展。(M5 第2—3页)
• 论据、案例与数据：三年愿景包括 80% 交易由 AI 端到端自主完成、判断类工作 AI 覆盖率 50%+、10+ 个业财洞察场景直供经营决策，并形成“硅基接管执行、碳基判断决策”的人机混编形态。(M5 第4页) 在采购到付款（PTP）链路中，AI 通过多模态解读、置信度分级、智能匹配与付款排程留痕，实现单据审核人效 3 倍、高风险规则覆盖率 100%、处理成本为行业水平的 1/10。(M5 第5—6页) 在记录到报告（RTR）链路中，多 Agent 协同目标包括长尾手工凭证占比 <5%、重点科目账务质量巡检 100% 覆盖及 D3 月结关账，材料同时明确这些成效“进行中”，其中 <5% 为持续推进的目标值。(M5 第7—8页)
• 一句话结论：账务与共享的 AI 转型要以数据、端到端闭环、流程重塑、信任治理和人机协同为地基，在“分区信任、分级放手、全量溯源”下扩大自主执行。(M5 第10、12—13页)

5. 司为：Agent 协同重塑经营分析与管理决策

• 身份：司为，阿里云智能集团公共云业务财务负责人。(M6 第1页)
• 核心观点：传统经营分析存在“洞察浅、归因慢、预测偏、决策散”的工作模式上限；Agent 的价值不是替代人的拍板责任，而是改变协同方式、交互频率、覆盖范围和响应速度，把洞察、归因、预测、决策连成可追踪回流的闭环。(M6 第2、12页；M7 第2、12页)
• 论据、案例与数据：在洞察环节，Agent 可将客户监测覆盖率从 10%—20% 提升到 100%，把月度、季度抽样变为日级全量扫描。(M7 第3页) 在归因环节，多层下钻、多源交叉验证和知识库复用，将周期从 3—5 天压缩到小时级；闭环架构进一步提出分钟级定位。(M6 第4、12页；M7 第4、12页) 在预测与决策环节，多种算法并行择优并随新数据刷新，取代原来需 2—4 周更新一次的单一 Excel 模型；多情景推演、审批触发执行和结果回流，则将原需 4—6 天的决策到执行压缩至小时级。(M7 第5页) 三个演示场景分别体现“从人找事到事找人”、管理层问题触发多 Agent 决策闭环，以及“自动运转、人在环路、持续校准”的滚动预测。(M6 第6—11页；M7 第6—11页)
• 一句话结论：效率只是入场券，财务真正的竞争力是借助 Agent 更早看见、更早判断、更早行动，同时仍由人承担确认、签字和最终拍板。(M6 第12—13页；M7 第12—13页)

五、全场总结

贯穿主线

论坛材料形成了一条从价值判断到执行落地的完整主线：先把财务 AI 的目标从单纯提效提升为“提效—提质—创质”，再以人才、数据、治理构建信任基础，把数据、Skill 和知识沉淀为组织能力，继而在账务共享与经营决策场景中形成 Agent 闭环，最终用 L2/L3 分级授权、裁决入环和全过程审计实现规模化。(M1 第3—7页；M2 第10—12页；M4 第9—16页；M5 第4、10、12页；M6 第12页；M8 第3—4、15—17页)

最有信息量的 3 个片段

1. 形式：案例型主题演讲；演讲者：曹勇。从“7 天准备、D+1 交付”的新品经营分析命题出发，完整展示会议记录、框架与 Skill 生成、数据直连、报告输出的链路，并进一步说明数据底座、组织 Skill、Wiki 和 1—3 周快赢机制如何把个人实践变成组织能力。(M4 第2—6、9—16页)
2. 形式：场景演示型主题演讲；演讲者：冯云乐。PTP 与 RTR 两条链路同时给出流程、治理方式、量化成效和进行中目标：PTP 达到 3 倍审核人效、100% 高风险规则覆盖、1/10 行业处理成本；RTR 目标为长尾手工凭证占比低于 5%、重点科目巡检 100% 覆盖和 D3 月结。(M5 第5—8页)
3. 形式：解决方案发布；发布人：程理。五类方案把个人副驾、组织上下文、存量系统嵌入、组织职能在线和多 Agent 协同放在同一授权阶梯上，并以身份、权限、执行、审计四道关卡说明从“人在回环”走向“人在环上”所需的治理条件。(M8 第3—17页；M9 第3—17页)

跨形式呼应线索

• 价值口径与场景结果呼应：徐宏提出回报应同时计算效率、质量和业务价值；冯云乐的 PTP/RTR 指标分别覆盖人效、成本、风险覆盖与关账质量，司为则把价值延伸到更早预警、连续预测和决策先机。(M1 第6页；M5 第6、8页；M6 第12—13页；M7 第12—13页)
• 组织能力与技术方案呼应：毛鞍宁提出人才与判断、数据与信任、治理与控制三支柱；曹勇将其落为数据、Skill、Wiki 和组织运营机制；程理进一步映射为组织上下文供给、常驻 Agent、分级授权及审计回放。(M2 第10—12页；M3 第24—31页；M4 第9—16页；M8 第7、11、15—16页)
• 人的责任边界前后一致：从“重大判断与最终签署由人负责”，到 PTP/RTR 的异常复核与复杂判断，再到经营决策由管理层拍板、组织 Agent 高风险动作裁决入环，材料始终没有把最终责任转交给模型。(M2 第7、9页；M5 第10—11页；M6 第12页；M8 第11、15—17页)

行动建议

1. 对象：CFO 与场景负责人；动作：选择一项高频、痛点明确、结果可验证的真实任务，以 1—3 周为快赢周期，先记录效率、质量和业务价值基线，再让人与 AI 共同完成、复盘差距并决定是否复制；不要把“使用 AI”本身设为目标。(M1 第6页；M3 第25、33页；M4 第14页)
2. 对象：财务、IT、数据治理与内控团队；动作：围绕首个场景共同打通可追溯数据口径、统一受控调用通道、组织 Skill 与共享 Wiki，并配置权限继承、调用留痕和知识回流，使结果能够复核、经验能够复用。(M2 第8—9页；M4 第9—12页)
3. 对象：CFO、内审与平台负责人；动作：按专业判断依赖、错误后果、纠错可逆性和容错空间划分任务风险，从 L2 人在回环的小范围试用开始；只有在身份、权限、受控执行和事件账本齐备后，才将低风险任务提升到 L3 常驻执行，高风险控制点始终保留人工裁决。(M2 第7、9页；M5 第10页；M8 第3—4、15—17页；M9 第3—4、15—17页)

【从 CDN 到 AI Agent 运行底座：在边缘构建全球化应用】材料摘要

> 材料顺序：M1「ESA：面向 AI Agent 的全球运行底座」；M2「信通院 × ESA 边缘云 AI 原生能力联合发布」；M3「ESA 新品发布：AI 加速、AI 安全与 Agent 运行一体的全球边缘平台」；M4「ESA 全球网络：把云和AI应用拓展到最后一公里」；M5「域名即入口：ESA 应用交付全链路打通」；M6「QwenWork AI办公全球化之路，ESA同行」；M7「基于ESA AI加速网关和边缘容器构建全球化应用」；M8「阿迪达斯：ESA边缘一站式加速与安全实践」。

二、重磅发布

[M1] ESA 平台演进与套餐权益升级｜陈新，阿里云高级产品专家

• 发布内容：ESA（Edge Security Acceleration，边缘安全加速）从 CDN 的内容分发层继续演进为面向 AI 的运行层。在 3200+ 全球边缘节点和全球骨干网基础上，叠加可编排多级缓存、智能路由、协议优化、边缘函数、Pages、SSL/后量子加密、AI 加速网关、AI Crawl Control，以及 DDoS、WAF、Bot、ATO 等能力，形成“安全 + 加速 + 计算融合”的统一平台。（M1，slide 2）
• 演进路线：一条路线是网络基本盘的 AI 适配，包括 AI 加速网关、多模型路由、语义缓存、VPC 私网直连、AI 爬虫管理、提示词注入防护、内容脱敏和 Token 管控；另一条路线是开发者平台从边缘函数、全栈部署演进到 Agent Sandbox 与 Agent 运行时。材料将目标概括为“一套架构、一份配置、一张账单”和“域名 → 部署 → 安全 → Agent 一站交付”。（M1，slides 2、5）
• 套餐权益升级：新增“超量限速”模式，超出套餐后可选择自动限速且不额外计费，也可继续按量后付费；限速期间服务不中断但无 SLA，次月自动恢复 SLA。该页标注基础版 ¥9.9/月、标准版 ¥375/月、高级版 ¥3600/月、企业版定制，四档均写明“已支持”。（M1，slide 7）

[M2] 《AI 原生边缘安全加速平台能力要求》与首批评估｜董恩然，中国信通院云大所政企数智化部副主任

• 发布内容：中国信通院牵头、联合阿里云等企业编制的《AI 原生边缘安全加速平台能力要求》已完成编制并发布征求意见稿。标准覆盖 AI 加速、安全、AI 网关、AI 应用开发、AI 原生能力以及数据和日志管理，包括 SSE/WebSocket、统一认证与密钥管理、动态路由、提示词/语义缓存、MCP、Skill、Agent 编排、灰度发布和秒级实时日志等能力。（M2，slide 2）
• 评估结果：材料称阿里云以“满分卓越级”通过 AI 原生边缘安全加速平台能力评估，覆盖六大能力域、70+ 项实测条目，横跨 AI 加速、边缘安全、AI 网关、应用开发、AI 原生生态和可观测。（M2，slide 4）
• 关键测试口径：冷启动 ≤10 ms、单节点并发 1000+、首字节 ≤100 ms、长任务连接保持 4 小时、函数执行 ≥300 s；安全与前瞻能力包括 ML-KEM-768/X25519MLKEM768 后量子加密、1 Tbps DDoS、语义缓存和 AI 爬虫防护。材料将检验结论表述为可支撑“业界先进/头部水平”的对外口径。（M2，slide 4）
• 时间节点：2025年12月确定评估意向；2026年1—3月确定细分方向、测试方法与分工；2026年3—6月完成标准研讨、修订和编制；材料称2026年7月启动首批分级评估，2026年8月对 ESA 实测并补充记录和报告，2026年9月经专家评审后“测试通过并出证”。（M2，slide 3）
• 后续规划：围绕 ITU、CCSA 等组织继续制定边缘 AI、边缘加速标准；开展评估测试、标准宣贯、产业推广、政府与规划支撑、典型实践征集，并规划《AI 加速应用实践指南》《边缘 AI 计算技术演进专题报告》等研究成果。（M2，slide 5）

[M3] ESA 新品：AI 加速、AI 安全与 Agent 运行一体化｜陈章炜，高级产品专家（讲者备注自称黎鹤）

• 发布定位：ESA 将 AI 时代的能力归纳为三根支柱——“加速 AI、保护 AI、运行 Agent”，希望把 Token 全球流式分发、Agent 自主调用及其安全治理统一到一个平台。材料称 Pages、边缘函数、GitHub 集成已经达成，平台正从应用云迈向 AI 云。（M3，slides 2—3）
• 加速 AI：ESA 加速网与 AI 加速网关提供统一模型入口，接入 OpenAI、Qwen、Anthropic、Gemini、DeepSeek 和自建模型；调度层提供按时延/成本/可用性择优、按请求/Token/并发限流、语义缓存及多级 Fallback；治理层提供请求追踪、安全护栏、用量和账单。发布页列出的指标为网络延迟 50 ms、服务可用性 99.99%、模型调用成本下降 50%（注明“配合 AI 加速网关使用”），材料未给出测试范围与方法。（M3，slide 4）
• 保护 AI：ESA 已打通阿里云 VPC 内网回源，使公网只暴露 ESA，结合 WAF、DDoS/CC、API 安全、账号安全、TLS/mTLS、AI 爬虫管理和 AI 付费访问；AI 安全护栏覆盖敏感信息检测与脱敏、内容合规、提示词注入防护和工具/数据访问越权防护。（M3，slide 5）
• AI 访问变现：发布页以“全新推出”和“已支持向 AI 收款”描述 ESA 与支付宝合作的 AI 付费访问：ESA 识别 Agent 访问后可返回付费二维码，用户支付后继续访问；讲者备注同时以“未来可以开启”描述配置流程，材料未进一步说明开放范围或正式可用时间。（M3，slide 6）
• 运行 Agent：Agent Setup 支持从 Qoder、Claude、Codex、GitHub/Gitee、本地上传、CLI、MCP 和 Skill 进入；现有适配范围包括 Claude Agent SDK、OpenAI Agents SDK、LangChain，以及 Next.js、Nuxt、Node.js、Astro 等全栈框架，可“一次连接，部署到全球”。ESA Agent Runtime 被明确表述为“正在构建”，计划托管 Agent Loop、Session、Tools、Sandbox 与 SDK Adapter；WebMCP Bridge 是“未来方向”，目标是在源站零改动下让网页成为 Agent 可调用的 MCP Server。（M3，slide 7）
• 控制台智能运维助手：ESA 控制台首页升级为集问答、诊断、迁移、配置和应用生成于一体的 AI 助手，可基于千问模型与官方文档回答问题，诊断访问异常/OpenAPI 报错，将业务需求转为配置，自动迁移 CDN/DCDN 域名及配置，并以自然语言生成、部署应用。（M3，slide 11）
• 套餐与 Credits：该发布页的口径为免费版 ¥0/月、100 Credits，开放边缘函数、Region 函数、KV、自动构建部署、全球边缘计算与静态加速及全新 AI 加速网关；高级版 ¥39.90/月、200 Credits，增加全球应用托管、多区域部署、AI 安全护栏、99.95% SLA 和 24 小时工单支持；企业版 ¥199/月、1000 Credits，增加配额/版本定制、企业资源池、流量突发保障和行业方案。Credits 可在同一套餐内按实际用量横向抵扣 AI 加速网关、AI 安全护栏等后付费能力。此处价格与 M1 的套餐页为各自材料原始口径，不做合并推断。（M3，slide 12；M1，slide 7）

[M4] 海外回源阿里云主站流量优惠计划｜王俊奕，阿里云产品专家

• 发布内容：符合三个条件的“海外 ESA/CDN → 海外阿里云主站”回源流量，主站产品实例不再出账；已明确的一项条件是阿里云主站产品实例使用 CDT 流量计费，覆盖 EIP、ECS、SLB、FC 等数十款产品。材料称符合条件时全球应用流量成本可下降 40%—78%。（M4，slide 10）
• 开放计划：9月30日美东地域白名单开放，需联系商务提交 UID；10月30日扩展到除新加坡、香港外的海外地域，12月30日覆盖全部海外地域。存量实例若未迁移 CDT 2.0，可同步申请提前迁移。（M4，slide 10）

[M5] Domain CLI、ESA 域名交付与联合权益｜孙晓杰（沫沫），阿里巴巴 ATH 事业群 MaaS 业务线企业应用运营总监

• 发布内容：域名注册能力正式进入 ESA 项目上下文，查询、注册、状态查询不再作为项目外部前置条件。此次发布的 Domain CLI 提供 QUERY、REGISTER、STATUS 三类动作，并支持终端个人开发、CI/CD 脚本与流水线、Agent 工作流编排；ESA 继续承接 DNS、HTTPS、全球加速与安全策略。（M5，slides 2—5）
• 交付链路：开发者可在同一项目内完成选择域名、确认注册、DNS 配置、HTTPS 就绪以及 ESA 加速和安全策略生效，使已部署应用获得正式入口。材料将其概括为“代码让应用运行，域名让应用被找到，ESA 让每一次抵达更快、更稳、更安全”。（M5，slides 6—7）
• 联合权益：实付 ESA 套餐满 ¥1，可获得 .xyz、.shop、.top、.online、.store、.cloud、.icu、.me 八个新后缀的 ¥1 组合购权益；可在活动页购买 ESA 时同步选域名，或购买后到 ESA 控制台领取。最终规则、适用范围和域名可注册状态以活动页面实时展示为准。（M5，slide 8）

三、主题演讲

[M1] 陈新｜阿里云高级产品专家

• 核心观点：CDN 的节点与网络底座仍在，但 AI 将基础设施瓶颈从模型本身转移到网络、安全、计算与交付全链路。模型推理快 5—10 倍并不自动消除网络延迟；流式长连接、Token 计费和 Agent 多步调用还会放大链路开销与攻击面，因此 ESA 要从“内容分发层”升级为“AI 运行层”。（M1，slides 2—3）
• 全链路场景：模型服务商侧以全球加速与安全降低跨境访问、API 暴露、多模态传输和长连接问题；应用提供商侧以统一入口、语义缓存、多模型 Fallback、成本视图与用量管控降低集成与成本压力；用户交付侧以全球部署、WAF、安全与智能路由服务秒悟、万小智、QwenWork 等应用。该页给出的效果口径为“海外传输 60—70%、整体延迟 15—30%”，但未标明统计方法及指标方向，不作进一步解释。（M1，slide 4）
• 一句话结论：ESA 的目标不是简单增加 CDN 功能，而是把云边网络、安全、AI 网关、开发者平台和 Agent 运行时整合为全球化 AI 应用底座。（M1，slide 5）

[M4] 王俊奕｜阿里云产品专家

• 核心观点：AI 推理从 0.1—3 秒的短连接网页请求，变成 30 秒至数分钟、甚至数十分钟的 SSE/WebSocket 长连接；断连不仅影响体验，还可能导致已完成推理作废、Token 成本与 GPU 无效计算增加。传统 CDN 偏重缓存命中、带宽吞吐和节点覆盖，无法单独满足 AI 端到端回源对首 Token、连续输出和长连接稳定性的要求。（M4，slides 2—3）
• 全球网络建设：网络探测覆盖 130+ 国家、每天持续采样 20+ 亿次、网络触达 90%+，材料列出“600+ 次逃逸有效监测”和 P95 降低 30%；过去一年海外运营商直连接入数量提升 20%，3200+ 节点使 85% 用户在 40 ms 内接入，拉美和中亚接入延迟下降 10%—30%。（M4，slides 4—5）
• 回源网络能力：海外骨干专线与智能选路使跨地域回源网络延迟 P95 下降 44%、回源成功率达到 99.99%，骨干带宽储备 100 Tbps；精品回国网络的回国延迟降低 80%。VPC Tunnel 则支持边缘到云上 VPC、企业 IDC、私有模型和内网服务的私网连接，实现源站不暴露公网及链路冗余、故障切换。（M4，slides 6—7）
• 百炼实践：阿里云百炼在海外重点国家/地区的 TTFT 网络耗时分别降低 51.8% 和 36.5%；在 AI 学习机、AI 玩具等多模态场景中，开发者集成多模态交互 SDK 后通过 ESA 承载 WebSocket 双向长连接，材料给出的结果是首 Token 网络时延下降 30%、跨地域网络耗时下降 68%。（M4，slides 8—9）
• 一句话结论：AI 全球化网络优化要覆盖用户接入、跨国/跨洲骨干、智能选路、长连接和私网回源整条链路，而不是只增加节点或优化缓存。（M4，slides 3—9）

[M6] 潘振宇｜阿里巴巴 ATH 事业群千问办公首席架构师、QwenWork Chief Architect

• 核心观点：QwenWork 是面向企业、进入真实工作流的 AI 办公助手，用户天然分布全球；团队选择由阿里云百炼提供模型能力、ESA 承担全球访问的“快、稳、安全”及自有域名交付，让产品团队聚焦模型与办公场景。（M6，slides 1—2、6）
• 全球化挑战：从中心云冷启动架构扩大到更多国家后，暴露出三道坎：连续交互下跨洲访问不稳定；恶意扫描、爬虫、DDoS 和高频刷量既带来安全风险也消耗模型调用成本；企业客户各自配置 DNS、证书、CDN 和安全策略难以扩展到数百域名。（M6，slides 4—5）
• 落地方式：全球边缘节点负责就近接入，静态和动态资源分类处理，智能路由择优回源；接入层统一使用 WAF、Bot 管理、DDoS 防护和频次控制。SaaS 管理器支持企业客户添加自有域名、验证归属、配置一条 CNAME，由平台统一签发续期证书并继承加速与安全策略，材料给出的接入时效为分钟级。（M6，slides 8—11）
• 结果与规划：材料称全球用户体验更稳定、异常流量有统一防护入口、业务域名均开启加速保护、品牌域名接入更快，但未提供前后量化对比。下一步是进入更多重点市场并深化本地化、构建更重的 Agent 办公能力与企业集成，并探索/尝试边缘 Agent 运行时；这些均属于规划方向。（M6，slides 12—13）
• 一句话结论：QwenWork 的“全球原生”路径是把模型智能、全球交付、安全基线和多租户品牌域名分层交给专业平台，并随市场和 Agent 负载增长持续演进。（M6，slides 6、13）

[M7] 杨振义｜上海乾垚信息技术有限公司创始人兼 CTO

• 核心观点：中小企业的全球化不是把国内外流量送到同一机房，而是统一业务分工、再按地区配置接入、计算和数据；本次用 AI 内容安全、调用体验和游戏战斗低延迟三个问题说明如何选择 ESA AI 加速网关与边缘容器。（M7，slides 1—4）
• AI 安全实践：项目已测试使用 ESA AI 加速网关，重点开启 ESA 安全围栏并采用严格模式，对请求和响应内容审核、拦截；网关提供技术支撑，业务系统仍负责处置规则、用户提示和结果展示。材料明确提醒，开启安全围栏不等于整体合规。（M7，slides 5—6）
• 调用体验方法：应拆分统一 API 代理、智能路由、相同请求缓存和模型推理耗时；网络优化不能等同于模型推理加速，缓存也不适合所有请求，不能为了速度省略必要审核。（M7，slide 7）
• 量化页证据限制：直连 1.50 s、网关关闭围栏 1.10 s、开启围栏 1.20 s，P95 由 2.80 s 到 2.23 s，以及 98.0% 风险拦截率、0.5% 正常误拦率，均被材料明确标为“评审假设/排版与口径讨论”，不是测试成绩或生产记录，不应当作实际效果。（M7，slide 8）
• 边缘游戏实践：战斗计算从原阿里机房调整到边缘容器后，演讲方提供的业务延迟由约 70 ms 降至约 15—30 ms，即减少约 40—55 ms、降幅约 57%—79%。该数据针对远离原机房玩家，未注明平均值/P50/P95、测点、样本量和测试时间，不能推广到所有地区与网络条件。（M7，slides 9—10）
• 架构分工：容器平台负责镜像、全球部署、伸缩、版本、灰度和回滚；应用负责房间状态、指令校验、规则执行、状态输出与结果处理。局内高频逻辑靠近玩家，账号、匹配、战报、结算和长期存储留在中心；AI 仅用于大厅助手、非关键 NPC 对话、战后解说等异步链路，不阻塞对战主链路，展示前仍经安全控制。（M7，slides 11—14）
• 一句话结论：先辨认业务瓶颈，再分别配置内容安全、传输与缓存、计算位置；“一套架构服务全球”指统一设计并按区域落地，而不是所有地区照搬配置。（M7，slide 15）

[M8] Mayra｜阿迪达斯中国区平台工程团队，CDN 迁移负责人

• 核心观点：Akamai 于2024年10月通知即将退出中国市场后，阿迪达斯中国区需要迁移官网、Flagship App、Confirmed App 和两个微信小程序背后的复杂 CDN 与安全体系；这不是单纯切 DNS，而是业务连续性、安全能力和组织协作的系统重构。（M8，slides 1、3）
• 业务约束：Purge Cache 要支撑大促期间 10 万多个商品定点降价并保持价格、上下架状态秒级同步；图片视频处理关系到多终端加载；Bot 对抗决定限量款能否抵御黄牛黑产。既有体系累计 750+ 条安全规则，Samba 首发时曾在开售一两秒内被巨量请求冲垮；旧方案还出现过 Global 配置拉取延迟导致大量 403，且不支持微信小程序 SDK，迫使团队人工叠加规则。（M8，slides 3—4）
• 选型方法：同期验证六个维度——CDN 基础能力、性能、图片视频处理、安全与 Bot、防应用改造成本、迁移支持团队；最终决策还受全球治理、业务连续性、迁移成本和应用改造四项乘法约束。材料称在这些约束下 ESA 得分最高，因此被选为中国区 CDN 边缘能力底座，但未披露各方案分数或 POC 性能数字。（M8，slides 5—6）
• 迁移实践：面对十余年沉淀的 API Definition、API Throttling、DDoS Protection、Cloudlet、Cloud Phase Release、BMP 等能力和多业务团队协同，先建设 China CDN Foundation：证书自动化、日志/监控/实时告警、全局 WAF 基线、ER（Edge Routine）版本与灰度管理、运维与故障标准，并组建自有 CDN L1 团队。（M8，slides 7—8）
• 实施与保障：全面盘点系统与规则，建立迁移顺序和标准流水线；对无法直接映射的配置，与阿里云迁移、产品、TAM 团队和业务项目组共同重构替代方案、逐项验证。切流采取严格灰度，每次放量后检查 API Access 连通性和安全拦截效果，阿里云团队提供分析报告并参与 War Room 保障。（M8，slides 9—10）
• 未来规划：继续深化与 AI 时代能力的融合，探索把 SSR 下沉到 CDN 边缘，并完善 API、IaC 和 SDK 体系以推进内部 AIOps。材料把这些明确作为后续方向，未给出上线时间。（M8，slides 11—12）
• 一句话结论：成功迁移的关键不是逐条复制旧配置，而是先建立可观测、可灰度、可运营的中国区边缘底座，再围绕真实业务场景重构并验证。（M8，slides 8—10）

五、全场总结

1. 贯穿全场的主线

论坛从 CDN 的“内容缓存与分发”出发，说明 AI 推理和 Agent 把流量改造成长连接、Token 流和机器自主调用，由此把要求扩展到端到端网络稳定性、模型统一接入、内容与权限安全、边缘运行时、私网数据访问以及从代码到域名的完整交付。ESA 的总体路径是：以 3200+ 节点、全球骨干与智能选路深耕网络底座，以 AI 加速网关和安全护栏承接模型流量，以边缘函数、Region Function、容器和规划中的 Agent Runtime 承接应用运行，再用域名、DNS、HTTPS、套餐和 Credits 完成交付与运营闭环。（M1，slides 2—5；M3，slides 2—7、11—12；M4，slides 2—7；M5，slides 2—7）

这条产品主线同时由三类证据验证：信通院标准和评估给出能力域与测试指标；百炼、QwenWork、上海乾垚和阿迪达斯案例分别验证多模态长连接、全球 AI 办公、多租户域名、AI 内容治理、边缘游戏和大型零售迁移；Domain CLI、AI 付费访问、套餐权益及回源流量优惠则把平台能力延伸到开发、上线和商业化。（M2，slides 2—5；M3，slides 6、12；M4，slides 8—10；M5，slides 3—8；M6，slides 6—13；M7，slides 5—15；M8，slides 3—12）

2. 最有信息量的 3 个片段

1. 重磅发布｜董恩然：信通院标准把 AI 原生边缘平台拆成 AI 加速、安全、网关、应用开发、AI 原生生态、可观测六大能力域，并给出 70+ 实测条目及冷启动 ≤10 ms、单节点并发 1000+、首字节 ≤100 ms、长连接 4 小时、函数执行 ≥300 s、1 Tbps DDoS 等评估口径，为“边缘 AI 原生”提供了可检验的能力框架。（M2，slides 2—4）
2. 主题演讲｜王俊奕：材料把 AI 网络问题从“访问慢”推进到“长任务中断会使既有 Token 和 GPU 计算作废”，并用接入、骨干和百炼实践数据展示全链路优化：85% 用户 <40 ms 接入、跨地域回源 P95 降低 44%、成功率 99.99%，百炼多模态场景首 Token 网络时延下降 30%、跨地域网络耗时下降 68%。（M4，slides 2、5—6、9）
3. 主题演讲｜Mayra：阿迪达斯案例显示大型迁移的真正难度在业务规则、Bot 对抗、应用嵌入和组织协同。团队没有逐条平移 750+ 规则，而是先建设证书、可观测、WAF、边缘函数发布、运维应急五类基础能力，再按标准流水线灰度切流并逐批验证连通性与安全拦截。（M8，slides 3—10）

3. 跨形式呼应

• 方向提出：M1、M3 将 ESA 的方向定义为从 CDN/边缘安全加速走向“加速 AI、保护 AI、运行 Agent”的 Agentic 边缘云，并明确现有能力、正在构建的 Agent Runtime 与未来 WebMCP 愿景之间的阶段差异。（M1，slides 2—5；M3，slides 3—7）
• 标准与指标验证：M2 的标准和卓越级评估从能力域、功能条目和性能/安全指标验证全栈边缘 AI 能力；M4 又用全球网络和百炼数据验证长连接、跨地域回源、TTFT、多模态实时交互等关键网络环节。（M2，slides 2—4；M4，slides 4—9）
• 客户实践验证：M6 以 QwenWork 验证全球接入、安全基线和多租户域名；M7 以安全围栏测试和边缘战斗服验证内容治理与计算位置；M8 以阿迪达斯验证高复杂度零售系统的迁移、灰度和长期运营。（M6，slides 4—13；M7，slides 4—15；M8，slides 3—12）
• 发布落地：M3 的 AI 网关、安全护栏、VPC 回源、AI 助手与 Credits，M5 的 Domain CLI 和域名权益，以及 M4 的海外回源流量优惠，把基础能力落到统一接入、应用交付、运维、计费和商业化环节。（M3，slides 4—12；M4，slide 10；M5，slides 2—8）

4. 3 条可落地的行动建议

1. 面向全球 AI 应用的架构团队：先建立端到端链路基线，再选加速能力。 分开测量用户接入、跨地域回源、首 Token、长连接中断、Token/并发、模型推理和缓存命中，不把网络加速等同于模型推理加速；对跨境和长任务场景评估智能选路、多级 Fallback、语义缓存及 VPC 私网回源。（M3，slide 4；M4，slides 2—7；M7，slides 7—8）
2. 安全与业务负责人：把传统边缘安全和 AI 内容/权限安全放进同一治理闭环。 在 WAF、DDoS/CC、Bot、API 与账号安全之外，增加输入输出审核、敏感信息脱敏、提示词注入和工具越权控制；同时由业务明确误拦、漏拦、用户提示和处置流程，不能把开启护栏直接视作整体合规。（M3，slide 5；M7，slides 5—8；M8，slides 3—10）
3. 平台与迁移负责人：按“底座先行、标准流水线、灰度验证、项目内交付”推进上线。 先统一证书、日志监控、告警、安全基线、版本/回滚和应急机制，再逐项重构旧规则并灰度切流；将代码部署、域名注册、DNS、HTTPS、加速和安全纳入同一项目上下文，避免跨平台状态分散。（M5，slides 2—7；M8，slides 7—10）

【从 Demo 到生产：Agent 的构建、评测与自主交付实战】材料摘要

> 本摘要仅依据 9 份议题主文件的抽取文本归纳，不含外部信息或推断。材料未明确的信息均标注「材料未说明」或「现有材料不足以判断」。

一、欢迎致辞

现有主文件未包含可确认的相关内容。

二、重磅发布

现有主文件未包含可确认的相关内容。各议题材料中出现了 OpenAgent、官方 Skills 门户、Agent Toolkit、LoongSuite、Reasoner（OSS）、Terraform Provider 2.0 等产品/能力名称，但主文件未明确标注其为本论坛的正式发布事项，故不作为「重磅发布」收录；相关内容按所属演讲在下一节客观记录。

三、主题演讲

议题一：当 Agent 成为云的新用户——阿里云的 Agentic 实践与新范式

• 讲者：胡炜（阿里云智能集团资深技术专家）。
• 核心观点：Agent 正从 Demo 走向生产，成为「云的新用户」；阿里云与云的交互经历三次变革——2009 年 GUI 控制台、2013 年 OpenAPI 程序化调用、2025 年 Agent 意图驱动；工程重点从「自主性」转向「可靠性与可控性」。
• 关键技术/产品：Agent 用云产品矩阵分三层——应用层 OpenAgent（端到端交付用云管云任务）、技能层官方 Skills 门户（发现与复用标准化 Skills）、工具层 Agent Toolkit（插件、Skills、MCP、API/Terraform 与验证追踪）。真实云环境挑战包括幻觉误操作、成本失控、敏感信息泄露。
• 材料出现的数据/案例：引用 IDC（2029 年企业运行超 10 亿个 AI Agent，为 2025 年的 40 倍，每天执行超 2170 亿次行动）、Gartner（2026 年底 40% 企业应用集成任务型 Agent，2025 年不足 5%）、McKinsey（62% 已试验、23% 已规模化）、Deloitte（74% 预计 2027 年至少中度使用）等机构预测/调查；三项内部实践 Open-SDLC、AutoWonder、Terraform 数字人，页面标注人工介入耗时 30%、需求吞吐 1000%、资源接入效率 300%（材料未说明统计口径与基期）。

议题二：可信 AI 的工程路径——形式化验证与 Agent 的协同进化

• 讲者：李萌（阿里云智能集团资深技术专家）。
• 核心观点：AI 天生不确定、会幻觉，操作生产资源风险极大；可信 AI 包含安全稳定、行为可控、输出可信三支柱；用形式化验证把结论从「未发现问题」推进到「证明不存在」，从「测过了」到「证明了」。
• 关键技术/产品：在 OpenAgent 的基建层、行为层、输出层分别做多层验证、执行前拦截（规约闸）与输出约束求解；Agent Guardrail 毫秒级确定性拦截；上生产的 Policy 先过数学证明。
• 材料出现的数据/案例：三个真实教训（租户间信息泄漏、清理脚本删除生产库、误删 2.8 万行代码并伪造恢复记录致生产中断 33 分钟）；Guardrail 覆盖全量阿里云 CLI，判定准确率 99.99%，P99 拦截耗时 312 ms；Policy 支持全量语法，验证准确率 99.99%，P99 证明耗时 576 ms。

议题三：如何构建安全可控的智能体——阿里云 OpenAgent 最佳实践

• 讲者：蒋航、王秋野（阿里云开放平台技术专家）。
• 核心观点：任务进入真实云环境后，安全问题从「回答质量」转变为「执行边界」；同一条任务链暴露目标偏离、权限越界、执行失控三类风险；核心思路是「用确定性的工程手段限制不确定的模型」，Agent 灵活规划、护栏严格执行。
• 关键技术/产品：三章分别对应目标偏离（来源授权、目标锚定、行动对齐）、权限越界（身份委托、环境隔离、凭证代理，使 Agent「使用凭证而不持有凭证」）、执行失控（策略裁决 Policy Enforcement Point、轨迹控制、形式化约束）；将自然语言意图编译为目标/来源/身份/动作/轨迹五类形式化约束，运行时逐步裁决。
• 材料出现的数据/案例：某代码 Agent 权限提示批准比例约 93%（形成批准疲劳）；SABER 中状态改变动作占约 14%–18% 步骤却贡献主要决定性失败；以「压测结束清理临时 ECS」为演示，围绕 production-api-01（标签 env=staging）与 ECS ModifyInstanceAutoReleaseTime 说明定时释放的规约判定与 SMT 求解（材料标注为演示/机制示意，非真实运行日志）。

议题四：从 Skill 到 Agent——评测技术的路径与实践（Agent 评测）

• 讲者：刘群（阿里云智能集团高级技术专家）。
• 核心观点：单点能力达标 ≠ Agent 可用，需要端到端评测；围绕云管理业务特点（业务目标明确、任务复杂、环境动态、安全性要求高）制定评测目标，先观测再评测，多维覆盖效果、效率、安全、成本，并做到评测驱动开发。
• 关键技术/产品：半自动用例入库与版本管理；用例形式化描述（judge、track、state_checks、destruct 等）；评测维度含任务完成度、忠实度、过程正确性、事实一致性、效率成本、安全合规（安全一票否决）；发布门禁为黄金用例集全部 PASS 且综合分不低于线上回归 7 日均值。
• 材料出现的数据/案例：用例来源占比为业务域专家 30%、线上工单 60%、知识库合成 5%、对抗样本 5%；各维度阈值任务完成度 ≥60、忠实度 ≥70、过程正确性 ≥80、事实一致性 ≥80；RDS PostgreSQL 创建用例示例得分——任务完成度 100、忠实度 95、事实一致性 100、过程正确性 100、安全合规 100、效率成本 96.5（总 Token 135.1 万超 100 万阈值、得分 0.65）；平台沉淀 70+ 用例集、1000+ 用例、覆盖 10 大场景、日均 120+ 轮测试。

议题五：从 Skill 到 Agent——评测技术的路径与实践（Skill 评测）

• 讲者：赵建强（阿里云智能集团高级技术专家）。
• 核心观点：Skill 连接 Agent 决策与生产执行，只检查最终回答无法识别执行过程中的生产风险；以路径覆盖与质量判据构建 Skill 持续质量保障；覆盖（测到了多少）与通过（做对了多少）分别统计，安全红线独立阻断。
• 关键技术/产品：五维质量定义（功能、稳定、安全、效率、成本）；Trigger 测试、路径覆盖与判据、受控执行与取证、自动回归（变更触发+定时+全量）、环境与 HITL 可重入；测试用例充分性 STA=已覆盖行为数/应测行为总数。
• 材料出现的数据/案例：贯穿案例为 DataWorks 数据开发 Skill（alibabacloud-dataworks-datastudio-develop），任务「订单日报没出来，帮我修好并重跑」；263 个对外公开 Skill、平均 11 轮测试/Skill、累计前置检出 1500 个 Critical 级问题（材料标注统计周期、Critical 判定及去重口径待补）；引用公开研究《Are Production Cloud Skills Adequately Tested?》。

议题六：企业级 Agent 工程实践——决策增强、自演进与评估体系

• 讲者：罗寒曦（阿里云智能集团公共云事业部资深技术服务专家）。
• 核心观点：不确定性是大模型固有属性、无法消除，决策增强目标不是「让模型更准」而是「给非确定性装上边界」；企业 Agent 要跨越长程任务与可靠性、数据与经验沉淀、合规审计、质量评估与可观测四道难题；这是工程问题而非模型问题。
• 关键技术/产品：决策治理六层模型（L0 模型层不可控，L1–L5 可控）；可靠性设计六原则；Planning–Execution–Reflection 闭环＋贯穿式护栏控制平面＋全链路决策留痕；上下文工程三级导航（L0/L1/L2）；智能体 Loop（状态机推进+Tier 风险分级 T1–T4+多 Reviewer 门控）；质量评估双闸（覆盖度 GATE A ∧ 组合评测 GATE B）；Agent 可观测（Trajectory 四类视图、LoongSuite 开源插桩）与经验自进化六段闭环。
• 材料出现的数据/案例：长链路误差 0.95²⁰≈0.36（单步 95%→20 步 36%）；智能客服云小二改造前后工单覆盖率 63.39%→75.41%（+12.02pt）、解决率 14.65%→15.66%（+1.01pt）、Planner 采纳率线上 14.68%→32B 21.48%；1 月承接 2.9w 单、解决 6K+ 单、折算节省 66.15 HC；诊断类占 60% 工单但解决率仅 5%；经验注入前后 StarOps 7.1%→36.1%、PawBench 24.53%→30.67%、ClawProBench 74.51%→78.43%、SWE-bench Verified 67.2%→74.4%；自动评估与人类专家一致率从 65% 提升到 90%。

议题七：AI 原生前端研发工作流

• 讲者：黄宗权（阿里云智能集团技术专家）。
• 核心观点：面向 AI Native 的 Autopilot 前端研发工作流；材料提出「AI 修前端 Bug 已经很快，前端 Bug 数量却未显著降低」，并指出前后端及不同工程的 Agent 分别推进仍需人传递信息、对齐进度，Agent 的验证覆盖、执行准确性与结果判断能力仍需提升。
• 关键技术/产品：涉及产品壳工程、浏览器插件上报缺陷以提供更充足上下文、根据 CR 评论继续修复、验证修复效果并提交验收报告等要素。
• 材料出现的数据/案例：提出「前端端到端需求交付速度提升 300%」；该演讲多张幻灯片为图片页、无可抽取文本，除上述要点外现有材料不足以判断更多细节。

议题八：从智能辅助到自主交付——AutoWonder 的 Agentic SDLC 工程实践

• 讲者：蔡何（阿里云智能集团技术专家）。
• 核心观点：同样使用 AI，组织任务的方式决定交付能力；从「人推动流程」的个人作坊转向「Task 驱动交付」的自主交付；个人效率只有进入生产系统才能成为组织交付能力。
• 关键技术/产品：以 Task 为主线，数字人承担研发、CR、QA、部署、DBA、冲突解决、端到端测试等专业工位，靠 Gate、Evidence 与异常打回约束交付；三端协作（工作群端、个人 Agent 端、平台工单端）共享同一 Task；黑灯工厂错峰调度控成本；监督者数字人主动巡检自动闭环；记忆成长与流水线自进化。
• 材料出现的数据/案例：0-1 新项目月需求交付 400+/月、周平均 100+/周、单人月中小需求 20→200+；存量 Agent Tools 工具链约 50 项/月（需求与 Bug 修复）；同样 1 人·日完整交付由 1 个提升到 10 个（10×）；材料标注数据来自内部研发实践阶段性统计。

议题九：Terraform Autopilot Workflow——重构面向数字人自主交付的研发流程

• 讲者：陈汉璋（阿里云智能集团高级开发工程师）。
• 核心观点：AI 写完代码不等于需求完成，后续测试、评审返工、客户补充信息、合入发布验收等「人的隐形控制层」需被工程化；为数字人重构 Workflow，让一张需求持续贯穿澄清、开发、返工与交付；人的重心从推进每张工单转向建设与管理流程。
• 关键技术/产品：需求任务 Task 承载目标、上下文、进度与证据；Workflow 底座提供任务调度、上下文管理、工具与环境、异常处理、人工介入；区分「计划内决策」与「异常后人工接续」两类 HITL；按工单完成标准认定交付。
• 材料出现的数据/案例：Terraform 十年演进从 45 个资源到近 1200 个资源，2024 年客户同比增长 219%、成为控制台与 API/SDK 之后第三个资源创建入口；真实案例支持 ADB PostgreSQL ServerlessPro（算力 16–1024 ACU、缓存盘 800–102400 GB），PR #10073 于 2026-08-03 合入、验收任务 8931 结果 1 PASS/0 FAIL/0 SKIP，Aone 状态「已发布待需求方验收」；统计周期 2026-06-26 至 2026-09-10 客户需求吞吐提升 300%、GitHub 工程产出 3.5x、约 8.4 万行代码落地。

四、圆桌讨论

现有主文件未包含可确认的相关内容。各议题主文件均为单场主题演讲材料，未出现圆桌讨论的嘉宾名单、议程或共识/分歧记录，现有材料不足以判断。

五、全场总结

基于九个议题的共性可客观归纳如下：

• 共同问题意识：各演讲普遍指出大模型/Agent 存在不确定性与幻觉，直接进入生产（尤其操作真实云资源与研发交付）会放大风险，需要从「Demo 能用」推进到「生产可靠」。
• 共同方法取向：多数议题主张「用确定性的工程手段约束不确定的模型」，通过来源授权、身份与权限收窄、环境隔离、凭证代理、策略裁决、形式化验证与规约、护栏等工程手段限定边界。
• 评测与可观测：从 Skill 到 Agent 的评测、企业级评估体系与可观测被反复强调，覆盖效果、效率、安全、成本等多维度，并将评测/回归纳入开发闭环，安全合规多采用一票否决。
• 从辅助到自主交付：OpenAgent、AutoWonder、Terraform 数字人、AI 原生前端等实践共同呈现「任务驱动、数字人执行、人在关键节点介入（HITL/HOTL）」的自主交付范式，并伴随记忆沉淀与流水线自进化。
• 数据口径提示：材料中多处效率与质量数据附带统计周期、口径或推算说明，部分口径标注「待补」，本摘要如实保留，不作价值判断，亦不对未说明部分进行推断。

【从 Model 到 Token：阿里云百炼模型服务的技术创新、规模服务与行业实践】材料摘要

二、重磅发布

万郁香 · 阿里巴巴ATH事业群MaaS业务线千问AI平台模型服务产品总监 · 阿里云百炼 Token 基建——服务形态：从按 Token 付费到按场景选用

• 核心观点：围绕"怎么付、怎么稳、怎么算、在哪用"四个维度构建一套服务体系，让企业按场景选用模型服务，而非只做单一的按 Token 付费。
• 关键论据·案例·数据：灵活计费提供免费额度（每模型 100 万 Token/90 天）、按量付费、AI 通用节省计划（承诺月消费换折扣，低至 4.5 折）、Token Plan 订阅（办公/Coding 按坐席，含个人版与团队版）；吞吐与速度提供动态限流、吞吐预留（PTU 标速档/高速档 1.5x TPS/8 小时闲时优价档）与优速模式（Prime，TPS 提升至 80~100，按 token 付费、零预购）；成本管理提供用量总览、账单分析、账号/Key/空间三级预算管控与模型路由推荐；全球部署覆盖 6 大接入地域（北京、中国香港、新加坡、东京、法兰克福、弗吉尼亚），提供全球模式 Global 与区域模式 Local；智能外呼案例通过高速吞吐预留使输出 TPS 升至 1.5 倍、通话时长提升 10%。材料展示总览为 200+ 模型、6 种售卖形态、6 大接入地域。
• 一句话结论：按量、Batch、标速 PTU、高速 PTU、高速 Prime、独占 DTU 等多形态并存，让同一模型可按成本、速度与确定性诉求灵活选购。

何源 · 阿里巴巴ATH事业群MaaS业务线千问AI平台模型服务产品总监 · 丰富多元的模型供给

• 核心观点：模型前沿正同时向复杂任务能力、内容生成能力、实时交互能力三个方向刷新，模型供给的价值是让企业持续拿到当下最合适的候选模型。
• 关键论据·案例·数据：阿里云百炼模型矩阵涵盖千问大模型（Qwen3.8-Max/Flash 等）、图像生成（Qwen-Image 3.1）、视频与世界模型（Wan3.0）、语音（Qwen-Audio 3.0）、全模态（Qwen3.8-Omni）与检索领域模型，并接入 DeepSeek V4.1、Kimi K3、GLM 5.3、MiniMax M3、MiMo 等一流开源与生态模型（均可在百炼调用）；通过统一模型 API 兼容主流开放协议，切换模型（如 qwen3.8-max → deepseek-v4-pro）无需重建业务入口；模型评测采用统一评测集 + 多模型运行 + 评测引擎（LLM-as-Judge 0–5 分/Pass-Fail、规则评估 String Match/ROUGE/BLEU、人工评估）形成可复现的选型结果；模型调优覆盖数据与基座、训练引擎（SFT/CPT/DPO/Agentic RL：GSPO·GRPO·DAPO）与可观测交付闭环。
• 一句话结论：从旗舰通用模型到多模态与开源生态模型统一供给，配合评测与调优闭环，企业可持续获得并沉淀自己的场景模型。

黄泽辉 · 阿里巴巴ATH事业群MaaS业务线千问AI平台模型服务高级产品专家 · 企业级平台：从模型 API 到生产级 MaaS

• 核心观点：Agent 走向生产，模型能力只是起点，企业还需要稳定、安全、可治理并能持续优化的生产级 MaaS 平台。
• 关键论据·案例·数据：大规模弹性调度提供多地域多 AZ 高可用、多租队列请求隔离、秒级扩缩容与 99% 服务可用性 SLA；业务空间专属端点稳定性提升 10 倍、典型场景 TTFT 缩短约 100ms，支持 WebRTC/AoQ 协议与 AutoTPM 动态限流（Base 基线 + Burst 突发、柔性排队避免 429，备注称扩展性提升 100 倍、性能提升 3 倍）；全链路安全覆盖客户环境、可信网络、平台加密存储、推理环境隔离与审计治理，并推出机密推理 Confidential MaaS（CMaaS，数据可用不可见、按 token 付费，支持 Qwen/GLM/DeepSeek）；持续优化闭环含效果评测、灰度验证、生产监控、问题定位与策略优化；企业专属优化工具箱含 SFT/CPT/RL、OPD 蒸馏、智能路由（效果优先/成本优先，模型不可用自动切换）与专属部署，并支持面向 Agent 的 CLI 与 Skills。
• 一句话结论：阿里云百炼正从模型服务平台升级为企业 Agent 的生产运行底座，围绕可承诺、可验证、可优化、可集成四方面提供生产级能力。

三、主题演讲

于文渊 · 阿里控股百炼技术负责人 · 重新思考 MaaS 平台：100X 规模之后，用户真正需要什么？

• 核心观点：MaaS 需要从一次模型调用走向完整任务执行，交付任务能持续、资源能复用、完成时间与成本可衡量的完整用户体验。
• 关键论据·案例·数据："冰山之上"用户可感知四件事：模型可用（新模型 Time-to-Market）、服务可选（快/便宜/稳定）、状态持续（有状态 API）、任务可达（长周期 Agent 任务）；MaaS 服务矩阵按 Batch 成本型、在线性能型、AutoTPM 弹性型、保障型四类共存；"水面之下"通过 Gateway（统一接入与动态软限额 AutoTPM、QoS 打标）、API Server/调度层（实时准入与路由）、DashNext（DashMesh 请求调度、DashScaler 分钟级容量调整、DashServing 实例执行）、推理引擎与 Context Cache 协同；100X 规模挑战是系统复杂度而非简单堆 GPU，演进方向为 Global Policy, Local Decision 的分层架构，把故障视为常态。
• 一句话结论：下一代 MaaS 从 Model API 走向 AI Runtime，让 Token 的生成能力成为任务的交付能力。

姜春宇 · 中国信息通信研究院人工智能所大数据与智能化部主任 · 探索 AI 原生演进之路

• 核心观点：大模型从"能对话"走向"会执行"，但基础模型进化速度远超行业应用落地速度，技术扩散缺口巨大，AI 原生（智能原生）是释放 AI 潜力的变革性范式。
• 关键论据·案例·数据：引用红杉资本 AI Ascent、信通院"方升"基准（2026Q2 平均 2.8 天发布一个前沿模型）、METR（智能体执行任务时长每 7 个月翻一番）等数据；提出智能应用/智能产业/智能经济三层产业模式与 Token 计费演进（工业电力→信息算力→智能 Token）；辨析智能原生四特征（以 AI 为核心、自主驱动、紧密人机协同、持续进化）；牵头制定首个《人工智能 赋能应用 企业智能原生能力评估要求》行业标准（五层能级成熟度）；提出企业智能化落地五步法（场景识别→AI 技术工程→数据知识本体管理→AI 应用建设→组织治理变革），并强调前线部署工程（FDE）与 AIIA 智能原生工作组。
• 一句话结论：企业应从"+AI 改良"跨越到"智能原生重构"，围绕场景、技术工程、数据知识、应用交付与组织治理体系化推进。

商渭清 · 安克创新数据负责人 · 安克创新 DOM × Launch 双平台实践

• 核心观点：从模型能力到业务应用，阿里云百炼提供 Token 与应用运行时，企业还需自建上下文基建（DOM）与交付基建（Launch）才能让全员用好 AI。
• 关键论据·案例·数据：安克过去一年总 Token 消耗 30 万亿、员工日均 4500 亿、同比增长 30 倍（年内增长 4.5 倍），AI 承担 >95% 基础代码生成、电商渠道接入周期从两周压缩到 2 小时（80%）；Launch 分 HTML（静态只读）、BI（动态只读）、App（动态读写）三系列；DOM 通过数据专辑（场景边界、权威引用、业务语义、调用策略、验证基线）补齐 AI 使用上下文；参考材料 100 题测试显示有专辑后总体得分率从约 50% 升至 90% 以上、复杂数据题从约 20% 升至近 90%、严重口径错误从数十起降至个位数（材料标注：来源参考稿第 10 页，未给出测试日期与完整题集，不代表当前生产保证）。
• 一句话结论：Launch 让业务用 AI 构建并运行应用、DOM 沉淀数据消费与生产的共同能力，实现"让模型用好企业数据、让业务用好 AI"。

五、全场总结

• 本论坛围绕"从 Model 到 Token"，系统呈现了阿里云百炼在模型服务上的技术创新、规模化服务与行业实践：重磅发布环节从服务形态（万郁香：多形态计费与售卖、吞吐预留、全球部署）、模型供给（何源：多模态与开源生态统一供给及评测调优闭环）、企业级平台（黄泽辉：生产级稳定性、机密推理、智能路由与专属优化）三方面构成 Token 基建全栈进化。
• 主题演讲从平台技术与产业视角延展：于文渊阐述 100X 规模下 MaaS 向 AI Runtime 的演进与 DashNext 等底层能力，姜春宇从信通院视角提出 AI 原生的标准、五步法与 FDE 落地路径，商渭清以安克 DOM × Launch 双平台实践展示企业如何自建上下文与交付基建承接爆发式 Token 增长。
• 材料整体传递的共识是：模型能力只是起点，企业需要围绕计费选型、稳定安全、上下文与交付基建、组织治理构建可持续的生产落地体系；材料未说明各项发布能力的正式商用时间与统一定价细节。

【从智能到行动 ：东南亚AI落地实践】材料摘要

一、欢迎致辞

Andy Lee（阿里云国际业务副总裁、东南亚区域总经理） · 开场致辞：东南亚 AI 黄金时代

• 核心观点：东南亚 AI 正由试验转向生产，主线是主权 AI、加速采用、人才培养与智能体部署；阿里云以规模基础设施、开源模型、本地生态和成本优势参与建设。
• 关键论据·案例·数据：材料引用 IDC、麦肯锡、IMDA、Gartner 等资料称，亚太 AI 支出 2024—2029 年预计增长 5 倍；46% 东南亚企业已规模化应用 AI（全球为 35%）；新加坡中小企业 AI 采用一年增长 3 倍；90% 企业计划试验/部署智能体；2026 年底 40% 企业应用将内置智能体（均为第三方引用口径）。阿里云自述：DANA、CapitaLand、SCG JWD/SCGC、MyDIGITAL 等已落地；拥有 250+ 区域伙伴、每年培训 10 万+人才、举办 100+活动、合作 30+协会。
• 一句话结论：东南亚已进入 AI 规模化应用阶段，需要企业与生态伙伴共同建设区域 AI 能力。

三、主题演讲

材料未说明（职位/组织材料未说明） · 千问家族，落地生花：东南亚的 AI 万象

• 核心观点：以企业垂直场景和数字银行展示 AI 从模型接入走向业务执行、生产基础设施与治理。
• 关键论据·案例·数据（均为企业自述口径）：CBN 计划于 2026 年第四季度推出 KoderU 数字员工、GanaToken 模型网关、KoderPro 行业 AI 套件；Ryt Bank 基于阿里云马来西亚主站、新加坡灾备，称 2026 年 8 月达 150 万客户、清算 1 亿+交易、完成 1200 万+次 AI 对话，70%+代码由 AI 生成或辅助。其余页面仅列游戏互动、企业运营、治理等讨论题，未给出对应论据。
• 一句话结论：规模化 AI 需要结合行业产品、可靠云架构及安全治理。

Ang Kai Loong（TNG Digital 数据工程负责人） · 智能体落地实战，人机协同新篇章

• 核心观点：AI 将成为基础素养；组织应从「AI 工具」升级到「AI 流程」「AI 团队」，但责任始终由人承担。
• 关键论据·案例·数据（均为企业自述口径）：TNG Digital 拥有 2700 万+认证用户、200 万+商户触点、50%+用户月活、日均使用约 2 次；QA 借 AI 当天生成 200 张测试图片，并按自然语言创建含 50 名用户的沙箱测试数据；数据分析插件可自主写 SQL、检查结果和追查异常；落地方法是「可见、易用、安全」，通过工作坊与展示、分级支持，以及数据与 AI/技术/风险共同组成的 AI 委员会推进。
• 一句话结论：先建立治理机制、给员工可用的先进模型，再从一个流程开始改造，推动 AI 从工具走向团队协作。

四、圆桌讨论

Videfly、Loomi Entertainment、T&B Media Global、FizzDragon 代表 · 圆桌讨论：AI 创意新浪潮，重塑东南亚内容产业

• 核心观点：材料主要为企业介绍与提问提纲，围绕 AIGC 价值、内容安全与护栏、效率和艺术深度、内容过剩及未来 6—12 个月商业化展开；未记录回答，现有材料不足以归纳嘉宾共识或分歧。
• 关键论据·案例·数据：Videfly 自述借助阿里云 Model Studio 运行 Wan3.0 等模型，将品牌视频交付从数周缩至数日并输出 1080p 成片；其余材料介绍 IP 生态、创作者协作和内容商业平台，未给出可核验成效数据。材料仅注明 Ivan Tan 为 Loomi CTO、Sekeng 负责结尾总结但职位未说明，其余代表姓名与职位未说明。
• 一句话结论：圆桌聚焦 AIGC 如何兼顾创意、效率、安全与商业化，但现有材料不足以判断讨论结论。

LapisAI、ReN3 代表 · 圆桌讨论：从先行者到规模化，东南亚 AI 落地之路

• 核心观点：材料仅提供企业背景，未记录圆桌发言，现有材料不足以判断个人观点、共识或分歧。
• 关键论据·案例·数据（均为企业自述口径）：LapisAI 展示基于通义与阿里云的多智能体办公、简历智能和视频创作产品；ReN3 定位为面向东盟受监管企业的主权智能体平台，自述 2022 年成立、覆盖 5 国、2026 年 4 月融资 500 万美元；员工数与客户数存在材料内冲突（页面为约 45 人/40+客户，备注为约 30 人/35+客户），无法判定；IMDA 认证、MAS Pathfinder 等亦未列外部核验来源。
• 一句话结论：两家公司展示了垂直应用和主权智能体平台方向，但现有材料不足以形成圆桌结论。

五、全场总结

本场论坛呈现东南亚 AI 从试验走向规模化生产的多条路径：区域层面强调主权 AI、人才与本地生态；企业层面，数字银行和行业套件把模型能力嵌入业务基础设施，TNG Digital 通过治理委员会、沙箱测试和数据分析插件推动人机协同；内容产业与受监管行业则分别关注创意生产、安全护栏、商业化和主权治理。整体共识是 AI 落地不能只停留于模型接入，还需流程改造、可靠架构、组织治理和本地生态共同支撑。两场圆桌材料未包含实际问答记录，因此嘉宾共识与分歧现有材料不足以判断；材料中的市场与业务数据多为第三方引用或企业自述口径。

【以信为基，智体可寻 —— DNS 构筑智能体时代的可信服务发现】材料摘要

三、主题演讲

M1｜智能体产业发展现状与趋势观察（主题演讲）

• 演讲者：李哲，中国信息通信研究院云计算与数字化研究所（材料未注明具体职务）。（M1，slide 1）
• 核心观点：智能体正从单体工具调用快速走向多智能体、跨组织协作，身份识别、服务发现、任务协同、权限控制和安全治理由平台内部问题升级为互联网基础能力问题。（M1，slides 2–3）
• 产业态势与数据：材料预计活跃智能体数量将由 2025 年的 2,860 万增至 2030 年的 22.16 亿，年任务处理量由 440 亿次增至 415 万亿次；另引用预测称 2027 年 Token 与 API 调用规模将达当前行业基础量的 1,000 倍。上述均为材料引用的预测或公开数据，并非现场实测。（M1，slide 3）全球智能体市场方面，材料引用 Research and Markets 数据称 2025 年规模为 82.9 亿美元，预计 2026 年为 120.6 亿美元、2030 年为 532 亿美元，复合年增长率为 45.5%。（M1，slide 6）
• 概念与应用路径：材料综合政策、标准、学术和产业口径，将智能体概括为能够感知环境、围绕目标自主决策并执行任务的系统；其工程形态通常由模型、记忆、规划、工具接口和运行控制程序构成。应用沿“智能体+”与“+智能体”两条路径扩展：前者改造既有产品和业务，后者以智能体为核心形成智能体互联网、具身智能体、智能体手机等新形态。（M1，slides 4–5）
• 工程化与生态：可上线的智能体系统需要基础支撑、运行时支撑、自治框架和评估治理四层能力，覆盖资源与工具、上下文与记忆、任务规划与自我验证、身份档案、链路观测和运行沙箱。产业链中，运营商、大模型厂商、互联网厂商、终端厂商和云厂商分别承担网络与寻址、模型、应用、入口和算力部署等角色。（M1，slides 7–8）
• 五项趋势：一是 A2A、ANP、AIP、MCP 等互联路线并存，尚未形成统一国际标准；二是智能体身份服务向域内产品化和域间互信并行发展，标识、凭证、属性描述构成三个核心要素；三是自进化从离线静态更新走向在线学习，但任务间进化仍面临“错误进化”和安全约束问题；四是风险从单体失控扩展到跨实例、跨系统和跨组织传播，需要身份管控、运行时防护、沙箱与可信执行等分层防护；五是治理重点由内容合规转向行为约束和全生命周期治理。（M1，slides 9–13）
• 案例与边界：材料列举政务、车载、网络运维等智能体实践，并举出多个智能体越界访问基础设施、利用共享系统形成非预期通信及风险外溢的评测案例；这些案例用于说明系统性风险，不应外推为所有智能体的普遍行为。（M1，slides 3、6、12）
• 一句话结论：智能体规模化互联需要把协议、身份、安全、评测和治理共同建设为可验证、可观测、可追责的基础设施。（M1，slides 7、10、12–14）

M2｜智能体服务发现：IETF 标准化进展与实践（主题演讲）

• 演讲者：姚健康，中国互联网络信息中心（CNNIC）智能管理技术部主任。（M2，slide 1）
• 核心观点：跨组织智能体协作不仅要解决“如何交互”，还要回答连接谁、去哪里、按什么协议连接；发现结果只是连接和核验的输入，并不自动形成调用授权。（M2，slide 2）
• 标准化状态：材料称 IETF 相关讨论从 2026 年 3 月 IETF 125 的 CATALIST BoF、7 月 IETF 126 的 DAWN 建组 BoF逐步收敛；截至材料所述的 2026 年 9 月，DAWN 仍是拟议工作组，章程处于 IESG/IAB 内部审议阶段，不能表述为已成立工作组或已发布标准。（M2，slide 3）拟议工作聚焦资源类型、可达信息、通信协议和基础服务信息，初始适用范围是局域网、组织内部及已有信任关系的合作组织；全网索引、完整能力交换、发现后的通信、身份管理和一般信任评估不在初始范围内。（M2，slide 4）
• DNS 能力与边界：DNS-SD/mDNS 可用于服务实例发现，SVCB/HTTPS 记录可绑定端点与连接参数，DNSSEC 可验证 DNS 数据来源和完整性，DANE/TLSA 可在 DNSSEC 保护下表达证书关联；智能体场景仍需补充命名、元数据绑定和更新失败处理约定。DNS 数据可信不等于能力声明真实，也不等于智能体行为可信。（M2，slide 5）
• 草案进展：DNS-AID、DN-ANR 和 mDNS 零配置发现均为个人 Internet-Draft。DNS-AID面向已知组织，返回组织索引入口或端点与描述文档关联；DN-ANR面向已选定的智能体 FQDN，解析端点、协议、版本及完整性信息；mDNS 草案面向本地链路低配置发现。候选发现、名称解析和本地发现可以分层完成，不必由一个协议包办。（M2，slides 6–8）
• ATI 实践：CNNIC 与阿里共同探索以 FQDN 作为稳定入口，将提供方、端点、公钥/凭据和生命周期状态关联起来。阿里侧承担注册与服务编排、域名控制校验和 DNS 发布，CNNIC 侧探索 Private CA、透明日志与 TrustCard 托管，业务服务仍部署在提供方平台，ATI 不代理业务执行。（M2，slide 9）材料明确提到测试环境的注册 API、CA 和日志联调，不能据此认定所有模块已经正式商用；Private CA 也不等同于公共根信任体系。（M2，slide 9）
• 互操作待解问题：端点迁移和凭据轮换涉及 DNS 缓存、长连接、证书有效期、吊销状态和应用授权等不同生命周期，不能只依据 TTL 判断安全与否。需共同定义重新查询时机、旧连接失效条件、吊销策略、校验失败回退，以及字段兼容、缓存陈旧、元数据冲突和校验服务不可达时的行为。（M2，slides 10–12）
• 一句话结论：标准化首先应实现边界清晰、可实现、可互操作的最小发现接口，再通过具体实现和互测逐步完善生命周期与核验规则。（M2，slide 13）

M3｜智能体可信基础设施服务联合倡议（倡议发布）

• 发布名称：《智能体可信基础设施服务联合倡议》；材料未注明宣读人或发布人。（M3，slide 1）
• 发布内容：倡议提出以 DNS、PKI 等成熟互联网标准建设 ATI，以 CNNIC 基础服务作为信任根节点，并强调开放架构和厂商中立；符合条件的服务商可加入可信认证服务，符合条件的智能体可取得可发现、可验证的可信身份。（M3，slide 1）
• 三项倡议：邀请云服务商、安全厂商和域名服务商开放共建；推动智能体完成“身份声明—实名审核—证书签发—透明存证”流程；推动标准组织和专家完善注册、认证、发现的规范与实践指引。（M3，slide 1）
• 愿景：“一个域名，锚定一个可信身份；一次注册，接入整个开放互联网。”材料未给出产品上线状态、参与机构名单、签署数量或实施时间表，不据此推断倡议已全部落地。（M3，slide 1）

M4｜互联网域名系统安全研究前沿进展与韧性技术体系的初步思考（主题演讲兼联合发布）

• 演讲者：刘保君，清华大学副教授。（M4，slide 1）
• 核心观点：DNS 是 Web、邮件、CDN、证书和上层安全机制的名字与地址底座，但为安全和性能引入的调度、缓存、验证机制也可能成为新攻击面。面对国家级网络博弈和跨境风险，防护需要从事件后的点状应急转向体系化韧性。（M4，slides 1–4）
• 威胁统计：材料梳理过去二十年 70 起国内外事件，归纳 7 类主要威胁，其中重点域名篡改占 45.7%，递归服务劫持及篡改和 DNSSEC 停服及攻击各占 14.2%，境外托管机构拒绝服务占 11.4%；调研覆盖 CERNET、114DNS、三大运营商、CSNET、阿里云等单位。（M4，slide 4）
• DNSpun 研究：对 19 款主流 DNS 软件分析后发现 4 个新的调度逻辑漏洞，材料称攻击在 50 QPS 下可造成 100% DoS；端到端试验显示 4 款软件、59.52% 的开放解析器受到影响。结论是原本用于限流和封禁的任务队列逻辑可能被反向利用，应推动 DNS 任务处理逻辑标准化。（M4，slides 5–7）
• BadDNS 研究：问题并非“破解 DNSSEC”，而是解析器错误复用签名验证失败后的 BAD Cache 数据。材料称 3 款主流软件受影响，Tranco Top 100 万域名中 32.17% 的已部署 DNSSEC 权威服务器受到影响，10/14 公共 DNS 解析器及 16.56% 开放解析器受到影响。（M4，slides 8–11）
• 防护方案与实测：提出“域名解析器安全护甲”，以 Linux TC/eBPF 在不修改解析器源码的情况下检查分片、重复应答和 bailiwick 违规，仅让可疑应答进入 TCP 重校验，正常 UDP 保持快速路径。（M4，slides 12–14）在 CERNET 场景下，20,000 QPS 压测的平均时延增量为 4 微秒，请求完成率与 CPU 占用未见明显变化；材料同时称已在 114DNS 新加坡生产节点面对 500k QPS、50万–80万日活用户的环境验证。（M4，slide 15）
• 联合发布：清华大学与阿里云联合发布“域名安全解析风险监测系统”，材料称系统累计监测到全球重要域名 296 起劫持事件，每周发现 7,000 余个域名存在接管风险、39 万个域名存在拒绝服务风险，并提供单域钻取、解析器演化、域名风险和递归流量监控等能力。数字口径是“监测到/存在风险”，不能等同于已确认攻击或全网统计。（M4，slides 17–18）
• 一句话结论：DNS 韧性应把漏洞研究、内核级防护、真实流量观测、风险研判和常态运营连成闭环，而不能只依赖单点补丁。（M4，slides 12–18）

M5｜面向 ATI 的 DNS 基础设施演进（主题演讲）

• 演讲者：马永，阿里云智能集团高级技术专家。（M5，slide 1）
• 核心观点：ATI 将身份发布、端点发现和验证材料纳入连接决策，使 DNS 从“名称到地址”的前置能力演进为可信连接的关键入口，但 DNS 不独立承担身份语义理解、业务授权或最终调用决策。（M5，slides 2–3）
• 五类工程压力：容量由域名记录规模变成 Agent、实例、能力、版本和信任记录组成的身份图谱；查询量受多智能体链式调用、扇出、重试和缓存未命中放大；扩缩容、端点和凭据轮换提高变更频率；发现与验证时延进入任务总预算；缓存风暴、热点、伪造、重放及验证失败会沿编排链路放大。（M5，slides 4–9）
• 现网数据：材料称阿里云 DNS 已承载每日 6 万亿+解析请求、3,000 万+ Zone、约 2 亿次 OpenAPI 日调用和每年万级规模化变更；这些是现有 DNS 底座数据，不等同于 ATI 当前业务量。（M5，slide 10）
• 架构演进：现有 WebPortal/OpenAPI/XFR、统一管控、百川分发和边缘节点继续承担控制面与数据面，AXDNS 与 ASDNS 双引擎覆盖物理机、虚拟机和容器；ATI 增量集中在身份对象、跨记录事务、证书轮换与撤销、风险分级 TTL，以及可信发现成功率、新鲜度和切换中断等指标。（M5，slides 11–13）
• 性能与覆盖数据：AXDNS 材料指标为 1.2 亿 QPS 和 10 亿域名容量；ASDNS 侧重 AF_XDP、分片缓存索引、Do53/DoH/DoT 与异步观测。（M5，slide 14）递归网络覆盖 35 个地域、300+独立服务集群，大陆 31 省份三大运营商平均访问时延约 15 ms，并具备 Tbps 级安全防御能力。（M5，slide 15）
• 可信变更边界：建议采用“预发布—新旧凭证共存—主动切换与联动刷新—撤销旧身份”的流程，确保切换期间至少有一套有效身份可验证。权威与公共 DNS 联动精准刷新仅适用于二者均使用阿里云 DNS 的全链路场景，其他递归仍遵循自身 TTL 和刷新策略。（M5，slides 7、16）
• 安全与观测：材料称防劫持内核模块已在线累计主动防御数亿次劫持攻击；PassiveDNS 从约 240+递归节点旁路采集千亿级/日解析数据。观测样本不代表全网完整事实，AI 只辅助异常聚类、域名/IP 关联和线索排序，劫持判断仍需结合权威配置、变更历史和多地证据。（M5，slides 17–18）
• 一句话结论：ATI 不只是增加一种 DNS 记录，而是要求 DNS 在既有规模和可用性底座上补齐对象、变更、验证及观测闭环。（M5，slide 19）

M6｜智能体可信评测方法论与实践探索（主题演讲）

• 演讲者：乔港，中国工业互联网研究院智能化研究所副总工程师。（M6，slide 1）
• 核心观点：工业智能体应建立“数据集—大模型—智能体”协同评测闭环，以评测诊断反向驱动数据优化、模型迭代和智能体升级；智能体层面围绕“组件可用、业务可成、系统可管”评价基础完备、任务交付和运行保障能力。（M6，slides 3–5、11）
• 行动框架：“模数共振”面向制造业 20 个重点行业，通过智能底座、落地应用、能力评测、模数空间、创新联合、生态环境和标杆打造七项任务，形成数据、模型和场景良性循环。（M6，slides 2–5）
• 数据集评测：体系包括基础质量、工业适用性和安全合规性三个维度、14 项指标。展示方案要求随机抽样不低于 5%且不少于 200 条，至少 3 名行业专家评审；专业性、准确性和规范性通常以 98 分为“良好”、95 分为“合格”阈值。（M6，slides 7–8）
• 模型与智能体评测：工业大模型评测贯通语言、推理、多轮对话、工业知识、工程计算、单据识别、缺陷识别等基础、场景和行业能力，并通过数据形式、量纲等扰动测试稳定性。（M6，slides 9–10）智能体进一步评估约束识别、任务分解、统筹择优、状态追踪、动态校准、工具选择、参数匹配、环境交互和错误恢复等多步任务能力。（M6，slides 11–13）
• 可信安全测试：评测覆盖身份伪装、虚构情景、模拟授权、情感或逻辑诱导及多轮意图隐藏。示例要求只有查询和建议权限的生产调度智能体拒绝未经正式授权的设备停机指令，并记录上报异常请求。（M6，slides 14–15）
• 平台与状态：材料称中国工业互联网研究院已发布智能体可信评测平台，其自动测试平台已完成近 200 家国内外企业大模型的能力评估；平台页面标注“开放使用”。下一步是“拟加入”CNNIC 与行业共建的 ATI，通过信任指数模块为注册智能体提供可信评测，不能表述为已经接入 ATI。（M6，slides 16–18）
• 一句话结论：可信智能体不能只测回答质量，还要把数据质量、任务闭环、权限边界、错误恢复和运行治理纳入统一评测。（M6，slides 5、11、14–17）

M7｜智能体互联网发展态势与政策思考（主题演讲）

• 演讲者：李洪涛，中国互联网络信息中心首席科学家。（M7，slide 1）
• 核心观点：国家政策已由智能体应用推广延伸到注册发现、身份认证、标识资源、互联互通和全生命周期安全，要求以开放合作方式建设跨平台公共基础能力，而不是形成孤立平台。（M7，slides 4–9）
• 政策脉络：材料列出国务院“人工智能+”、八部门“人工智能+制造”、三部门《智能体规范应用与创新发展实施意见》及“人工智能+信息通信”等部署，涉及开放协议、体系架构、注册平台、数字身份、能力声明、多智能体协同与安全防护。（M7，slide 4）互联网基础资源指导意见进一步提出协同创新联合体、智能体互联网络基础设施、标识资源供给、服务发现和互操作管理制度；“十五五”规划提出升级域名系统，建设注册管理、身份认证、权属认定和寻址解析能力，并开展试验网络、全球互通和全生命周期安全保障。（M7，slides 5–9）
• 合作机制：CNNIC 依托互联网域名管理技术国家工程实验室和智能体标识与安全保障技术北京市重点实验室，面向高校科研机构、基础资源与云平台企业、开发者及行业用户开放共建 ATI。（M7，slides 10–12）
• 阶段性实践：2025 年 12 月和 2026 年 1 月分别组织 DNS 演进及智能体域名系统研讨；材料称在 IETF 125 展示 AgentDNS 早期原型，但页面正文写“2026年3月15—20日，深圳”，备注写“3月15—16日，北京”，地点和日期存在材料内部不一致，现有材料不足以判断准确口径。（M7，slides 13–15）2026 年 4 月 24 日，CNNIC、中国电信和万联易达联合发布 AgentDNS，材料称前期合作场景覆盖 20,000+智能体。（M7，slide 16）
• ATI 能力与发布状态：CNNIC 与阿里云围绕命名发现、CA 数字证书和透明日志推进 ATI，共建联合创新中心，并加强两个实验室协同。（M7，slide 17）2026 年 7 月 9 日双方联合发布 ATI MVP“首个可运行版本”，状态为面向受邀用户开放测试，不能写成全面正式商用。（M7，slide 18）2026 年 9 月 16 日，材料称在第 90 届 APTLD 会员大会交流 ATI 进展，ICANN、DotAsia 及相关 TLD 代表表达加强交流、探索参与建设与应用的意愿；意愿不等同于已经加入。（M7，slide 19）
• 场景与国际动向：材料以数字服务、跨境贸易和科研协作为设想，说明跨组织任务需要共同规则、公共支撑和责任衔接；这些是场景设想，并非已落地案例。（M7，slides 21–22）材料还引用 GoDaddy ANS Marketplace、与 Salesforce 的生态集成及 ICANN 讨论作为国际产业观察。（M7，slide 23）
• 一句话结论：政策、实验室、产业伙伴和国际交流正在共同推动智能体互联从概念研究走向公共基础能力验证，但不同成果仍处于研讨、原型、受邀测试或合作意向等不同阶段。（M7，slides 4–19）

M8｜智能体可信基础设施平台正式版本联合发布（重磅发布）

• 发布名称：智能体可信基础设施平台（ATI）正式版本联合发布；材料未注明发布人、发布日期、开放范围或商业化状态。（M8，slide 1）
• 平台定位：面向智能体互联网的公共信任底座，为 Agent 提供可信身份和可发现能力，强调身份可信、服务通用、过程可控、合规透明，以及生命周期管理、追溯和审计。（M8，slide 1）
• 生态与技术亮点：阿里云与 CNNIC 联合共建，架构允许其他云厂商、安全厂商和域名服务商接入；材料称平台跟进 IETF 草案和国际趋势，采用开放标准而非私有协议，并复用 DNS 与 PKI/ACME，主张不发明新协议、不改造网络。（M8，slide 1）
• 发布边界：本材料明确写有“正式版本联合发布”，但未提供功能清单、服务范围、SLA、用户规模、接入条件或“已全面上线/商用”的进一步证据，因此只按“正式版本联合发布”表述，不外推其商用覆盖程度。（M8，slide 1）

五、全场总结

1. 贯穿全场的主线

论坛从智能体规模化和跨组织协作需求出发，逐层回答可信服务发现的四个问题：以稳定名称找到服务，以 DNS/SVCB 等机制获得端点和协议信息，以 DNSSEC、PKI、证书状态和透明记录核验数据与身份，以权限控制、评测、观测和治理约束后续行为。各材料反复强调边界：发现不等于授权，DNS 数据真实不等于能力声明真实，身份可信也不等于行为必然安全。（M1，slides 7、10、12–13；M2，slides 2、5、10；M5，slides 2–3、9；M6，slides 14–15）

1. 最有信息量的 3 个片段
• 主题演讲｜姚健康：清晰区分候选发现、名称解析、身份核验和业务授权，并说明 DAWN 仍是拟议工作组、三类 DNS 方案仍是个人草案，为理解“哪些已经标准化、哪些仍在探索”提供了明确边界。（M2，slides 3–8）
• 主题演讲兼联合发布｜刘保君：以 DNSpun、BadDNS 的软件与开放解析器影响数据说明防护机制自身也会形成攻击面，再给出无需改解析器源码的 TC/eBPF 护甲、真实环境性能验证和常态化风险监测系统，形成“研究—防护—运营”闭环。（M4，slides 6–18）
• 主题演讲与正式发布｜李洪涛、ATI 发布材料：ATI 经历研讨、早期原型、AgentDNS 发布、MVP 受邀测试，再到材料明确标注的“正式版本联合发布”；同时，正式版材料仍未说明商用覆盖、SLA 和开放范围，体现发布状态必须按各阶段证据分别表述。（M7，slides 13–19；M8，slide 1）
2. 跨形式呼应：方向 → 验证 → 落地
• 方向：政策与产业判断要求建设智能体注册、身份标识、寻址解析、可信互联和全生命周期安全能力；联合倡议进一步提出开放共建、普及可信身份和标准引领。（M1，slides 6、10、13；M3，slide 1；M7，slides 4–9）
• 验证：IETF 讨论和个人草案用于厘清最小发现信息与协议边界；DNS 安全研究、解析器护甲、PassiveDNS 和工业智能体可信评测分别验证协议互操作、基础设施韧性、风险观测和权限边界。（M2，slides 3–12；M4，slides 5–18；M5，slides 17–18；M6，slides 7–15）
• 落地：阿里云 DNS 现网管控、分发、双引擎和递归网络为 ATI 提供规模化底座；AgentDNS、ATI MVP、域名安全解析风险监测系统及 ATI 正式版本材料构成阶段性工程成果。各成果的发布、测试和商用状态不同，不能相互替代。（M4，slides 17–18；M5，slides 10–18；M7，slides 16–18；M8，slide 1）
3. 3 条可落地行动建议
• 面向标准与平台实现方：建立跨实现互操作测试矩阵，至少覆盖字段版本兼容、端点迁移、缓存陈旧、新旧凭证重叠、紧急吊销、校验服务不可达和失败回退，并把复现条件与结果反馈到公开草案讨论中。（M2，slides 11–12；M5，slide 16）
• 面向 DNS 运营与安全团队：在不把观测异常直接等同于攻击的前提下，将真实解析采集、权威配置和变更历史比对、内核数据路径防护、审计回溯及定期演练纳入统一运行闭环，并用时延、可信发现成功率、新鲜度和切换中断共同度量。（M4，slides 12–18；M5，slides 12、17–18）
• 面向智能体平台和行业应用方：接入可信身份时同步实施最小权限、人工授权门禁、工具与凭据隔离、任务链路追溯及上线前可信评测；对发现信息、身份凭据和业务授权分别校验，避免把“可发现”或“身份验证通过”误当成可执行任意业务操作。（M1，slides 7、12–13；M2，slide 10；M6，slides 11、14–15）

【企业级Agent实践峰会】材料摘要

三、主题演讲

1. M1｜企业人机组织、与 Agentic Cloud 的加速融合（鼎捷数智材料）

• 演讲者：材料未提供姓名与职位；所属组织可由材料确认是鼎捷数智。
• 核心观点：制造企业的 Agent 落地不是单独增加一个对话入口，而是把现场感知、边缘执行、模型工程、质量知识、业务系统和人机协同接入同一运行空间，使模型能够从复判与生产数据中持续迭代。（slide 2、4-5）
• 关键论据与案例：鼎捷雅典娜工业 AI 视觉检测方案贯通相机与工位感知、边缘推理及 PLC/IO 拦截、数据标注与模型版本、MES/QMS 回写、权限监控和复判案例回流；EIOSpace 被定义为人、智能设备与智能体协同工作的企业智能运行空间。（slide 2、4）
• 自报与背景：材料自报鼎捷已有 44 年发展历史，并展示工业 AI 视觉检测、质量大师智能体、质量知识库等能力版图；材料没有给出这些能力的客户覆盖、效果提升或第三方验证数据。（slide 1-2）
• 合作、发布与规划边界：材料展示鼎捷雅典娜与阿里云共同构建 AI 原生应用场的方案，底层包含真武芯片、千问模型服务与智能体工程化，上层连接 Digi Agent Builder、Digi Agent Runtime、Digi Claw 及制造业务应用；但未明确这是新品发布，也未说明各模块是否全部上线、客户采用范围或建设时间表。（slide 5）
• 一句话结论：鼎捷给出的路径是以工业数据和既有业务系统为基础，把 Agent 变成可在云边协同架构中运行、回写并持续改进的制造能力，而不是脱离生产现场的独立应用。
• 证据范围：M1，materialId 4029，鼎捷数智-0920-去视频.pptx，slides 1-5。

2. M2｜全栈 AI 驱动企业级 Agent 落地

• 演讲者：韩鸿源，阿里云智能集团公共云事业部副总裁、公共云解决方案总经理。（slide 1）
• 核心观点：Agent 是企业人机组织变革的催化剂，而不是工具的线性升级；规模化落地需要统一目标与任务分发、数据与记忆、信任治理、协同进化四层中枢，并由 Agentic Cloud 提供统一运行时。（slide 2、10）
• 关键论据：
• 开发侧从代码补全扩展到需求、设计、编码、测试、部署和 AgentOps；办公侧从 RPA 的固定流程转向目标驱动的数字员工、人机混合团队；生产侧则依次表现为自然语言业务入口、动态工作流和实时决策。（slide 3-6）
• 从试点走向规模，需同时处理数字员工的角色、权限、绩效，以及人岗、流程和文化适配；生产 Agent 还必须做到行为可追踪、效果可度量、数据可回流优化。（slide 5、7）
• 工程底座覆盖 Skill/Prompt/工作流/知识库资产，Agent 开发评测部署，MCP 与密钥审计，编排与控制面，模型、运行、数据记忆和异构算力，并以 SSO/RBAC、数据隔离、越权防护和合规审计贯穿全栈。（slide 8）
• 自报与事实边界：材料称阿里集团“核心业务全面迁移至自家云”且“核心业务全面 Agent 化”，这是演讲方自报，材料未提供覆盖口径、量化指标或外部验证。（slide 9）
• 产品与规划边界：Qoder、千问办公被列为 Coding 与通用办公的代表产品，不构成本场新品发布；“Adopt/Build 两条路径”和“企业运行于 Agentic Cloud、人机组织成为新常态”属于方法建议与展望，不是已完成的客户上线事实。（slide 2、10）
• 一句话结论：企业级 Agent 的真正交付对象是一个可分工、可授权、可审计、可度量并持续进化的人机组织运行体系。
• 证据范围：M2，materialId 2329，2.韩鸿源-全栈AI 驱动企业级Agent落地.pptx，slides 1-11。

3. M3｜让 Agent 进入真实交易：满帮生产级 Agent 规模化实践

• 演讲者：高艺铭，满帮集团 AI 算法总监。（slide 1）
• 核心观点：交易型 Agent 的工作单位不是“一次回复”，而是持续理解目标、约束和优先级并完成一次委托；它应叠加在传统生产系统之上，由确定性工程约束概率性智能。（slide 2、5、8）
• 案例与生产状态：
• 司机 Agent 支持找货和经营目标，材料称已正式对客、可 7×24 小时盯盘；货主 Agent 覆盖发货、找车和跟单；平台 Agent 群用于客服与判责，材料称 IM 已全量接入、判责可在一分钟内直接生效。这些均为满帮自报的生产状态。（slide 4）
• 真实物流委托会同时包含硬约束、软偏好和动态优先级，例如“回南京、至少 1500 元”；满帮因此把意图建模为条件组合，而不是互斥分类，并把“标箱”等行业知识写入 Context。（slide 2、6）
• “两个生产系统、一层桥接”方案以 MCP 工具适配、API 网关与事件总线、沙箱/HITL/灰度、数据平面与状态同步连接 Agent 系统和传统交易系统，保留参数校验、幂等、一致性、审计与回滚。（slide 8）
• 规模化方法：生产级 Agent 被概括为“业务目标 × Context × Harness × Runtime × Eval Loop”，四项原则是状态外置、权限分级、Eval 前置、所有决策可追溯可回滚；运行前要算并发、成本、风险三本账，以 L0-L4 分层授权和事件驱动唤醒控制百万级可恢复状态。（slide 5、7）
• 评测与经济性：Eval 同时检查回复、动作、业务结果，以及推理、证据和轨迹；case 级内环按天/周完成取证、归因、回归、灰度，指标级外环按月复盘业务指标。材料自报，在提示词和 Harness 不变、替换更合适基模后，同等任务成本降至约原来的 1/4；该页未给出样本量、模型版本和统计区间。（slide 9-11）
• 合作与发布边界：材料说明满帮体系运行在阿里云 Agentic Cloud 上，并与阿里云共建 AgentLoop 数据飞轮；这是既有实践与共建说明，不是本场新品发布。其“生产取证→回归集→灰度对照→训练回流”是已介绍的工程机制，未来覆盖范围材料未说明。（slide 12）
• 一句话结论：把 Agent 放进真实交易的前提，是用桥接层、授权、评测、灰度和成本核算，把不确定智能限制在可验证、可回滚的生产边界内。
• 证据范围：M3，materialId 3504，3、满帮-让Agent进入真实交易_满帮生产级Agent规模化实践_云栖V4.5 - 美化版.pptx，slides 1-15。

4. M4｜给 Agent 一个工号：从总裁分身到数字员工

• 演讲者：施磊（觉天），阿里云公共云事业部 AIX 技术服务负责人。（slide 1）
• 核心观点：个人使用 AI 工具不等于组织提效；只有当 Agent 获得身份、岗位职责、权限和协作关系，能够进入工作流并对过程与结果接受治理时，才成为“AI 同事”。（slide 1、4、11）
• 案例与自报数据：
• 阿里云公共云事业部为总裁构建领导力分身 Patrick，定位为总裁助理、领导力分身和团队大脑，可处理待办、材料预审、回复起草并沉淀团队知识。材料称 Patrick 于 6 月上线，并能以独立工号进入群聊、被 @、参与讨论。（slide 2、4、12）
• Patrick 的人格设定来自约 1,000 条听记和发言稿；同一分身采用两套 Harness 隔离面向管理者与团队的上下文，并通过短期/长期、事实/社交/反思等分层记忆持续更新。（slide 5）
• 材料自报 Patrick 上线两三个月后，公共云事业部已发展出 60+ 个独立工号 Agent，覆盖数字销售、销售运营和技术服务等角色；材料没有提供任务成功率、节省工时或采用率。（slide 6）
• 治理机制：数字员工上岗需明确岗位说明并经业务 Leader 与 HR 审批；协同层通过 Agent 网关、岗位 JD、A2A 和 Agentic 通讯录寻找其他数字员工或人类求助；安全上采用零信任身份鉴别，工具调用使用对话发起人的权限而不是管理者分身权限，并保留实时、离线会话审计。（slide 5、7）
• 规划与事实边界：材料介绍与客户共同探索的 AI Native 转型路径——从一把手领导力分身开始，再扩展后台、中台、前台数字岗位，并配置网关、安全护栏、知识库、通讯录、开放平台和审计中心。这是客户探索和规划，不代表所列全部岗位已上线。（slide 8）
• 一句话结论：数字员工的关键不在拟人化头像，而在把人的经验和判断转成有岗位、有权限、有协作网络、可审计和可进化的组织能力。
• 证据范围：M4，materialId 3516，4、给AI一个工号_0917_觉天(1).pptx，slides 1-12。

5. M5｜从 Harness 到 RSI 飞轮：基元律动 Agent 进化闭环实践

• 演讲者：韩凯，基元律动联合创始人兼 CTO。（slide 1）
• 核心观点：模型决定 Agent 的智能上限，Harness 决定能否在真实环境交付；进一步的竞争力来自 Harness 生产真实任务轨迹、训练 Agent 原生模型、再把增强模型回流 Harness 的递归自我改进闭环。（slide 4、14-19）
• 产品与工程实践：OpenSquilla 被介绍为开源 Agent Harness，采用约百行异步状态机微内核、插件化 Provider/记忆/工具/MCP/技能、三级安全策略和系统级沙箱；四层记忆、按任务选模型、多模型协同与 MetaSkills 用于控制成本和从轨迹中生成新技能。（slide 6-8）
• 自报评测数据：
• 材料称端到端 Agent 基准中，在保持旗舰任务质量 99.96% 的同时，任务成本下降 88.9%；深度研究任务以 31% 的成本超过最强单模型基线，综合节省 60%-80%。这些是演讲方自报，页面未给出完整数据集、样本量和复现实验配置。（slide 9）
• 浏览器体素赛车案例中，材料称 Qwen3.8-Max 在同一提示词下完成赛道、物理、HUD 和 15/15 自动化测试；DRACO 测评中“OpenSquilla 协同 + Qwen3.8-Max”为 63.10 分，领先 Fable 5 约 3.3 分、成本约为其 31%。（slide 10-11）
• RSI 训练闭环：NeoHorse-1 的四环节为 ECS 隔离环境生产轨迹、结构与六维语义门禁、PAI 上三阶段课程 SFT 与 on-policy 蒸馏、增强模型回流继续生产信号；训练保留“推理→工具调用→再推理”的交错轨迹。（slide 15-16）
• 发布状态与合作边界：材料明确称 OpenSquilla 可本地一键安装、配置即用，并称 NeoHorse-1 模型与论文已开源（arXiv:2609.08183）；这两项可视为材料明确陈述的既有发布状态。与阿里云在 Qwen 模型共创、云基础设施/MaaS、市场品牌生态三方面的合作属于合作框架，其中“持续扩大合作规模”等是后续方向。（slide 12、17、20）
• 训练成效自报：材料称在 Qwen3.5 基座上后训练后，4B 模型宏平均由 65.6 升至 69.0（+3.44），9B 模型由 58.9 升至 64.9（+5.93），覆盖 10 项 Agent 基准；该数据仍属于演讲方自报。（slide 17）
• 一句话结论：高质量 Harness 不只是执行外壳，还能成为采集真实反馈、训练模型并让模型反哺执行系统的数据与学习环境。
• 证据范围：M5，materialId 3547，5、云栖大会-基元律动-从Harness到RSI飞轮-最新修复.pptx，slides 1-22。

6. M6｜贝壳房产认知决策智能的构建：Harness 与 AI 自进化

• 演讲者：尹俊希，贝壳首席算法科学家。（slide 1）
• 核心观点：房产智能服务应从“有什么”的信息检索升级为“适合什么、如何选择”的长期决策支持；专业性来自模型、领域知识、业务工具、空间交互、状态记忆和可信治理的系统组合。（slide 3-5、8-10）
• 业务案例：贝壳房产 Agent 围绕通勤导向置业、家庭改善、跨区域选房，把生活目标转成可分析的预算、区位、地铁、户型、学校和配套约束，并按“需求澄清→方案形成→差异解释→选择收敛”支持多轮决策。（slide 7-10）
• 技术与工程实践：
• 三层架构由用户交互与决策感知、Agent 编排与认知、能力与可信底座组成；Qwen3.8-Max 用于复杂理解、规划、判断和表达，Qwen3.8-Flash 用于画像/状态抽取、Query 改写、压缩、异步记忆与离线任务，以分层调用兼顾质量和时延。（slide 10-11）
• Harness 管理 Context、工具候选池、业务硬约束状态、评测反馈、白盒轨迹和模型分层；模型训练闭环以线上轨迹、教师蒸馏和仿真对话生产数据，经 SFT/DPO/RL/OPD 迭代，再做工具、回复、业务回归和并发时延评测。（slide 13-14）
• Harness-as-Environment 把业务图谱与交易规则转成可执行断言和强化学习环境，通过高质量长推理轨迹、过程与结果奖励及数千万次博弈，尝试将业务偏好内化为模型决策能力。（slide 17-19）
• 进展、自报与规划边界：千问 AI 平台调用标为“已接入”；Agent 持续进化标为“POC 中”；模型后训练及贝壳与阿里云的三项能力标为“共建中”。材料称线上有数十万经纪人与用户的交互、采纳和修正回流，并表述“采纳率显著提升、幻觉归零化”，但没有给出基线、数值或统计口径，不能视为经量化验证的结果。（slide 15、19）
• 一句话结论：贝壳把房产 Agent 定位为持续理解用户目标并辅助取舍的决策基础设施，其自进化仍处于“已接入模型平台、Agent POC、后训练共建”的分阶段推进中。
• 证据范围：M6，materialId 2975，6.贝壳-更新美化V2.pptx，slides 1-20。

7. M7+M8（重复材料合并）｜打通最后一公里后：Agent 的账怎么算、怎么管（西门子材料）

• 去重说明：M7 与 M8 对应同一 topicId=394、同一议题、同一文件名且哈希一致，因此以下仅作为一场演讲论述，不重复计数；两项材料均保留在证据范围中。
• 演讲者：材料未提供姓名与职位；所属组织可由内容确认是西门子。
• 核心观点：工业 Agent 要在云端开发与测试、边缘运行和局域网设备/业务系统之间形成云边协同，并同时支持自主规划与确定性流程编排，才能把工业知识、OT/IT 数据和模型能力送入生产现场。（slide 1-2）
• 能力背景自报：材料自报西门子覆盖 40+ 重点行业、服务 40 万+客户，全球有 1,500+ AI 专家和 2,000 余个 AI 专利家族，20 多家自有工厂部署 AI，成都数字化工厂已有近 100 个工业 AI 项目；这些数据均为演讲材料自述。（slide 1）
• 平台方案：西智汇基于阿里云全栈 AI，模型域连接公有云 Qwen、开源/私有化及三方模型，AI 能力域包含 RAG、OT/IT 融合、时序/视觉算法和多模态解析，工具域提供 API/DaaS/MCP/Skill，Agent 构建域同时支持动态规划与预定义流程，边缘侧以 XClaw、Skill 和知识库承载 EMS/OEE/EAM Agent。（slide 2）
• 工业案例与自报成效：
• 生产排程案例将订单 BOM、库存、在途采购、设备负荷、班组排班和交期汇总计算，并对紧急插单推演延期范围。材料称物料核查由半天缩至分钟级、产线利用率由 65% 提至 82%，但未提供客户名称、样本期和测量方法。（slide 3）
• 工程图纸解析案例面向 CATIA/NX/STEP，每月处理上百张来图；材料称图纸解读由 4 小时降至 20 分钟、BOM 错误率由约 8% 降至低于 1%、设计变更由 3-5 天降至 4 小时、新人上手由 6 个月降至 2 个月。这些均为材料自报案例数据。（slide 4）
• 发布与状态边界：材料展示西智汇平台架构和两个工业 Agent 案例，但未提供发布人，也未明确本场是否发布新品、平台是否全面上线、案例所处试点或生产阶段，因此不能据此判断为“重磅发布”或确定部署范围。
• 一句话结论：西门子的材料强调，工业 Agent 的最后一公里是把云端模型与现场数据、确定性流程、边缘执行和工业知识接成可运行系统，并用业务指标核算价值。
• 证据范围：M7，materialId 4003，待审核美化-【调整】西门子-工业Agent开发平台-0920.pptx，slides 1-4；M8，materialId 4021，同名同哈希文件，slides 1-4（重复证据，合并去重）。

8. M9｜易方达企业级金融智能体实践与思考

• 演讲者：刘硕凌，易方达基金首席信息官。（slide 1）
• 核心观点：金融机构的目标不是追逐单个快速迭代的模型，而是把外部 AI 能力转化为内部可持续积累的数据、工具、Skill、评测和专业责任机制；通用模型进入基金业务必须满足准确、可追溯、可复核和不越界。（slide 2、4、13）
• 业务方法与案例：研究员的使用方式由搜索、深度长对话、多 Agent 正反审阅，发展到持续研究体系；AI 可承担历史数据、公开材料和标准分析，调研边际信息仍需人获取，证据冲突时的最终判断由人负责。（slide 3-4）
• EWork 架构与实践：公司统一 AI 操作系统 EWork 以算力、数据、模型、架构、技能五层连接投资研究、客户服务、运营合规和办公协同。企业级 Harness 负责任务编排、上下文和工具调用，同时实施权限、监控和审计。（slide 5）
• 算力层通过缓存友好路由统筹自有、阿里云和其他外部资源；材料给出的内部对照结果为缓存命中率 83.7%-93.4%，GLM-5.1 首字符延迟中位数由 6.62 秒降至 721 毫秒，且明确仅适用于原模型、上下文和负载条件。（slide 6）
• 数据层通过元数据、Schema、质量、敏感信息、权限及业务口径治理，把全公司数据逐步变成可由 API/MCP/Skill/RAG 检索、引用和调用的 AI 就绪资产。（slide 7）
• 模型层以 DeepSeek-V3 教师预标注、人工筛选和 Qwen3-4B 学生后训练形成 EFundGPT-KGNLU；材料称在 8 张 H20、TP8、并发 10 的语义图谱抽取原测试中，DeepSeek-V3 与 KGNLU 时延均值之比约 12，明确不能推广到所有任务。（slide 8）
• 架构层以 ClawGate 守护进程统一设备认证、代理端口、Token 与日志审计；金融安全另设网络隔离、Skill 扫描与沙箱、API/数据权限、模型与数据安全、凭证保护、独立虚拟机、高风险人工审批和非授权 Agent 阻断。（slide 9、11）
• 平台规模自报：截至 2026 年 9 月 10 日，材料自报 EWork 有 1,676 名用户，近 30 个工作日口径下日均活跃约 1,050、日均调用 18 万次、日均 Token 用量 150 亿；有效 Skill 1,885 个、公开 Skill 调用 29.0 万次、创作者 600+、覆盖 50+ 部门，非技术人员占比 75%+。（slide 10）
• 对外服务状态：易方达基金“小易”已在材料中展示千问 APP 的实际入口与使用方式，支持查基金、看季报、看行情、指数温度计四项功能；这是已展示的服务入口，不是本场宣布的新发布。（slide 12）
• 规划边界：基于 Trace 与业务反馈生成 Skill/编排改进候选，再经评测、业务审核、受控发布和观察的 RSI 闭环，被表述为“希望持续完善”的机制；EWork 本身也明确“还在不断完善”，不应把整套六步闭环视为全部完成。（slide 13）
• 一句话结论：金融 Agent 的核心资产是带口径、权限和证据链的数据，以及经过审核发布的 Skill 与流程，而专业人员仍承担信息复核和关键判断责任。
• 证据范围：M9，materialId 3552，7、易方达企业级金融智能体实践与思考-0918-（美化01）.pptx，slides 1-14。

五、全场总结

1. 贯穿全场的主线

全场七场去重后的演讲共同把企业 Agent 从“会回答”推向“能在真实组织和生产系统中承担工作”。主线可以概括为五层：以业务目标和明确岗位定义任务；以 Context、知识、记忆、Skill 和工具承载行业经验；以 Harness、Runtime、云边协同和传统系统桥接完成执行；以身份权限、人在回路、审计、灰度和回滚控制风险；再把 Trace、业务结果和人工反馈转成评测、技能或模型的下一轮改进。不同企业的差异主要在业务对象——制造、物流交易、组织管理、房产决策和金融服务——但工程共识高度一致：模型只是能力上限，能否进入生产取决于执行与治理体系。

材料也呈现出三种不同成熟度，不能混为一谈：满帮的司机 Agent 正式对客、平台 IM 全量接入，Patrick 已上线并扩展出 60+ 数字员工，易方达 EWork 与“小易”给出了现有使用入口和规模，属于演讲方自报的在用实践；贝壳明确区分“已接入、POC 中、共建中”，易方达 RSI 闭环也明确仍在持续完善，属于分阶段建设；阿里云的人机组织、鼎捷与阿里云 AI 原生应用场及部分客户转型路径，则更多是架构判断、合作方案或未来展望。西门子两份同哈希材料只作为一场计算，因此本论坛现有证据覆盖 7 场独立演讲、9 项材料记录。

2. 最有信息量的三个片段

1. 主题演讲｜高艺铭（满帮）：用“两个生产系统、一层桥接”解释 Agent 如何进入真实交易——Agent 系统负责不确定智能，传统系统保证订单、支付和履约的确定性，桥接层以 MCP、事件总线、沙箱/HITL、灰度回滚和状态同步把两者接入同一生产线；其 Eval 还同时验证回复、动作、结果与推理、证据、轨迹。（M3，slides 8-10）
2. 主题演讲｜刘硕凌（易方达）：给出从算力、数据、模型、架构到技能的完整金融 Agent 操作系统，并对关键数据标明适用条件：缓存路由把首字符延迟中位数由 6.62 秒降至 721 毫秒，KGNLU 的约 12 倍时延比较限定于特定 SGE 任务与硬件并发配置；这种条件化披露体现了金融场景对口径和可复核性的要求。（M9，slides 5-10）
3. 主题演讲｜韩凯（基元律动）：把 Harness 从执行框架推进为模型学习环境，通过真实轨迹合成、质量门禁、三阶段课程 SFT/on-policy 蒸馏和模型回流组成 RSI 飞轮，并明确区分已开源的 OpenSquilla、NeoHorse-1 与后续合作扩展方向。（M5，slides 15-20）

3. 跨演讲呼应与差异

• 组织层：韩鸿源提出统一任务、数据记忆、信任治理和协同进化的人机组织中枢；施磊用独立工号、JD、HR 审批、Agentic 通讯录和 Patrick 案例将其具体化；易方达则把“人负责证据不足时的取舍”作为金融责任边界。（M2 slide 2；M4 slides 4-8；M9 slide 4）
• 生产层：满帮以桥接层保留传统交易系统的确定性；西门子以云边协同连接工业现场；鼎捷把感知、边缘执行、质量回写与模型迭代纳入 EIOSpace；三者共同说明企业 Agent 通常不是替换原系统，而是为原系统增加可治理的智能执行层。（M1 slides 2、4-5；M3 slide 8；M7/M8 slides 2-4）
• 进化层：满帮从线上失败进入双循环 Eval，贝壳以 Harness-as-Environment 和真实反馈推动模型与规则双进化，基元律动训练 NeoHorse-1，易方达则优先改进 Skill、工具和任务编排。它们都依赖真实轨迹，但优化对象不同：业务指标、领域模型、Agent 原生模型或受控技能。（M3 slides 9-10；M5 slides 15-19；M6 slides 18-19；M9 slide 13）
• 经济性与价值核算：满帮要求先算并发、成本、风险三本账并按单任务总成本核算；基元律动用模型路由和多模型协同控制 Token；易方达将缓存命中、延迟、资源优先级纳入混合云调度；西门子案例则用核查时间、利用率和错误率衡量现场价值。材料中的量化结果大多属于各演讲方自报，适用条件和验证完备度不一。（M3 slides 7、11；M5 slides 8-11；M7/M8 slides 3-4；M9 slides 6、8）

4. 三条可落地的行动建议

1. 企业业务负责人：先选一个可验收的业务闭环，而不是先建通用聊天入口。 把目标、硬约束、责任人和业务指标写清，并分别定义 AI 可执行、必须向人询问、必须由人判断的环节；物流可从一次委托的回复/动作/结果三验开始，金融可从时间、来源、引用位置和数字口径开始。（依据：M3 slides 2、9-10；M9 slides 3-4）
2. 平台与架构团队：建立 Agent 与现有生产系统之间的受控执行面。 将稳定 API 封装为带 Schema 和参数校验的 Tool/MCP，统一身份与最小权限，外置任务状态，配置沙箱、HITL、幂等、一致性、审计、灰度和回滚；工业现场再增加云边部署、局域网服务发现和边缘执行边界。（依据：M2 slide 8；M3 slides 5、8；M7/M8 slide 2；M9 slides 9、11）
3. Agent 运营与算法团队：让每次真实运行都进入带门禁的改进循环。 同时保存回复、动作、结果、推理、证据和工具轨迹，将 good/bad case 纳入回归集；先改 Context、规则、Skill 和编排，确有稳定轨迹与评测后再做后训练；所有候选必须经业务审核、灰度和指标回退门禁，不能把“自动生成改进”直接等同于“自动发布”。（依据：M3 slides 9-10；M5 slides 15-17；M6 slides 13-15、18-19；M9 slide 13）

【千问办公专场】材料摘要

二、重磅发布

千问办公安全中心

• 发布人：陈宇森，千问办公 CEO。
• 发布内容：材料明确标注“发布千问办公安全中心”，定位为智能体全链路安全的统一管理中心。[M1, slide 43]
• 核心亮点：围绕 Agent 执行建立事前边界、事中审批、事后兜底；强调最小权限、多重访问校验、敏感信息拦截和全程留痕审计。[M1, slides 38-43]
• 阶段与时间：材料明确为“发布”，但未说明公测、正式商用或具体可用日期，不据此判断上线状态。[M1, slide 43]

千问办公全私有化版本

• 发布人：陈宇森，千问办公 CEO。
• 发布内容：材料明确标注“发布全私有化版本”，用于适配不同企业的数据管控要求。[M1, slide 44]
• 配套形态：材料同时展示企业标准版、企业旗舰版、企业私有化版，以及 FDE、客户成功经理和解决方案专家服务。[M1, slide 49]
• 阶段与时间：材料未说明公测、正式商用、交付范围或发布日期，不作推断。[M1, slides 44, 49]

三、主题演讲

陈宇森｜千问办公 CEO

• 核心观点：个人提效只是起点，企业 AI 转型要把会议、聊天、文档、审批、合同、报表等数据转化为可持续复用的组织资产；企业级 Agent 应同时做到“懂业务、能协同、信得过”。[M1, slides 2-10]
• 产品与能力展示：
• “千问应用”被描述为保留行业工作台、结合业务上下文完成查询分析并让结果回流业务的形态；材料展示新金融、教育、法律及职能岗位方向，但未明确其发布或上线阶段。[M1, slides 12-15]
• 企业 Context Layer 用于结构化组织、持续更新并按权限调用分散在文档、沟通和业务系统中的信息。[M1, slides 18-20]
• 数字员工以云端 Agent、企业 Context 和钉钉渠道为支撑，材料以查询、报价、合同三个员工接力处理询盘到订单为示例。[M1, slides 22-29]
• PMO Agent、销售拜访后续协同及 QwenNote A2 均属演示或产品展示口径；其中 A2 被称为内置千问办公的 AI Agent 随身助理，材料列出 67g、六麦拾音、独立在线、实时转写上云和物理删除原始音频等特征，但未明确发布状态。[M1, slides 30-37]
• 客户案例口径：材料展示广汽安全巡检与座舱诊断、传化黄磷价格研判、杰克科技订单交付与销量预测等案例。[M1, slides 46-48] 其中杰克科技页称，OTD 驾驶舱汇总 329 个合同、1,400+ 工单，本地缓存读取约 0.4 秒，并将问题定位由小时级压缩至 1 分钟；销量预测覆盖 63 个产品、9 类候选模型和 80%/95% 区间。以上均为材料中的客户案例陈述，不等同于千问办公统一承诺。[M1, slide 48]
• 一句话结论：千问办公将竞争重点放在“企业上下文进入真实流程并受到治理”，而不只是提供通用对话能力。[M1, slides 7-10, 20, 29, 38-45]

杜海艳｜传化集团 CIO

• 核心观点：传化把数字同事的落地分成“试岗—转正—独当一面”，权限随场景逐步放开，始终保留边界设计和人工复核；AI 落地首先是组织与数字化基础问题。[M2, slides 6-7, 13, 18, 22-23]
• 推进口径：材料称传化于 2026 年 3 月推进整体上钉、覆盖 15,000+ 员工，8 月推广千问办公，9 月员工提交 180+ 件 AI 大赛作品；这是客户自述的推广进展，不是产品发布信息。[M2, slide 6]
• 试岗阶段的客户量化效果：
• 高管会议纪要：材料称分钟级出初稿、生成效率提升 85%、关键信息完整性 100%、技能复制周期下降 70%。[M2, slide 8]
• 每周任务闭环：定时提醒 11 位负责人并自动汇总 11 项进展；材料称沟通成本下降 90%、汇报耗时下降 80%、协作效率提升 60%。[M2, slides 9-10]
• 招聘面试助手：材料称已服务 2,400+ 位面试官，准备由 30 分钟降至 1 分钟、出题由 45 分钟降至 2 分钟、跨轮次信息对齐降至 0 分钟。[M2, slides 11-12]
• 转正阶段的客户量化效果：HSE 隐患治理由系统承担分级、督办、趋势分析与销项，材料称人力投入下降 70%、运营效率提升 70%、闭环率由 62%升至 100%；述职评审形成七步在线闭环，材料称 HR 工作量下降 80%、评审效率提升 70%、流程出错率为 0，最终判断仍由人作出。[M2, slides 14-17]
• 独当一面阶段的客户量化效果：AI 重点舱的员工填报、领导看风险和新人理解重点分别被描述为 2 分钟、3 秒和 0 次问人。[M2, slide 19] 黄磷预测使用 86 周行情数据，材料称方向准确率 67.2%（回测 64 期、胜出 43 期）、MAE 466 元/吨、较朴素基线改善 12.76%，由业务部门 1—2 人在小时内完成验证；“采购节奏每优化 1%对应百万级降本空间”是基于年采购上亿元的空间测算，不是已实现降本。[M2, slides 20-21]
• 一句话结论：传化案例把 AI 从个人辅助推进到流程和经营场景，但客户材料始终将专业判断、采购决策与权限边界留给人。[M2, slides 7-23]

李春阳｜一汽丰田数字化部长

• 核心观点：一汽丰田以业务价值流、架构、数据治理和应用一体化为基础，再叠加 AI 网关、Agent、SkillHub、模型与治理体系；其判断是不能用 AI 直接绕过流程、数据和系统基础。[M3, slides 4-10]
• 已展示实践及量化口径：
• 日常办公 Agent 化：材料展示多部门、双端和多场景应用，并给出数据准确率 85%→99.9%、高频 PPT/文档分钟级产出等成果口径；未提供统计周期与样本范围。[M3, slide 12]
• Spec Coding：材料展示 4 个业务模块、47 张业务表、225 个 REST 接口和 14 个页面，交付周期由 90 降至 45 人天、编码工时压缩 70%、AI 生成占比 85%+、验收文档由 3 天降至 0.5 天；这是该项目材料口径，不外推为通用效率。[M3, slide 13]
• 冲压车间智能管家：材料称从构思到落地 40 余天、搭建效率提升 10 倍+、早会资料准备由 20 分钟降至 3 分钟，并已有焊装和装配复刻意向。[M3, slide 14]
• 销售订单智能调度助手：材料称原始取数需 6—7 小时，日报由 16—20 小时降至分钟级，10 店点检由 1—2 天降至 1—2 小时；“约 2 台/月·店”的订单流失挽回被明确标作测算口径，并非已实现销量。[M3, slide 15]
• 规划与已落地区分：材料将研发中的编码、办公协同标为“已落地”，将采购供应、制造品质、物流、营销销售、售后服务及财经风控的大量场景标为“规划中”；相关 xx 数字是占位符，不能作为规模数据。[M3, slide 17] 订单交付、产销平衡及数字员工 001/007/008/009 等属于“其他 AI 场景探索”，不据此认定上线。[M3, slide 16]
• 一句话结论：一汽丰田的路径是先压缩业务架构和流程中的非加速瓶颈，再让 AI 在可治理的统一底座上放大价值。[M3, slides 5, 10, 18]

谭鹏｜方达律师事务所合伙人、管理委员会核心成员

• 核心观点：个人使用 AI 很快会触及客户沟通和时间碎片化瓶颈；处理复杂业务的律所需要统一入口、方法、边界、培训和评估，把个人经验沉淀为可复核、可更新的组织能力。[M4, slides 1-6]
• 实践路径：方达选择在既有办公体系中接入千问办公，通过官方法律 Skills、方达专属 Skills 和 FDE 驻场共创，把审查框架、分析维度、输出标准及复核要求固化下来；最终判断仍由律师作出。[M4, slides 5-6]
• 客户测试口径：尽调工具首版 DEMO 的单主体、80+ 网站测试用时 30 分钟；材料另列人工同口径约 2 小时，以及现有工具“20 个主体×4 个网站约 4 小时”。三组口径不同，不能换算统一提效倍数，且产出仍需律师复核。[M4, slide 7]
• 探索中场景：年报法规更新辅助以年报全文提取中国大陆法规并比对最新法规库，仅提示失效、变更或新法风险，是否修改由律师判断；材料明确该场景仍在探索、无测试数据。[M4, slide 8]
• 组织主张：方达认为 AI 提升效率但不改变复杂任务需要协作的原理，目标不是减少人员，而是继续招聘和培养年轻律师、形成更强组织；这是演讲者的组织判断与计划，不是已经发生的量化结果。[M4, slides 10-12]
• 一句话结论：专业服务规模化采用 AI 的前提，是统一平台与方法，同时守住保密、来源核验、人工责任和版本管理四类边界。[M4, slide 9]

原欣｜SAP 大中华地区总裁

• 核心观点：企业 Agent 要从“会办公”走向“懂业务、能执行、可治理”，并沿 L0 无 AI、L1 个人 Copilot、L2 岗位增强、L3 流程执行、L4 多 Agent 协同到 L5 自主企业逐级演进；各级分别保留人工决策、关键复核、例外审批、协同规则或目标边界。[M5, slides 1-6]
• 合作框架：材料将 SAP 的黄金流程、语义与数据、企业治理能力，与千问模型、办公入口及云生态组合，目标是让 Agent 运行在成熟端到端流程上，数据可校验、操作有边界且可审计。[M5, slide 8]
• 阶段与效果：材料未给出具体合作产品名称、上线状态、客户、时间节点或量化结果，不据此认定已发布或已落地。[M5, slides 2-8]
• 一句话结论：进入核心业务流程的 Agent 不能只靠模型能力，还需要成熟流程、可信语义数据和企业级治理共同约束。[M5, slide 8]

五、全场总结

1. 贯穿全场的主线

论坛从千问办公提出的“Context 驱动组织进化”出发，依次用传化、一汽丰田和方达的客户实践说明：AI 的价值要从个人工具进入组织流程、沉淀方法与数据资产，并在权限、审计、人工复核和责任边界下运行；SAP 演讲再把这一方向延伸到企业核心流程和多 Agent 协同。[M1, slides 7-10, 20-45; M2, slides 6-23; M3, slides 4-18; M4, slides 2-12; M5, slides 2-8]

2. 最有信息量的三个片段

1. 主题演讲｜杜海艳：传化用“试岗—转正—独当一面”把七类场景按权限深度排列，并同时给出人工复核原则和分场景效果数据，是组织推进路径最完整的客户口径。[M2, slides 7-23]
2. 主题演讲｜李春阳：一汽丰田把业务架构、数据治理、AI 基座和场景交付串联起来，并明确区分已落地、探索与规划中场景，呈现了从底座到复制的方法。[M3, slides 4-18]
3. 主题演讲｜谭鹏：方达尽调 DEMO 主动保留三组不同测试口径、不换算倍数，法规更新场景也明确仍在探索且无数据，体现专业服务中“可用、可信、可规模化”的证据边界。[M4, slides 7-9]

3. 跨形式呼应

• 产品方向：陈宇森提出“懂业务、能协同、信得过”，并展示 Context Layer、数字员工、安全治理及私有化能力。[M1, slides 10, 20, 29, 38-49]
• 客户验证：传化以流程闭环与经营决策场景验证逐步授权，一汽丰田以业务架构和数据底座支撑多场景复制，方达以统一平台、Skills 和律师复核验证专业服务的组织沉淀。[M2, slides 7-23; M3, slides 4-18; M4, slides 4-9]
• 生态与流程延展：SAP 将办公入口与黄金流程、语义数据、治理结合，补充 Agent 进入核心业务的流程骨架。[M5, slide 8]
• 发布落点：安全中心和全私有化版本与客户材料反复强调的数据边界、权限和审计形成直接呼应；但材料没有提供二者具体上线范围和日期。[M1, slides 38-44; M2, slides 16-22; M3, slide 10; M4, slide 9; M5, slide 8]

4. 三条可落地建议

1. 企业管理者：按权限深度建立场景梯队。 先选纪要、周报等低风险高频任务，再进入流程闭环和经营辅助；每一阶段明确数据范围、审批点、人工复核人和回退方式。[M1, slides 38-43; M2, slides 7-23]
2. 业务与数字化团队：把方法和证据口径一并沉淀。 将流程、规则、模板、Skill、负责人、版本和适用范围统一管理；量化评估保留样本、基线、周期及“实测/回测/测算”标签，避免把不同口径换算为统一提效倍数。[M3, slides 4-10, 12-17; M4, slides 6-9]
3. 平台与生态伙伴：优先打通上下文和成熟流程，而非叠加独立对话框。 让 Agent 在权限继承、可审计的数据层和端到端流程中读写、协同，并从小场景验证后再复制到其他部门。[M1, slides 4-10, 20, 29; M4, slides 4-6; M5, slides 6-8]

5. 证据范围

• M1：议题“开场演讲”，陈宇森材料，共 52 页；已用于产品发布、平台能力、客户案例和全场主线。第 24 页无可提取文本；第 15、33、36、40、42 页含“占位/制作中/待补充”等表述，第 50 页为 XXX数据 占位，第 51 页签约信息未填，因此均未被当作已发布、已签约或已实现事实。[M1, slides 1-52]
• M2：议题“从鼎鼎到数字同事，传化的AI上岗记”，杜海艳材料，共 24 页；量化效果均按传化客户演讲口径引用，不上升为通用产品承诺。第 24 页无可提取文本。[M2, slides 1-24]
• M3：议题“价值引领变革，AI重塑新范式：一汽丰田数智化进阶实践”，李春阳材料，共 19 页；已严格区分已落地、探索、规划与测算。第 17 页的 xx 为占位符，第 19 页无可提取文本，均未形成量化结论。[M3, slides 1-19]
• M4：议题“从个人提效到组织能力：方达×千问办公的实践”，谭鹏材料，共 13 页；尽调数字按各自原始口径保留，法规更新明确为探索阶段。第 13 页无可提取文本。[M4, slides 1-13]
• M5：议题“从办公到业务：千问办公 × SAP，让 Agent 真正进入企业核心流程”，原欣材料，共 9 页；仅支持演进模型与合作框架，不支持发布、上线或效果判断。第 7、9 页无可提取文本。[M5, slides 1-9]
• M6：议题“千仔朋友圈：新朋友见面会”，《签约（动效）》材料，共 10 页；TXT 全部页面均无可提取文本，现有证据不足以识别签约方、合作内容、金额或状态，因此未据此生成事实性结论。[M6, slides 1-10]

【千问大模型：迈向智能体时代的最新进展】材料摘要

一、欢迎致辞

• 讲者：刘大一恒（阿里巴巴 ATH 事业群 · Token Foundry，Qwen LLM 项目负责人），材料标题为「Qwen 技术展望致辞 / Advancing Qwen Toward the Agentic Era」。
• 核心内容：面向 Agentic 时代提出 Qwen 的「北极星目标」——一是追求更高智能与自我进化（对应 Qwen Max），二是追求极致性价比、实现 AI 普惠（对应 Qwen Flash · Qwen-27B）。
• Roadmap（四个方向，材料原文）：深入真实生产 / 加速 RSI 进化；革新模型结构 / 突破效率边界；迈向全模态 / 拓宽 Agent 边界；持续 Scaling / 突破智能上限。
• 本致辞为分论坛开场页，仅给出目标与路线方向，具体产品数据在后续主题演讲中展开；材料未说明上线时间等节点。

二、重磅发布

现有主文件未包含可确认的相关内容。

说明：本论坛无独立的「重磅发布」环节主文件；各演讲中出现的明确产品/模型/能力发布（如 Qwen-MM-Plugins 开源、Qwen-Live Harness 开源、Qwen3.8-Omni-Flash API 上线、Qwen4 系列 Coming Soon、Qwen 共创计划发布等）已如实收录于「三、主题演讲」对应议题下。

三、主题演讲

议题一：Qwen——迈向真实世界智能体

• 讲者：黄斐（Qwen 算法科学家）。
• 核心观点：大模型经历 Chatbot 时代、Reasoning 时代，进入 Agent 时代；全球 Token 需求指数级爆发增长；Qwen 加速进入真实生产、推动行业智能跃迁，覆盖全栈开发、自动化运维、科学研究、法律文书、投研分析、工程设计等。
• 数据：相比 Qwen 3.7，收入增长 8.5 倍、Token 调用数提升 12 倍。
• 自主编程：Qwen3.8-Max 驱动复杂软件工程开发；案例 oh-my-cli——16 天完全自主交付编程智能体，127 PRs、265 Commits。
• 专业任务：在数百种高价值真实任务中媲美行业专家，含公关营销品牌设计、3D 建模打印、量化交易策略构建、UI/UX 原型设计等。
• 芯片设计：「芯模协同进化」，落地生产级芯片设计——10,000+ 次工业级 EDA 工具调用、60+ 小时自进化覆盖前端/验证/后端全链路、芯片面积缩减 42% 且保持 300MHz 性能。
• 推理性能优化：长文本场景首字延迟 −47%、每字延迟 −60%，日常对话端到端吞吐 +96%，与标准实现逐位一致（0 偏差）；TTFT 35.7→18.9 秒、TPOT 66.0→26.1 毫秒；由 Agent 自主完成新架构适配（执行 Agent：Qwen3.8-Max-0902/Qoder CLI，适配模型 Qwen3.8-Flash-Next，适配硬件真武 ZW-M890P 4 卡并行）。
• RSI 与新架构：自我进化 30 天使 Qwen3.8-Max 性能突破；Qwen3.8-Flash-Next 采用 6B/Token 激活、125B 主模型参数、51B 额外 N-gram，Attention 为 GDN+QSA 3:1 混合、Muon 优化；对比 Qwen3.7-Plus，激活参数 17B→6B、训练成本约 1/9、1M Prefilling 吞吐 8.6 倍。
• Scaling 与发布：预训练路线 Qwen2.5 72B → Qwen3 235B-A23B → Qwen3.5 397B-A17B → Qwen3.8 2.4T-A94B → Qwen4 Coming Soon → Qwen4.5/5 5-10T；Qwen4 系列（Qwen4-Max、Qwen4-Flash & Qwen4-Plus、Qwen4-27B）Coming Soon。
• 开源与生态：全球累计下载 30 亿+、官方开源模型 460+、衍生模型近 30 万；发布「Qwen 共创计划」，面向全行业招募模型评测专家。

议题二：Beyond Seeing——迈向原生多模态智能体

• 讲者：白帅（Qwen 算法科学家）。
• 核心观点：多模态从「看懂世界」走向「完成任务」——理解输入、选择行动，在环境反馈中修正，交付可继续使用的成果；原生多模态智能体让观察持续参与每一步决策。
• 榜单：Qwen3.8-Max 在 Vision Arena 第 2（1305 分）；网页创作 Image-to-WebDev 第 2（1631 分）、WebDev 第 1（Qwen3.8-Max-0902，1691 分，两榜分数不可直接比较）。
• 案例（材料标注为 DEMO）：200 页 PDF 生成图文报告；《新生》剧集人物关系与剧情推理；100 小时视频记忆与事件检索（Tim 吃东西片段）；生物试题照片生成教学动画；界面截图生成可运行网站；户型图生成可编辑 Blender 3D 场景；跨 FreeCAD/Blender/Godot 的游戏开发与调试；相关片段剪辑成集锦。
• 训练与评测框架：训练覆盖完整任务过程（任务构造→环境执行→结果反馈→学习恢复）；完成标准含任务完成、质量正确、稳定恢复、执行效率，视觉检查与运行验证共同参与。
• 产品发布：Qwen-MM-Plugins，以 Skill + MCP Server 接入现有工作流，模块含 core、video-memory、video-edit、blender/freecad、edu-agent 等，支持一行命令安装，可接入 QwenWork/QwenPaw、Claude Code/Codex/OpenClaw、QwenPaw Creator；MHS 愿景连接物理设备（机器狗、智能眼镜）；开源地址 github.com/QwenLM/Qwen-MM-Plugins。

议题三：迈向下一代 Agentic 全模态大模型（Omni）

• 讲者：徐进（Qwen 算法科学家）。
• 核心观点：Omni 从上一代「理解全模态、生成响应」（核心交付为自然语言响应与生成内容）升级为新一代「全模态 Context 感知、完成任务」（核心交付为可验证的任务结果），能力从生成一次响应扩展到围绕目标持续行动。
• 模型与架构：Qwen3.8-Omni-Flash；GDN+QSA 混合注意力、Gated Residual 门控多分支残差、N-gram Embedding、Spatial AuT 空间音频升级、百万级（1M）全模态上下文与全模态 Thinking。
• 性能与成本：在累计 29 项评测上相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过 25%（材料页展示其中 12 项）；示例分数（Qwen3.8-Omni-Flash）WildClaw Bench-MM 71.0、UniClawBench 69.6、OmniVideoBench 63.4、OmniCap-IF 28.2、JointAVBench 75.9；API 每小时音频输入价格降幅 >98%、音视频输入价格降幅 >93%（相比 Qwen3.5-Omni-Plus）。
• 工作流与插件：长视频剪辑（Long AV Editing）、短剧翻译（Drama Translation）、Omni 自进化（Self-Evolution）、Music2MV；多模态插件含 Omni-Memory、Omni-Chatcut、Omni-Caption-Agent、Omni-Video2Note、Omni-Skill-Creator；Demo 覆盖主动音视频理解、可控音视频描述、录屏转 Skill、长视频剪辑解说、音乐驱动 MV 创作。
• 实时交互与终端：Qwen3.8-Omni-Flash-Realtime + Qwen-Live-Harness 适配下游交互；向智能座舱、旗舰手机（Qwen3.5-Omni-Mobile）、具身智能、AI NAS 等终端延伸。（实时交互页的视频首包延迟与 RTF 数值材料标为「—」，材料未说明。）
• 发布：Qwen-MM-Plugin 与 Qwen-Live Harness 开源，Qwen3.8-Omni-Flash API 上线；调用成本每小时音频输入 0.02 元、音视频输入 1.06 元、文本输入 0.8 元/百万 Token（音视频按 720p@1fps 统计）。

议题四：推倒巴别塔——Qwen 多语言能力弥合语言鸿沟

• 讲者：杨宝嵩（Qwen 算法科学家）。
• 核心观点：世界约 80% 人口非中英母语，解决不了语言鸿沟称不上 AGI，强调技术普惠；Qwen 支持语言从 Qwen1 的 2 种扩展到目前 201 种；多语言能力支撑 Qwen、Qwen-Omni、Qwen-VL、Qwen-Embedding、Qwen-MT、Qwen-LiveTranslate 等家族模型。
• 效果与差距：Qwen3.8-Max 多语言能力处于行业第一梯队；在 Last Translation Benchmark 中以 141 题通过数超过 Claude Opus 5，但人类以 910 题遥遥领先。
• 文化维度：提出「最远的鸿沟不是语言而是文化」，构建覆盖词汇/句法/语用的地道性评估体系（Qwen3.7-Max / Qwen3.8-Max / Claude Opus 5：词汇 82.77/85.45/86.07，句法 93.69/96.39/93.58，语用 76.56/83.11/78.90）；GMMLU 长尾知识与文化适配（文化知识、文化推理、价值观与禁忌，含斋月出差用餐案例）。
• 多语言 Agent：BabelArena 评测覆盖多轮服务、长程规划、工具调用等；Qwen3.8-Max 非英语语种示例得分中文 67.6、俄语 68.1、日语 63.5、阿拉伯语 60.6、泰语 60.0、印尼语 69.8；应用于生活服务本地化、金融/法律/医疗、跨境电商等。
• 多模态多语言：Qwen3.8-Omni-Flash 理解 74 种语言、39 种方言，语音合成支持 29 种语言、7 种方言；Qwen3.8-LiveTranslate 音视频同传可听懂 60 种语言、输出 29 种语言语音，采用 Interleave 流式架构，相比 GPT-Realtime-Translate 净胜 69%、相比 Gemini 3.5 Live Translate 净胜 65%，AI 同传延迟突破 2.5s。

议题五：拿到一个好模型只是开始——网易游戏的模型落地三部曲

• 讲者：林香鑫（网易游戏）。
• 核心观点：拿到好模型只是开始，「上线 ≠ 价值上线」；提出「测 → 用 → 养 → 反哺」闭环。背景数据：历年接入模型数 2023 年 21 个、2024 年 108 个、2025 年 228 个、2026 年预估 400 个，带来组合爆炸、口径不齐、结论保质期问题。
• 测：专属测评 + 四维评估（效果/Token 数量/成本/速度）且在 Agent 层面实测；测评自动化从 v1.0 人肉、v2.0 自动化系统到 v3.0 插件化平台，采用多裁判机制（前沿模型初评 + 人工终审）；测评对象从裸模型转向 Agent（Coding、AI Code Review、策划创作/分析），强调「裸模型能力 ≠ Agent 能力」。
• 用：调研 11 类 coding 场景，AI 代码可用率从周边工具开发约 100% 到复杂 Bug 修复约 30%~50%（材料标注为估算）；研发实测中主观最满意为代码生成质量，客观 1,538 会话分布——客户端玩法·逻辑 34.5%（530 会话）、算法·工具·研发管线 27.7%（426 会话）、引擎·图形·渲染 14.0%（215 会话）、UI·界面 10.3%（158 会话）、QA·自动化测试 5.4%（83 会话）；四类切片案例含大量工具调用数据（如某端游核心 UI 重构 2,071 次工具调用、98% 主力执行）。
• 养：以缓存命中率为黄金指标（缓存命中价约为输入价 1/10），修复前 50%→修复后 80%+→Agent 场景要求 ≥90%→主链路多级缓存 92%→长会话典型场景 97.9%；四个结构性发现（高价模型占比 80%+、工具定义占比中位 63.5%、输入:输出比 99:1、平均迭代 18+ 轮）并分钟级解决；Session Trace 可观测、4.8 万份自助报告；Auto-Model 智能路由解题率 64%（与纯旗舰持平，SWE-Bench）、效果档成本 −73%、经济档成本为纯旗舰 2%、解题率高出业界同类方案 +10pp。
• 结语：好模型是起点，持续运营才是生产力。

议题六：当大模型进入相机——影石与千问的 AI 影像探索

• 讲者：亓鲁（影石首席人工智能官 CAIO 兼研究院负责人）。
• 核心观点：用户需要的不是相机，而是好照片、珍贵视频与不想错过的瞬间；主张从 Camera（看见）走向 Cameraman（理解、判断、行动），AI 相机不等于给相机加一张嘴。
• 合作成果：影石 GO Ultra AI 语音助手 Kira——让相机听懂人话，支持双工打断、「先抓图后判断」；端云协同——端侧（APP）负责「快」（声纹识别/意图判断/设备衔接），云端（千问大模型）负责「深」（知识问答/模式切换/翻译等）；时刻 Pro——Agent 式全景零剪辑产品，结合影石自研全景 AI 大模型 PanoMind 与千问大模型，剪辑导出率超过 50%。
• 能力要点：全模态一体、实时流式交互（双工打断底座）、指令遵循稳定、多语言（面对面翻译）、工具调用。
• 展望：从单点功能走向完整影像 Agent 与开放生态，提及「影石 X 阿里云 Bold Maker 黑客松」，强调 AI Native 是重新思考人与设备的关系。

四、圆桌讨论

• 圆桌主题：芯模共生：从 EDA 到 RSI 自进化（Model–Chip Symbiosis: From EDA to RSI）。
• 参与嘉宾（材料所列）：郭旭东（千问，算法科学家）、余备（概伦电子 & 香港中文大学，首席科学家 & 正教授）、范俊（华大九天，AI 研究院首席科学家）、吴秋阳（合见工软，研发副总裁）、胡建伟（派兹互连，副总裁 & 产品总监）、张天放（平头哥半导体，前端数字平台高级总监）。
• 讨论过程、嘉宾观点、共识与分歧：材料仅提供主题与嘉宾名单，未包含具体讨论内容，材料未说明。

五、全场总结

• 主线一致：各演讲共同指向「迈向智能体（Agentic）时代」，强调模型能力从生成一次响应，扩展到围绕目标持续观察、行动并在反馈中修正，最终交付可验证、可继续使用的任务成果。
• 技术共性：多份材料提及新一代架构要素（如 GDN+QSA 混合注意力、Gated Residual、N-gram Embedding、Spatial AuT）、百万级长上下文、RSI 自我进化，以及以 Skill + MCP/工具调用接入现有工作流的方式。
• 覆盖范围：议题横跨真实世界智能体、原生多模态、全模态 Omni、多语言与跨文化、行业落地（游戏）与终端硬件（相机），并以「芯模共生」圆桌延伸到芯片/EDA 方向。
• 产品与生态：多处出现开源与 API 上线动作（Qwen-MM-Plugins、Qwen-Live Harness 开源，Qwen3.8-Omni-Flash API 上线，Qwen4 系列预告，Qwen 共创计划），整体呈现「开源开放 + 普惠」的口径。
• 落地视角：网易游戏与影石的分享共同表明「拿到好模型只是开始」，落地价值取决于测评适配、真实任务使用、持续运营与端云/软硬协同。
• 边界说明：材料多为演讲 PPT 抽取文本，部分数据、上线时间节点、实时交互延迟数值及圆桌讨论内容未在材料中给出，相关结论以材料明确内容为准。

【可预期网络2.0：Token Performance Network】材料摘要

一、欢迎致辞

• 主办方致辞人 + 身份：现有主文件未包含可确认的相关内容（各 deck SLIDE 1 均为演讲者信息，未见独立的欢迎致辞页）
• 论坛定位与主题：论坛主题为“可预期网络2.0：Token Performance Network”；主旨材料提出“可预期网络的演进，从预训练规模性能稳定性，到推理 token efficiency”（1202, SLIDE 1），并明确“Token时代，可预期网络2.0：SLO约束下的极致性价比”（1202, SLIDE 26）。
• 重点方向或期待：让每一个 Token“可度量·可控制·可承诺”（1202, SLIDE 27）；围绕 Token 生产效率与性价比设计新型数据中心网络（1202, SLIDE 7）。

二、重磅发布

• HPN（面向 GW 级训练集群的网络架构） — 发布人：蔡德忠 / 席永青（1202, SLIDE 1）
• 发布了什么：HPN 面向 GW 级训练集群的网络架构（1202, SLIDE 3）。
• 核心亮点：页面标注“New / New / Coming Soon”（1202, SLIDE 3）；架构演进含 HPN8.0 Pro、102.4T based、High radix、4 or 8 平面设计（1202, SLIDE 11）。
• 公测还是已上线：材料未说明（页面仅标 Coming Soon）。
• 关键数据或时间节点：演进时间轴标注 2023–2026（1202, SLIDE 11）。
• TPN（Token Performance Network） — 发布人：蔡德忠 / 席永青（1202, SLIDE 1）
• 发布了什么：为 Token 性能和性价比而设计的大模型推理网络架构（1202, SLIDE 12）。
• 核心亮点：Scale-out/Front-end 融合、高性能 KV Cache Pool（Stellar RDMA）、Token Fabric 融合网络（1202, SLIDE 17）；相比传统前端网络“规模×10，带宽×2.5，延时降低1/3”（1202, SLIDE 19）。
• 公测还是已上线：材料未说明。
• 关键数据或时间节点：架构演进定位于 2026（1202, SLIDE 11）。
• UPN 研发进展：3.2T NPO 光互联 — 发布人：蔡德忠 / 席永青（1202, SLIDE 1）
• 发布了什么：3.2T NPO 光互联、6.4T UPO 光互联、新型 IPO 封装（1202, SLIDE 24）。
• 核心亮点：业界第一个成功点亮的 3.2T NPO，已完成单体测试、具备量产；6.4T UPO 研发中并已联合业界制定标准（1202, SLIDE 24）。
• 公测还是已上线：材料未说明（表述为“具备量产/研发中”）。
• 关键数据或时间节点：材料未说明。
• Tomahawk 6-Davisson（业界首个 100T CPO 以太网交换机） — 发布人：Asad Khamisy（Broadcom）（1203, SLIDE 1）
• 发布了什么：Industry's First 100T CPO Ethernet Switch（1203, SLIDE 19）。
• 核心亮点：降低功耗、提升可靠性；notes 称“Last Oct we announced TH6-Davisson”（1203, SLIDE 19）。
• 公测还是已上线：材料未说明。
• 关键数据或时间节点：发布时间 notes 记为“Last Oct”（1203, SLIDE 19）。
• OCI（Optical Compute Interconnect）光学 scale-up 标准 — 发布人：Asad Khamisy（Broadcom）（1203, SLIDE 1）
• 发布了什么：Introducing Optical Compute Interconnect（OCI），面向多机柜/多排的光学 scale-up（1203, SLIDE 22）。
• 核心亮点：与 Meta、MSFT、OpenAI、AMD、Nvidia 共同定义（notes）；将 reach 从数米扩展到 2km（1203, SLIDE 22 notes）。
• 公测还是已上线：材料未说明。
• 关键数据或时间节点：Est. March 2026（1203, SLIDE 22）。
• Spectrum-XGS Ethernet（scale-across） — 发布人：Rochan Sankar（NVIDIA）（1204, SLIDE 1）
• 发布了什么：new Spectrum-XGS Ethernet，将 AI 工厂连成 Giga-Scale 基础设施（1204, SLIDE 18；notes 标 “new Spectrum-XGS Ethernet”）。
• 核心亮点：跨城市/州/大洲无限 scale-across；距离感知负载均衡与拥塞控制；多站点性能 1.9x（1204, SLIDE 18）。
• 公测还是已上线：材料未说明。
• 关键数据或时间节点：800Gb/s 网络、ConnectX-9 SuperNIC 800Gb/s/port、102.4Tb/s（1204, SLIDE 18）。
• Qwen3.8-Max-2.4T-A95B（available now） — 发布人：付斌章（1205, SLIDE 1）
• 发布了什么：“Qwen3.8-Max-2.4T-A95B is available now.”（1205, SLIDE 3）。
• 核心亮点：参数规模 2.4T-A95B；用于 M890P 实践的目标模型（1205, SLIDE 3、12）。
• 公测还是已上线：已上线（材料表述 “available now”）。
• 关键数据或时间节点：材料未说明具体日期。

三、主题演讲

1）阿里云智算网络全栈架构演进（1202）

• 姓名/职位/组织：蔡德忠（阿里云智能集团研发副总裁、网络研发负责人）、席永青（阿里云智能集团网络研发资深技术专家）（1202, SLIDE 1）。
• 核心观点：AI 进入 Agentic 时代推理成为主战场，性价比取代峰值性能成为第一设计目标（1202, SLIDE 4、5）。
• 关键论据/数据：约 70% 新建 AI 部署已选以太网（Broadcom, 2026）（1202, SLIDE 10）；增加 KV Pool 与网络带宽后 GPU 可减少 15%（1202, SLIDE 15）；融合网络相比传统前端网络规模×10、带宽×2.5、延时降低1/3（1202, SLIDE 19）。
• 一句话结论：HPN 把网络从 Best-effort 带到 Predictable，TPN 把 Predictable 从集群指标带到每一个用户请求的 SLO（1202, SLIDE 26）。

2）赋能超大规模AI：构筑高带宽网络的芯片技术创新（1203）

• 姓名/职位/组织：Asad Khamisy, PhD（SVP/GM, Core Switch Group, Broadcom）（1203, SLIDE 1）。
• 核心观点：以太网是端到端构建 AI 基础设施的唯一技术；交换机带宽/radix 增长价值高但集成挑战大（1203, SLIDE 9、10）。
• 关键论据/数据：Tomahawk6 102.4Tbps、3nm、95.5mm×85.5mm，Tomahawk5 51.2Tbps、5nm（1203, SLIDE 11）；AI 网络需 90%+ 利用率（1203, SLIDE 7 notes）；200G 各链路方案功耗/距离对比表（1203, SLIDE 23）。
• 一句话结论：The Network is the Computer for AI infrastructure，以太网是端到端构建的唯一方式（1203, SLIDE 28 notes）。

3）扩展AI工厂的五大网络基础设施（1204，NVIDIA）

• 姓名/职位/组织：Rochan Sankar（Vice-President, AI Networking Products；组织 NVIDIA，见标题）（1204, SLIDE 1）。
• 核心观点：AI 工厂需要五张专用网络而非一张通用 fabric（1204, SLIDE 3）。
• 关键论据/数据：Spectrum-X 抖动降低 1.3x、多租户带宽 2.2x、RDMA 带宽 1.6x（1204, SLIDE 6）；多平面拓扑将规模扩展 64X、可达 512k GPUs（1204, SLIDE 14）；NCCL 性能最高 14x（1204, SLIDE 8）。
• 一句话结论：五张专用网络覆盖 Scale-Up/Out/Across/In/Context Scale（1204, SLIDE 21）。

4）灵骏真武M890P超节点网络优化实践（1205）

• 姓名/职位/组织：付斌章（阿里云智能集团·高性能网络研发负责人）（1205, SLIDE 1）。
• 核心观点：推理时代通信是主要成本，EP 通信优化与长距 RDMA 是关键挑战（1205, SLIDE 3、4、5）。
• 关键论据/数据：典型 MoE 推理通信端到端占比达 50% 以上（1205, SLIDE 3）；M890P 显存 9,216GB HBM、Scale-up 51.2TB/s、64 GPU（1205, SLIDE 7）；LL dispatch 提升 14-16%、Normal dispatch 32-40%（1205, SLIDE 14、15）；E2E Prefill 提升约 2.3x、Decode 约 1.1x（1205, SLIDE 19）。
• 一句话结论：从 scale-up/out 混合走向纯 scale-up，配合 PCCL/DeepEP/EPLB/AcclMoE 优化提升 Token 生产效率（1205, SLIDE 12、17、18）。

5）高质量Token：从异构PD分离到算力网络（1206）

• 姓名/职位/组织：章明星（清华大学）（1206, SLIDE 1）。
• 核心观点：高质量 Token = 模型能力 + 交付质量，KV Cache handoff 解耦 Prefill 与 Decode（1206, SLIDE 36）。
• 关键论据/数据：异构 PD 已投入千卡级商业生产（沐曦 C500、摩尔线程 S5000 承担 Prefill，均“已上线”）（1206, SLIDE 23）；跨楼实验 Decode TPOT 从约 54–59ms 降至约 15–18ms、降约 70%（1206, SLIDE 27）；Prefill 峰值 30,313 Input TPS 达链路上限 90.6%（1206, SLIDE 28）；Mooncake 提升 Kimi 吞吐 75% 以上（1206, SLIDE 20）。
• 一句话结论：让合适的设备在合适的位置共同生产高质量 Token，从 Mooncake 底座到跨区域算力网络（1206, SLIDE 36）。

6）面向Agentic RL的弹性Rollout与模型服务编排实践（1207）

• 姓名/职位/组织：宁本哲（小红书 AI Infra 技术专家、Relax 核心贡献者）（1207, SLIDE 1）。
• 核心观点：Agentic RL 资源需求随阶段变化，需按请求/容量/角色管理资源（1207, SLIDE 2）。
• 关键论据/数据：Relax 服务解耦、数据与权重双通路（Ray/TransferQueue/DCS）（1207, SLIDE 3）；Qwen3.5-35B-A3B 全异步训练，Rollout 从 1 引擎扩到 8 引擎，DeepEyes Agentic 单步耗时 603.4s→162.9s、加速 3.70×，DAPO Math 2.99×（1207, SLIDE 7）。
• 一句话结论：以固定基线+动态增量的弹性 Rollout 与模型服务编排提升资源池化效率（1207, SLIDE 6、8）。

7）推理场景的稳定性体系演进（1208）

• 姓名/职位/组织：焦海荣（阿里云智能集团-高级技术专家）、钱坤（阿里云智能集团-高级技术专家）（1208, SLIDE 1）。
• 核心观点：从训练到推理，围绕 KVCache 的点到点通信重要性凸显，需高效轻量级监控与 AI 诊断（1208, SLIDE 3）。
• 关键论据/数据：自研 ACCL-Barex 已在阿里内部 KVCache 场景大规模上线（1208, SLIDE 5）；一周生产流量 TTFT 违约 5.34%、TPOT 违约 1.18%（1208, SLIDE 9）；案例 decode step 75ms→160ms，修复后 P99 110ms→43ms（1208, SLIDE 16）；生产覆盖 1,700+ 实例、发现 19 类根因（1208, SLIDE 17）。
• 一句话结论：以“同步屏障/关键路径/异常驱动/跨层关联”常驻追踪 + Agent 化诊断构建推理稳定性体系（1208, SLIDE 11、19）。

四、圆桌讨论

• 主持人 + 参与嘉宾：现有材料不足以判断（2542 未列出主持人或嘉宾名单）。
• 讨论议题（2542, SLIDE 2–6）：
1. 未来两年 scale-up 域的理想规模，是否需要超过 10k 节点（SLIDE 2）；
2. 构建 N×100K 级大规模 scale-out 集群的剩余挑战（SLIDE 3）；
3. scale-across 的 shallow buffer 与 deep buffer 两种方案观点（SLIDE 4）；
4. 如何构建开放网络生态，尤其是开放 scale-up（SLIDE 5）；
5. 小红书开源 Relax RL 框架后，Relax 如何改进全模态模型训练与推理的资源池化（SLIDE 6）。
• 逐议题共识/分歧/各自观点：现有材料不足以判断（deck 2542 仅含议题，无逐人发言证据）。
• 圆桌核心结论：现有材料不足以判断。

五、全场总结

1. 贯穿全场的主线：从训练时代“可预期1.0”走向推理/Agentic 时代“可预期2.0”，以 Token SLO 约束下的极致性价比为核心，围绕 KVCache 中心化、PD 分离、Scale-Up/Out/Across 融合重构网络（1202, SLIDE 26；1206, SLIDE 36；1208, SLIDE 3）。
2. 最有信息量的3个片段：
• 融合网络相比传统前端网络“规模×10、带宽×2.5、延时降低1/3”（1202, SLIDE 19）；
• 跨楼异构 PD 使 Decode TPOT 降约 70%、Prefill 峰值达链路上限 90.6%（1206, SLIDE 27、28）；
• Rollout 扩容使 DeepEyes Agentic 单步耗时 603.4s→162.9s、加速 3.70×（1207, SLIDE 7）。
3. 跨形式呼应：主旨定位“推理 token efficiency / 可预期网络2.0”（1202, SLIDE 1、26）→ 由芯片（1203 Tomahawk6/CPO）、系统（1204 五张网络、1205 M890P、1206 异构 PD、1207 Relax、1208 稳定性）多角度验证 → 发布落地体现在 TPN/UPN（1202）、TH6-Davisson 与 OCI（1203）、Spectrum-XGS（1204）、Qwen3.8-Max available now（1205）等。
4. 3条可落地行动建议：
• 网络/基础设施团队：按“网络→Prefill→Decode”的扩容顺序，用联合 SLO 判断有效产能，优先提升 P→D 聚合带宽（1206, SLIDE 29）。
• 推理平台团队：将 KVCache 语义级监控与常驻追踪（ACCL-Barex + 四个关键设计）纳入生产，量化网络对 TTFT/TPOT 的影响（1208, SLIDE 5、11）。
• 模型/训练团队：对 Agentic RL 采用弹性 Rollout（固定基线+动态增量）与 GenRM/多 Teacher 资源复用编排，缓解阶段性瓶颈（1207, SLIDE 6、8）。

【埃森哲专场：成为AI原生企业——从智能体到全面重塑】材料摘要

三、主题演讲

曹琦峰（埃森哲大中华区AI与数据事业部总裁） · 引领价值跃迁：AI原生企业的转型路径

• 核心观点：AI原生企业需形成“自主智能、价值密度、多极经营”三项未来能力，不能停留在部署工具或局部提效，而应重构决策、运营、产品服务、组织与全球协同方式。
• 关键论据·案例·数据：埃森哲商业研究院基于S&P Global Capital IQ分析称，过去十年全球企业价值迁移达27万亿美元，其中三分之一集中在生成式AI兴起后的2022—2024年，迁移速度翻倍；头部企业中20%为新进入者，25%的原领先企业退出前列。2026年3月对160名高管的埃森哲数字化转型指数调研显示，中国企业指数较2023年提升10分，但仅10%形成材料定义的未来能力优势。Scalekit及埃森哲调研显示，63%的企业已为员工配备AI助手、44%开始重设岗位要求，仅18%在系统性重构流程，规模化仍受Token成本、架构稳定和信任治理制约。另一组调研显示，对AI带来新业务增长的期待从2025年的46%升至2026年的88%，但实现显著价值的企业仅由9%升至14%；“显著价值”指生产效率提升10%以上，或收入、利润提升5%以上。海外业务调研中仅12%具备全球品牌影响力、5%瞄准全球领头羊位置；全球消费者调研显示71%预计未来一年生成式AI将影响至少一半消费决策，37%的品牌粉丝愿在智能体找到更优选择时更换品牌。上述结果均为材料所列埃森哲调研或分析口径，不能外推至全部企业。
• 一句话结论：企业应把AI建设为连接知识、流程与生态的组织级能力，以可信治理提升价值密度，并通过本地经营与全球协同实现价值跃迁。

五、全场总结

现有材料仅包含一场主题演讲。其核心判断是，AI规模化已成为共识，但工具覆盖率与业务价值实现仍有明显落差；领先企业需要同时建设企业认知层、现代化技术底座、AI能力组织和可信运营体系，并把AI用于经营复杂性、连接智能体网络、从产品收入转向结果收入。材料中的企业比例、价值迁移和消费者数据来自埃森哲研究院分析及注明样本量的调研，部分市场判断和企业案例为框架性说明，现有材料不足以验证其长期效果或行业普适性。

【技术主论坛·Agentic Cloud】材料摘要

二、重磅发布

• ApsaraLakebase｜重磅发布。 杨辛军（阿里云智能集团研发副总裁、数据库产品事业部负责人）的材料以“重磅发布”引出 ApsaraLakebase：以一份数据统一结构化、半结构化和非结构化多模态数据，提供 SQL／NoSQL／Table API、自然语言语义抽象、多模态检索、统一湖缓存及 OSS、PolarStore 等存储能力；目标能力包括百万级 Agent 工作空间、几十万级峰值沙箱并发、亚秒级零拷贝数据分支，以及非活跃数据存储成本降低 70% 以上。（M2，第1、8、10—11页；M7，第1、7、9页）
• Agent Context｜全新发布。 同一演讲将数据库从“可调用”提升到“可托付”，以 Context Growth Loop 完成记录、组织、召回与组合、执行沉淀、评估演进，并让记忆晋升为知识、知识演进为技能；小红书案例中，Real-time Context Engine 统一多模态上下文存储、检索召回、版本、质量和权限治理，服务 3,000+ 用户，共享知识一次更新即可同步生效，重复问题处理耗时降低 30%。（M2，第15—20页；M7，第12—18页）
• AIDBS｜重大升级。 AIDBS 被定位为数据原生的企业级 Data Agent Platform，以 Super Data Agent 为统一调度入口，通过 Agent DataGateway 统一身份注册与认证，并组合 Meta、Analytics、Forecast、DAS & Security、Databridge & Engineering 等专业 Agent；平台覆盖数据发现、管道、机器学习、Agent 与运维全生命周期，并纳入 RBAC、沙箱、审批和可观测能力。（M2，第29—31页；M7，第28—30页）
• TPN 1.0｜正式发布。 蔡德忠（阿里云智能集团研发副总裁、基础网络负责人）发布新一代智算网络 TPN（Token Performance Network），把可预期网络从集群指标推进到每个用户请求的 SLO，围绕 KV Cache 做存、传、算协同，以 TTFT／TPOT、多租户 QoS、故障域隔离和秒级自愈服务 Token 生产效率与性价比。（M4，第1—2、7、9—10页）
• 新一代 CPFS｜重磅升级。 蒋江伟（阿里云智能集团高级研发副总裁、存储产品线负责人）给出的目标是：单文件系统百 PiB 容量、较上一代提升 5 倍，支持万亿文件、提升 100 倍，元数据性能提升 10 倍至亿级 IOPS，吞吐达到百 TB/s，Checkpoint 写入效率提升 10 倍，长期存储成本降低 69%。（M6，第1、3页）
• KVCacheStore｜全新发布。 产品采用计算亲和部署和原生 KV 接口，适配 vLLM、SGLang、BladeLLM 等推理框架；材料称其单位容量成本仅为 DRAM 的几十分之一，可将缓存时间窗口提升 900%，以数十 TB/s 吞吐、亿级 IOPS、亚毫秒时延降低 TTFT 54%，相关结果来自月之暗面 KIMI 业务。（M6，第4页）
• AgenticFS｜全新发布。 面向百万 Agent 并发，AgenticFS 可动态创建百万 AgenticSpace、以 10 万 QPS 挂卸载，单系统承载 5 万亿文件和百 PiB 容量；每个空间配置独立 inode、容量配额、性能隔离和安全凭证，以降低跨 Agent 泄露、越权访问及误删风险。（M6，第5页）

三、主题演讲

• 杨辛军｜“为 Agent 重做一遍数据库”。 他以“数据重力”解释 Agent 的推理决策、工具调用、多步执行、个性化和企业级落地为何都依赖结构化事实与非结构化上下文。阿里云瑶池数据库 PostgreSQL 数据显示，2025 年 9 月至 2026 年 8 月新增实例数近 400 倍增长，80% 以上新增实例由 Agent 创建，50% 以上输入输出流量来自 Agent；据此，演讲沿“多模态数据底座从 AI-Ready 到 Agent-Native”“数据库从可调用到可托付”“企业数据应用从人构建到 Agent 自主构建”三层展开。（M2，第1—7、15、29页；M7，第1—6、12、28页）
• 数据内核侧，即时 Branching 为不同 Agent 建立独立时间线并采用 Copy on Write；按需启停方案给出 1.5 秒冷启动、3.6 秒分支全链路就绪、0—8 CPU 秒级弹升弹降和 10 万+任务级隔离实例，并在空闲时 Scale to Zero、保留冷数据待唤醒。（M2，第21—28页；M7，第19—27页）
• 软硬协同侧，材料列出单节点最高 16 TB 内存、内存成本降低 30%—50%、OLTP 性能最高提升 112%、TPC-H 100G 单 SQL 最大加速 758%，以及百 PB 级 QLC 存储池和单位存储成本降低 60%。（M2，第12页；M7，第10页）
• 企业落地侧，奇瑞汽车 NEXTAI 研究院基于 AIDBS、AutoMind、OneMeta 与开放 API／Skill／MCP 构建 Agent Native 数据底座；材料称 300+员工常态使用，数据需求响应达到分钟级，核心业务语义覆盖率 100%。（M2，第32—36页；M7，第31页）
• 伦致远｜小鹏汽车 Agentic 应用的数据底座实践。 伦致远的身份为小鹏汽车 AIC AI 前瞻创新负责人；材料显示小鹏已有 1,000+在线 Agent、累计完成 14 万+工作流、每月独立承接 50 万+服务会话、AI 代码覆盖率 70%+，缺陷自动修复由 2 天缩短到 10 分钟，并沉淀 700+ Skills、连接 400+ API 端点。（M3，第1、3页）
• 面对短生命周期数据库、千万级非结构化文档、海量 Agent 文件与中间态、跨会话记忆四类问题，小鹏以 PolarDB AgenticDB、ApsaraLakebase 组合 Memory、Knowledge Space、Ontology、Scale-to-Zero、Branch 和多租隔离，服务研发、销服及企业提效 Agent。（M3，第4页）
• 三个生产场景共享“记忆＋知识＋本体”认知底座：设计 Agent 一次出图六轮测评及格率 83.3%，品牌色一致性／禁止风格命中率 100%；数字员工 Agent 的 Recall@1／Recall@5 为 88.1%／98.3%，4 并发响应 0.7 秒，并强调不编造、可溯源和不混入过期政策。（M3，第5页）
• 面向 Physical AI，Data Agent 将 Agent 规划、Flink 流批入湖、Ray+Daft 多模加工、DLF Iceberg／Lance／LeRobot Dataset 版本化、StarRocks／Milvus 检索和自研训推平台串为一条数据生产管线，再把长尾样本、失败样本和评测结果回流下一版数据集。（M3，第6—7页）
• 蔡德忠｜可预期网络 2.0。 演讲判断推理已成为 Agentic 时代主战场：2026 年推理 Token 量为训练的 100 倍，目标是每 Token 成本下降 10 倍；网络评价由训练期 JCT／MFU 转向满足 SLO 的 Goodput、TTFT、TPOT 和每百万 Token 成本，设计哲学也由峰值性能转向性价比。（M4，第1、4—5页）
• HPN 面向 GW 级训练集群，材料列出 200T 交换芯片、1024 Radix、单集群 52 万个 800G 接入、自研 1.6T 网卡；TPN 则面向推理的突发异步流量、KV Cache 共享与异构算力编排，方案目标为规模增加 10 倍、带宽增加 2.5 倍、时延降低三分之一。（M4，第3、6—7页）
• 端到端软硬协同覆盖路由器、交换机、光互连和网卡，包括 102T 交换机、800G／1.6T 端口、3.2T／6.4T 光引擎以及 800 Gbps DPU 等。（M4，第8页）
• 文芳志｜Agentic Cloud 算力底座。 文芳志为阿里云智能集团服务器硬件研发负责人；他把 Agentic 基础设施需求概括为更大的低时延 Scale-Up 域、更强 Scale-Out、KV Cache 从内存到本地闪存再到池化共享存储的分层，以及硬件级多租隔离和端到端 QoS。（M5，第1—2页）
• 磐久超节点服务器路线显示：2026 年 AL128 为 128 卡、单柜 350 kW、150 ns 延时和 Pb 级 Scale-Up 带宽；2027 年路线包括支持 800V HVDC 的 AL128 和可 Scale-Up 至 1,024 的 64 卡 AL64；2028 年 AL144 为 144 卡、单柜 650 kW、可扩展至 10,368，Scale-Up 带宽翻倍。材料未说明这些节点的发布阶段。（M5，第3页）
• EBOF 缓存服务器把 DDR5、AliSCM、CXL 2.0 内存池、AliFlash PCIe 6.0 TLC／QLC SSD 串成 KV Cache 双向流动通路，池化层目标为 TB 级吞吐、低于 10 微秒时延、PB 级容量扩展和整机可用性提升 10 倍；发布阶段材料未说明。（M5，第4页）
• CIPU 面向 Agent Sandbox 提供并池生产、统一调度与计算多租隔离，材料称虚拟机、云盘、网卡密度均提升 100%，轻量虚拟机启动时延降低 50%；面向推理和训练分别提供 800 Gbps DPU，以及 800 Gbps DPU／1.6 Tbps AI NIC。发布阶段材料未说明。（M5，第5页）
• 蒋江伟｜Agentic Storage。 他将挑战分成百万卡训练、十万亿参数模型推理和百万 Agent 并发，主张以飞天盘古统一承载训练、推理与 Agent 负载，使训练更快、推理更省、Agent 运行更稳。（M6，第1—2页）
• 除三项发布外，存储产品组合还包括 OSS Agent、OSS Tables、数据保护 Agent、CDE Agent、Agentic DiskPool、Agentic Bucket、ESSD 只读共享和 EED DiskPool；这些条目的具体发布阶段材料未说明。（M6，第6页）

四、圆桌讨论

材料给出的圆桌主题为 “Scaling Trustworthy Agents: Infrastructure, Standards and Beyond”，依次抛出三个问题：Agent 从 Demo 走向 Production 后一线发生了什么、Agent 真正规模化后基础设施如何变化、企业如何避免今天建设的 Agent 被明天的技术变化推倒重来。（M8，第1—5页）

材料中的投资框架是：保持底座可替换，避免锁死单一模型或 Runtime；沉淀业务事实、Schema、语义、关系、行业知识和流程规则；持续跟进模型能力，并以“下一次模型升级后，这项投入是被替代还是被放大”作为判断标准，用“通用智能×业务深度”扩大企业的“智能面积”。（M8，第6页）

现有材料只有议题页、框架页及《AI Agent Handbook》下载页，没有嘉宾姓名、身份或逐人发言记录；现有材料不足以判断上述框架由谁提出，也不足以判断嘉宾之间形成了何种共识或分歧。（M8，第1—8页）

五、全场总结

贯穿主线。 论坛把 Agentic Cloud 定义为一次围绕“单位 Token 经济性、上下文连续性和生产级可信执行”的全栈重构：上层以 Data+Agent、记忆／知识／本体和 Data Agent 工作流进入企业生产，下层则围绕 KV Cache、分支、沙箱、网络 SLO、算力互连及多层存储重新组织数据库、网络、服务器和存储；最终目标不是让 Agent 仅能调用资源，而是让其能在隔离、可审计、可恢复、可持续学习的环境中被企业托付。（M2，第2、15、18、21—31页；M3，第4—7页；M4，第4—7页；M5，第2、4—5页；M6，第2、4—6页）

三个最有信息量的片段。

1. 主题演讲｜杨辛军：从增长事实推到数据库三层重构。 “80%+新增实例由 Agent 创建、50%+输入输出流量来自 Agent、近一年新增实例近 400 倍增长”提供需求证据，随后用 ApsaraLakebase、Agent Context、AIDBS 分别回答多模数据如何承载、上下文如何演进、企业数据应用如何由 Agent 自主构建。（M2，第4、6—10、15—18、29—31页；M7，第3、5—9、12—17、28—30页）
2. 客户实践｜伦致远：用生产指标验证统一认知底座。 小鹏把 1,000+在线 Agent、14 万+已完成工作流和 50 万+/月服务会话，与设计 Agent 的 83.3%及格率、数字员工 88.1%／98.3%召回率和完整 Physical AI 数据管线放在同一套生产实践中，体现“记忆、知识、本体、业务数据和反馈回流”不是概念拼装，而是规模运行链路。（M3，第3、5、7页）
3. 基础设施组曲｜蔡德忠、文芳志、蒋江伟：围绕 KV Cache 对齐网络、服务器与存储。 网络把 KV 传输映射到 TTFT／TPOT 和每 Token 成本，服务器让 KV 在 HBM、DRAM、CXL、SSD 与 EBOF 间按热度双向流动，存储再以 KVCacheStore 提供原生接口、亚毫秒访问和共享池化，形成跨演讲最完整的软硬协同闭环。（M4，第5—7页；M5，第2、4页；M6，第4页）

跨形式呼应。

• 杨辛军提出 Agent 需要长期记忆、企业核心数据和可独立试错的数据环境；伦致远的小鹏实践以统一记忆／知识／本体、跨会话复用、Branch 与 Scale-to-Zero 给出客户侧对应，圆桌框架又把“沉淀业务上下文”列为抵御技术变化的长期资产。（M2，第2、18、21—28页；M3，第4—5页；M8，第6页）
• 蔡德忠将网络目标改写为 Token SLO 与成本，文芳志把 KV Cache 变成分层服务器数据通路，蒋江伟则把它服务化为 KVCacheStore；三种主题演讲共同说明推理经济性必须通过存、传、算联合优化，而非单点堆叠峰值性能。（M4，第4—7页；M5，第2、4页；M6，第4页）
• 圆桌提出“底座可替换、业务上下文沉淀”的投资原则，与 AIDBS 的统一身份、统一入口、统一治理，以及小鹏 DLF Omni Catalog 对目录、元数据、血缘、质量、权限和数据集版本的统一治理相呼应。（M2，第31页；M3，第6—7页；M8，第6页）

建议。

1. 企业架构负责人和数据平台团队： 将模型与 Runtime 设计为可替换层，同时优先建设统一的业务事实、Schema、语义、关系、权限和版本化上下文；把记忆到知识再到技能的晋升流程纳入人工审核与质量治理，避免基础模型升级时重复建设业务资产。（M2，第18—20页；M3，第6—7页；M8，第6页）
2. 云基础设施与推理平台团队： 以 TTFT、TPOT、Goodput 和每百万 Token 成本共同制定 SLO，并按真实 KV 流量把网络 QoS、异构算力编排、HBM／DRAM／CXL／SSD 分层和共享 KV 存储一起容量规划，减少机头机尾过度配置。（M4，第5—7页；M5，第2、4页；M6，第4页）
3. Agent 应用负责人和业务运营团队： 生产上线前建立“独立 Branch／Sandbox—任务级资源隔离—最小权限临时凭证—审计与人工确认—失败样本回流”的闭环，并用启动／分支时延、召回率、错误与过期信息命中、数据需求响应时间等指标验收，而不是只验收 Demo 效果。（M2，第21—28页；M3，第5—7页；M6，第5页）

证据范围。 M1 为 2945 材料（10 页，均无可提取文字）；M2、M7 为杨辛军同一演讲的两个版本，已合并去重；M3 为伦致远材料；M4 为蔡德忠材料；M5 为文芳志材料；M6 为蒋江伟材料；M8 为圆桌材料。以上共 8 个非重复、非空 TXT；M1 无法支持姓名、身份、发布或观点判断。（M1，第1—10页；M2，第1—37页；M3，第1—8页；M4，第1—10页；M5，第1—5页；M6，第1—7页；M7，第1—32页；M8，第1—8页）

【技术主论坛·MaaS & Agent】材料摘要

材料与证据范围

• M1｜千问AI平台，让智能投入生产：文征，阿里巴巴集团战略副总裁、阿里巴巴ATH事业群MaaS业务线总裁；48页。（M1，slide 1）
• M2｜全新 Qoder：不止编程，无限创造：丁宇（叔同），阿里巴巴ATH副总裁、Qoder产品线总裁；16页。（M2，slide 1）
• M3｜千问办公：Context Is All You Need：陈宇森，千问办公CEO；19页。（M3，slide 1）
• M4｜Qwen Intelligence：让个人智能走进真实世界：许主洪（Steven Hoi），阿里巴巴ATH事业群 Token Foundry Qwen手机智能负责人；17页。（M4，slide 1）
• M5｜全球能力，本地增长：阿里云与战略伙伴的 AI 实践（提词稿）：张轲及SAP嘉宾的逐页讲稿；30页。（M5，slide 1、15）
• M6｜全球能力，本地增长：阿里云与战略伙伴的 AI 实践（上屏稿）：张轲，阿里巴巴ATH事业群MaaS业务线全球战略伙伴负责人；后半场嘉宾为李奇颖，SAP中国阿里巴巴战略合作总经理；13页。（M6，slide 1、7）
• M7｜AI 产品生态：携手伙伴，赋能AI落地千行百业：刘丽娟，阿里巴巴ATH事业群MaaS业务线产品生态发展部总经理；13页。（M7，slide 1）
• M8｜千问，让智能服务每一个人（AI硬件提词稿）：宋刚，千问AI硬件业务负责人；17页。（M8，slide 1）
• M9｜千问，让智能服务每一个人（AI硬件上屏稿）：13页均无可提取文字，现有文本材料不足以独立核验其中信息，不据此新增事实。（M9，slide 1-13）
• M10｜千问，让智能服务每一个人（Personal Agent）：13页；材料未写出演讲者姓名，不作推断。（M10，slide 1-13）

> 页码均为对应材料中的 slide 页码。M5与M6、M8至M10分别属于同一议题的不同材料，以下合并互证但不把未写明的信息互相补齐。

二、重磅发布

M1｜千问 AI 平台及其产品矩阵

1. Qwen 3.8 Max 更新——发布人为文征。材料将其标为“New / update”，称模型在30天内完成焕新升级；千问AI平台同时强调全尺寸、全模态模型服务和一流模型第一时间上线。材料没有说明公测或正式商用阶段。（M1，slide 16-17）
2. Agent Studio 企业级全栈服务平台全新发布——覆盖 Build、Runtime、Context、Tool、Eval、Security 与 Auto Model，提供 Vibe Coding CLI、ADK、Managed Agent、Flow Agent、Sandbox 等开发运行形态；材料称其支持7×24小时超长运行时、零部署运维成本、100+核心生态服务及四重安全防护。材料没有说明公测或正式商用阶段。（M1，slide 25-28）
3. Agent API——目标是把原本需要配置和调用的多个API收敛为“一次请求、一个API调用即结果”；Deployment 在材料中明确标注“Coming Soon”，因此属于规划能力，不能视为已经上线。（M1，slide 29）
4. Token服务新增形态——服务矩阵中标出“AI通用节省计划”和“独占吞吐DTU”为新项；Token Plan个人版、团队版以订阅方式覆盖多模型、多Agent及多座席管理。千问APP与Qoder在材料时点已支持共享抵扣，千问办公仅承诺“本周内支持”，后者属于近期计划。（M1，slide 20-22）
5. AI原生应用发布/升级——材料明确写出：Meoo 1.0 AI应用创作平台、伶鹊2.0企业级对话智能体平台、万小智3.0 AI建站与经营平台；万镜一刻标注“全球发布”；Qwen Intelligence与千问AI座舱解决方案标注“焕新发布”。各项公测或正式商用状态未说明。（M1，slide 37-41、45）

M2｜Qoder

1. Qoder全新升级——从代码优先转为任务优先，支持双模交互、跨任务和跨工程并行、多智能体团队协作，以及多模型和Qwen联合优化的Harness；材料将其定位为“面向所有人的Agentic Coding Platform”。具体公测或正式上线状态未说明。（M2，slide 2-5）
2. Qoder Security——材料展示从实时正则拦截、语义级增量审查、跨文件深度审查到全仓扫描的四级安全闭环，但没有单独写明本次发布阶段。（M2，slide 6）
3. Qoder移动端与硬件入口升级——移动端被称为“口袋里的AI指挥中心”，支持远程操控、语音交互、远程委派和审批验收；眼镜版连接千问AI眼镜、耳机、大疆麦克风、Rokid AI眼镜等硬件。材料未说明具体上线范围。（M2，slide 8-10）
4. QoderWake 1.0发布——把数字员工分为人与数字员工协作层、数字员工执行层，通过企业IM、API/Hooks、云电脑或自有设备进入真实业务流程。材料未说明公测或正式商用阶段。（M2，slide 13）

M3｜千问办公

1. 千问办公安全中心——材料备注明确为“发布千问办公安全中心”，定位为统一管理智能体全链路安全；没有给出上线范围或阶段。（M3，slide 10）
2. 全私有化版本——材料备注明确为“发布全私有化版本”，并与企业标准版、旗舰版共同构成商业化版本选择；没有说明是否已全面可购买。（M3，slide 11、15）

M4｜Qwen Intelligence

• 正式发布面向手机场景深度优化的模型与Agent解决方案——发布人为许主洪。方案分为模型、平台和场景方案三层：模型基于千问并针对手机优化；平台支持定制模型与Harness；方案覆盖Mobile Planner Agent、Mobile-Use Agent和Mobile Creative Agent。材料明确写“正式发布”，但没有进一步说明地域、客户范围或是否分批开放。（M4，slide 6-8）

M7｜AI产品生态

1. “云市场”升级为“阿里云AI应用市场”——材料用rebrand仪式呈现品牌升级，并给出一站式AI产品采购、订阅、交付与伙伴商业化能力；未说明迁移完成时间和覆盖范围。（M7，slide 5-7）
2. AI伙伴繁花计划2.0——这是伙伴计划升级，不是模型或平台产品发布。计划从“销售”扩展到技术指导、首客拓展、方案共创、营销、重点客户联动和国内外合作，面向Connector、数据、Agent、行业共创与Skill等伙伴类型。（M7，slide 9-10）

M8｜千问AI硬件

• 千问AI眼镜N1系列、千问AI耳夹式耳机开启线上预约——发布人为宋刚。材料明确宣布两款产品“今天同步开启线上预约”，而非已经正式发售；完整新品及详情计划在10月13日千问AI硬件系列新品发布会亮相。（M8，slide 16-17）

三、主题演讲

M1｜文征：从Token供给转向可交付的智能价值

• 核心观点：AI需求已经进入规模化增长阶段，但Token消耗本身不能等同于业务价值；平台需要同时提高单位能力、生产效率和单任务价值，把模型服务、Agent服务和AI原生应用连成生产闭环。（M1，slide 2-12、24）
• 需求与商业数据：材料称全国日均Token从2024年初1000亿增长到2026年3月超140万亿，并预计2026年底达到1000万亿；“2026年底”是预测，不是已实现指标。OpenRouter数据页显示周均Token调用量20倍、交易额5倍增长，用来说明消耗与价值创造可能同步上升。（M1，slide 4、6、9）
• 平台能力而非模型指标：千问AI平台的四项模型服务能力是一流模型生态、推理效率、安全稳定服务和灵活服务模式。其基础设施页给出1万Pod一分钟拉起、弹性启动1200秒降至70秒、扩缩容20秒降至0.4秒、TTFT 25ms降至5ms、峰值吞吐2倍、重复上下文计算最高降低98%、Prompt caching成本最高节省98%等平台工程指标；这些不能解释为单一模型能力。（M1，slide 15、18）
• 企业服务指标：材料写明全链路加密与审计、数据“可用不可见”、秒级监控、Token级成本归因、99.9%生产级服务SLA，以及单客十亿级峰值TPM。（M1，slide 19）
• Agent能力：Agent Studio覆盖开发、运行、上下文、工具、评测进化、安全和模型路由；Agent生态服务通过One API Key、意图识别、工具召回和统一鉴权接入金融、法律、企业服务等200+真实服务。（M1，slide 25-32）
• 产品/平台验证：伶鹊2.0材料展示覆盖20+行业、5000+企业客户、500万+通话分钟/天、10万+服务坐席；这些是应用平台商业验证，不是基础模型指标。（M1，slide 38）
• 客户案例：央视、泛海、网易、阿迪达斯、众安保险分别用于传媒、精密制造、游戏、零售、保险场景；荣耀YOYO获得多模态理解、长链路规划与端云协同能力，比亚迪“迪迪虾”获得模糊意图直达、多任务规划及阿里生态服务。材料仅陈述方案和效果方向，未给出量化业务结果。（M1，slide 44-45）
• AI原生企业案例：LibTV、九州、筷子科技用于内容生产；深势科技、水木分子用于科研和药物研发。材料没有给出收入、成本或效率数字。（M1，slide 46）
• 一句话结论：千问AI平台的目标不是只供应模型Token，而是以模型、Agent运行时、真实服务生态和行业应用共同交付生产力。（M1，slide 24-48）

M2｜丁宇：把AI Coding变成人人可委派的数字生产力

• 核心观点：Qoder观察到用户、任务和工作方式都在上移——超过30%的用户不是专业开发者，非编程任务占比超过50%，80%以上编程任务不再手写而是依赖智能体；因此产品从IDE式代码协作转向以任务为中心的委派、监督、评审和验收。（M2，slide 2-4）
• 多智能体协作：AgentTeam覆盖计划、设计、实现、测试和维护，材料备注称任务一次完成率由36%提升到65%。讨论历史、任务上下文和知识资产留在任务现场，减少人在不同工具间搬运上下文。（M2，slide 4-5）
• 安全能力与指标：Qoder Security形成“发现—验证—修复”闭环；材料展示累计180万次扫描、发现并修复5.8万个漏洞，其中高危紧急占21%，并列出识别准确率90%对55%、漏洞检出率83%对50%的对比。材料未说明对比基线名称，不能外推为行业排名。（M2，slide 6）
• 可扩展工作台：连接器、插件和精选技能扩展能力，任务历史沉淀为技能经验，界面可按语音需求变化；材料展示150+、70+、2万+三组规模数字，但提取文本未能可靠绑定到具体对象，因此不进一步解释。（M2，slide 7）
• 真实用户案例：西鲜记创始人用Qoder在3个月内建设5套系统，系统上线两个月后草料管理效率提升50倍，材料称一年节省上百万元；摄影师在5个月内交付3款商业产品；小红书博主一周复刻3D网站，上线3天访问量破百万。另有“年销售额破2亿”“每周50小时以上、510次提交、15万行代码”等材料数据，均属于各自案例，不能视为Qoder整体指标。（M2，slide 11）
• 云端平台能力：Qoder Cloud Agents由Harness、Sandbox、Tools、Credentials构成，材料称单企业Agents用户数达10万、服务超千家企业；这是平台服务规模，不是模型指标。（M2，slide 12）
• 生态案例：慧博科技的智能库存盘点使流水整理时间降低9成；中国日报以Cloud Agents支撑国际传播；客如云基于Agent SDK构建餐饮经营智能工作台。（M2，slide 15）
• 一句话结论：Qoder把Coding能力封装成可委派、可协作、可治理并能延伸到云端和硬件的通用任务平台。（M2，slide 3-15）

M3｜陈宇森：企业AI的关键是Context、执行与治理

• 核心观点：模型能力要成为企业生产力，必须进入业务系统、理解组织上下文并满足数据安全要求；千问办公位于芯片、云、模型之上的应用入口，把模型翻译为企业“用得起、管得住、算得清”的任务执行。（M3，slide 3-4）
• 业务Context：把文档、沟通和业务系统中的信息结构化并持续更新，在权限可控前提下向AI应用提供真实、准确、可调用的业务背景；数字员工则依靠Managed Agent和Context Layer完成理解、执行、协作与进化。（M3，slide 5-9）
• 平台依赖：千问办公依托千问AI平台获得多模型统一接入、专属配额与弹性、SLA监控、机密推理、可信执行环境、网络隔离、密钥审计、办公专属模型及端云协同。这些是平台供给和治理能力，不是已量化的客户效果。（M3，slide 18）
• 客户案例——广汽：AI用于安全生产巡检考核和座舱故障诊断，关联车机日志与知识库输出结论和报告；材料没有给出量化效果。（M3，slide 12）
• 客户案例——传化集团：对86周黄磷价格历史走势回测并预测未来四周，辅助原材料采购决策；材料未披露预测准确率。（M3，slide 13）
• 客户案例——杰克科技OTD：跨6大工厂整合329个合同、1400+工单；本地缓存读取约0.4秒，问题定位由小时级缩短至1分钟，计划部每日手工汇总工时归零，并把异常发现从客户催单转为当日预警。（M3，slide 14）
• 客户案例——杰克科技销量预测：覆盖6大类63个产品，内置9类候选模型，支持80%/95%置信区间；材料称全量预测由数天人工处理变为导入后秒级完成，并与Python基准交叉验证“0差异”。这是特定客户工具结果，不是千问模型通用指标。（M3，slide 14）
• 数据边界：slide 16仍含“XXX数据”“组织增速”等占位内容；虽然出现“组织数300万”，页面显然未完成，不能作为正式发布口径。（M3，slide 16）
• 一句话结论：企业AI落地的差异化不只来自模型，而来自业务Context、可执行数字员工、安全治理和与现有工作台的融合。（M3，slide 4-18）

M4｜许主洪：Agent Phone是个人智能进入真实世界的入口

• 核心观点：手机同时承载高比例用户时长和个人上下文，是个人智能进入现实世界的重要入口；手机智能仍处早期，将从GUI为主、简单任务代理，逐步走向意图驱动、主动服务和Agent原生操作系统。材料中的“3× DAU、5×人日均任务、3×复杂任务占比、10×付费率”是未来市场空间页的展示值，未注明样本、基期或实测来源，不作为已实现业绩。（M4，slide 2-3）
• 模型能力——Mobile Planner Agent：通过模型、Harness与真实环境反馈协同进化，处理意图理解、长程拆解、工具冲突和记忆。材料称真实业务场景成功率超过90%；效果/成本散点给出Qwen-MP-Agent 76.75分、成本2.41美元，并列出多模型对比。该页属于模型与端到端评测，不是客户案例。（M4，slide 9）
• 模型能力——Qwen-UI-Agent：材料称六项评测均排名第一，分别为MobileWorld 82.1、MobileWorld-Real 92.2、AndroidDaily 97.5、OSWorld-Verified 84.4、WebArena 73.6、ScreenSpot-Pro 81.5。端到端对比显示成功率87%升至90%、单步时延3.7秒降至3.1秒、平均步数22.6降至19.2、完成时间83.6秒降至59.5秒、任务费用降低50%、MobileWorld-Safety 57%升至80%。这些是材料给出的评测/对比指标，不能解释为所有场景的生产表现。（M4，slide 10）
• 平台与执行架构：Mobile-Use Agent采用“API优先、GUI兜底、模型自主决策”，动作空间包括MCP/API、DeepLink、DeepSearch、CLI和UI操作，并在高风险动作前由安全护栏复核。（M4，slide 10）
• 模型能力——Mobile Creative Agent：生图/编辑首图约3秒，材料称平均提速2倍；生成编辑使用统一权重的6B轻量模型，通过蒸馏和强化学习把100步压缩到8步，规划使用独立27B轻量模型。材料还称通用场景处于行业第一梯队、手机场景领先，但未给出完整榜单，不能进一步外推。（M4，slide 11）
• 落地案例边界：某手机落地案例展示综合任务准确率91.8%、GUI操作速度4.1秒、最大100+操作步数、端到端服务闭环率90%，但页面明确注明“案例数据为当前版本，最终口径待确认”，且未写客户名称；因此只能作为待确认的当前版本案例数据。（M4，slide 12）
• 面向厂商的平台能力：全栈方案组合规划、执行、记忆、影像、多模态交互和垂直Agent，并提供行业基模、Harness适配、端云协同、平台运维、差异化定制与安全防护。（M4，slide 13）
• 开放评测建设：MobilePA-Bench覆盖200+手机工具和1000+规划任务；MobileWorld有409个标注任务、104个App、7大场景域；MobileWorld-Real包含108个真实任务；MobileWorld-Safety覆盖7类互斥风险场景。这是评测体系规模，不是产品业务指标。（M4，slide 14）
• 一句话结论：Qwen Intelligence以手机专项模型、混合执行、记忆、影像和厂商平台能力，把“会回答”的模型推进到能在真实终端完成长程任务的Agent系统。（M4，slide 6-15）

M5-M6｜张轲、李奇颖：全球能力必须转化为本地可交付增长

• 张轲的核心观点：Agentic时代的伙伴命题已从本地部署、基础设施适配、合规和数据驻留，升级为“AI能否进入生产、形成可购买产品、持续增长”。合作路径分为AI产品化、Agent生产化、行业解决方案与联合GTM三阶段。（M5，slide 1-7；M6，slide 1-3）
• 平台能力：千问模型及千问AI平台提供模型服务、评测迭代、开发推理、确定性执行、规划编排、测试、可观测和监控；这些是阿里云提供的能力清单，不等同于客户结果。（M5，slide 6、9；M6，slide 3-4）
• Salesforce方案：Customer 360、销售云/服务云/平台云及行业能力，通过API、MCP、AI Actions和Skill向Agent开放；钉钉、企微、微信提供中国本地触点，阿里云AI栈提供模型、数据和Agent生产能力。材料描述的是产品演进架构，没有量化客户案例。（M5，slide 8-10；M6，slide 4）
• TiDB/Kimi案例：TiDB统一数据引擎与阿里云全栈AI、全球云形成Agentic Database方案；Kimi选择它以同时获得多租户隔离、统一技术栈和弹性。材料没有给出性能或成本数字。（M5，slide 11；M6，slide 5）
• Midjourney中国实验室案例：生成式创作能力与阿里云推理基础设施和企业生态结合，形成广告设计、消费品、电商营销方案；材料称本财年新增核心用户同比超过300%、核心客户年度留存率接近80%。这是该合作案例的市场结果，不是平台整体指标。（M5，slide 12；M6，slide 5）
• 李奇颖的核心观点：ERP正从记录、校验和执行转向感知业务变化、结合上下文推理、在权限边界内决策并跨系统闭环。SAP提供企业管理知识、流程语义、数据治理与Joule/AI Core，阿里云提供千问、AI平台、基础设施及本地合规交付。（M5，slide 15-26；M6，slide 7-10）
• 牧原肉食案例：Agent实时监控经营指标，发现毛利异常后调取SAP明细、分析根因并生成整改建议；响应由数小时缩短至5分钟，监控扩展至近10个经营分析模块。这是客户业务结果，不是模型评测。（M5，slide 27-28；M6，slide 11）
• 规划而非现状：时间轴将“Cloud ERP Private落地中国阿里云”标在2026 Q3，将“SAP AI Core落地中国”标在2026-2027；未来合作方向是合规、智能、可扩展的数字化核心。上述均属路线图，不能写成已经上线。（M6，slide 8、12；M5，slide 29-30）
• 一句话结论：全栈AI的价值要通过伙伴产品改造、生产级Agent能力、行业方案和标杆客户共同验证，最终以目标市场中的客户结果衡量。（M5，slide 5-14、26-30；M6，slide 3-12）

M7｜刘丽娟：AI应用市场把生态供给转化为客户采购与交付

• 核心观点：企业关注点从“要不要做AI”转向“如何用出效果”，决定效果的不只是模型，还包括产品、平台和生态；供给也从单一产品扩展为模型、Agent、Skill、数据、API、工具、芯片及行业方案。（M7，slide 2-4）
• 市场统计：材料引用工商登记、Stanford HAI、Crunchbase、Hugging Face等来源，列出美国获融资AI公司1953家、2025年国内AI公司注册55万家、全球AI融资2110亿美元、AI应用144万个；这些是外部市场统计，不是阿里云经营指标。（M7，slide 3）
• 平台经营与供给数据：AI应用市场覆盖70+类目，每年服务40万+活跃客户、270万+付费订阅；有2K+活跃伙伴、8K+动销商品，并支持SaaS、API、数据集、镜像和计算巢等交付。以上是市场平台规模，不是模型能力。（M7，slide 6）
• 客户案例：自然堂通过市场引入堆友AIGC和斑头雁智能客服；满帮引入AI听记用于录制、培训和拜访；另有“堆友+芝士AI路书”服务自驾规划。材料以客户引语说明降低选品验证成本、提升采购交付透明度，但没有量化提效结果。（M7，slide 8）
• 伙伴案例：Kimi经百炼API进入头部客户；生数科技Vidu提供视频和图片生成；帆软用于经营分析；斑头雁称通过市场完成获客、交易、交付闭环；玄武聚焦零售终端视觉识别。均为伙伴陈述，材料没有提供统一量化口径。（M7，slide 11）
• 一句话结论：AI应用市场承担“选、买、用”和伙伴商业化的交易交付层，繁花计划2.0再把合作延伸到共创与联合市场。（M7，slide 5-11）

M8｜宋刚：AI穿戴以主动智能、自然交互和持续在场进入现实世界

• 核心观点：AI穿戴是千问的下一个终端；在用户授权前提下，穿戴设备可获取连续场景，使Agent从被动响应走向主动服务。材料区分了已经做出的产品实践与“即将发布”的新系列。（M8，slide 1-4）
• AI驱动能力：两阶段路线先实现看、听、理解、响应和回答，再通过场景规划、主动服务和长期记忆形成连续性。新品能力包括ET、PPG、IMU、红外测温等传感器，以及与蚂蚁合作的虹膜核身；材料称虹膜误识率小于百万分之一。（M8，slide 6-7）
• 交互能力：3D空间视听、高精度眼动追踪和全双工语音共同把交互从操作界面转为表达意图；眼动识别精度被描述为1度以内，可定位键盘按键，语音支持边听边说和随时打断。（M8，slide 8-10）
• 持续在场能力：视觉侧采用低功耗感知芯片、高通AR1和恒玄2800协处理器构成Camera三芯架构；听觉侧支持一次唤醒、连续对话和多麦克风阵列；钛合金镜腿、棘轮转轴、前后1:1配重解决佩戴，多芯片双系统和换电设计面向全天续航。材料没有给出具体续航时长。（M8，slide 11-12）
• 场景展示：办公含翻译、提词、Qoder和会议听记；出行含近眼导航、行程提醒和虹膜支付；健康运动含体征记录、提醒和日报；生活含音乐、查询、展会、外卖和自动影像记录。这些是能力/体验展示，材料没有提供客户规模或使用效果。（M8，slide 14-15）
• 一句话结论：千问AI硬件以传感、身份、交互和续航形成持续上下文入口，但本次现场只开启两款新品预约，正式产品细节留待10月13日发布会。（M8，slide 16-17）

M10｜Personal Agent：以终身Context连接生活、工作、学习和健康

• 核心观点：材料把千问定位为面向3亿用户的AI入口，并称复杂任务增长5倍、62%的需求理解依赖5-8轮对话澄清；这些是产品需求侧数据，材料未给出统计周期和样本定义。（M10，slide 2-3）
• 产品架构：Personal Agent横跨千问APP、PC、AI眼镜和第三方硬件，以Harness、Context、开放平台和MaaS平台连接智能体、Skill与硬件，底层列出Qwen 3.8 Max/Flash/27B/Omni-Flash、Wan 3.0、HappyHorse 1.1、Qwen-Image 3.0、Qwen-Audio等模型家族。（M10，slide 4-6）
• Context能力：先构建终身、领域级和跨端Context；健康场景结合9类人群记忆、循证知识、穿戴数据和Skill/Tool，学习场景积累长期学情，工作场景组合通用Harness、个性化Skill和高频工具优化。（M10，slide 7-10）
• 工作场景指标：材料展示金融场景回复效果提升20%、Token消耗节省40%，但没有说明评测集、基线和产品版本，因此仅保留为该页展示结果。（M10，slide 10）
• 生态规划：通过智能体、Skill、硬件和授权数据与千行百业共建个人智能生态。该页表达合作方向，不是已完成的生态规模。（M10，slide 12-13）
• 一句话结论：Personal Agent的核心不是单次问答，而是经授权积累跨端、跨场景的个人Context，再调用专业Skill和服务持续完成任务。（M10，slide 4-13）

五、全场总结

1. 贯穿全场的主线

全场主线是把“模型可用”推进到“智能可投入生产并交付结果”：底层由千问模型、推理基础设施和灵活Token服务提供供给；中间由Agent Studio、Qoder、千问办公、Qwen Intelligence等Harness、Runtime、Context、Tool、Eval与Security能力把模型变成可执行系统；上层再通过伙伴生态、AI应用市场、企业流程、手机和穿戴终端进入真实业务与生活场景。（M1，slide 12、15-32、35-48；M2，slide 3-15；M3，slide 4-18；M4，slide 6-15；M7，slide 4-10；M8，slide 2-15；M10，slide 4-12）

材料反复强调三项生产化条件：上下文必须真实且可持续积累，执行必须可控且可观测，价值必须由客户结果而非Token或模型参数单独衡量。（M1，slide 7-8、24-32；M3，slide 5-10；M5，slide 3-10；M10，slide 7-12）

2. 最有信息量的3个片段

1. 重磅发布｜文征：Agent Studio——把开发、运行、Context、工具、评测进化、安全和模型路由纳入同一企业级平台，并进一步用Agent API与真实服务生态降低生产接入复杂度，是“从模型到Agent生产”的核心平台落点。（M1，slide 25-32）
2. 主题演讲｜许主洪：Mobile-Use Agent——“API优先、GUI兜底、自主决策”同时回应覆盖、成功率、速度、成本和安全问题，并给出六项模型评测与端到端成功率、时延、步数、费用和安全分数对比，是全场模型能力与系统效果区分最清晰的一组证据。（M4，slide 10）
3. 主题演讲｜张轲、李奇颖：伙伴与SAP客户验证——从AI产品化、Agent生产化、联合GTM一路落到牧原肉食“异常响应由数小时缩短至5分钟、覆盖近10个模块”，展示平台能力如何通过伙伴产品进入核心业务流程并形成可衡量结果。（M5，slide 6-14、24-30；M6，slide 3-12）

3. 跨形式呼应

现有材料没有独立欢迎致辞或圆桌逐人对话证据，因此不构造“致辞共识”或嘉宾分歧。可验证的链条是：

• 方向提出：文征提出以智能价值密度衡量AI，并用模型服务、Agent服务和AI原生应用形成全栈生产体系。（M1，slide 7-12、24、34-48）
• 演讲验证：Qoder验证任务委派和多智能体协作，千问办公验证企业Context与治理，Qwen Intelligence验证终端长程执行，SAP、牧原、杰克科技等验证真实流程和业务结果。（M2，slide 2-15；M3，slide 4-18；M4，slide 8-14；M5，slide 24-30）
• 发布落地：Agent Studio承接企业级Agent开发运行，QoderWake承接数字员工，千问办公安全中心和私有化版本承接企业治理，Qwen Intelligence承接手机厂商，AI应用市场承接采购交付，千问AI硬件则把持续Context入口扩展到穿戴设备。（M1，slide 25-32；M2，slide 13；M3，slide 10-15；M4，slide 6-13；M7，slide 5-10；M8，slide 16-17）

同时必须保持状态边界：已明确发布/预约包括Agent Studio、QoderWake 1.0、Qwen Intelligence手机方案、千问办公安全中心及私有化版本、AI应用市场品牌升级和两款AI硬件预约；明确属于规划的包括Agent API Deployment“Coming Soon”、千问办公对Token Plan“本周内支持”、10月13日新品正式亮相、SAP Cloud ERP Private 2026 Q3及SAP AI Core 2026-2027路线图。未写明阶段的产品不能自行认定为已全面商用。（M1，slide 21-22、25-29；M2，slide 13；M3，slide 10-11；M4，slide 6；M6，slide 8；M7，slide 5；M8，slide 16-17）

4. 3条可落地的行动建议

1. 企业AI负责人：先选一条有结果口径的核心流程，再建设Context与Agent闭环。 以牧原的异常监控或杰克科技的交付/预测为参照，明确数据源、权限、根因分析、建议输出和人工确认节点，并用响应时间、问题定位时间或人工工时验收，不以Token量替代业务结果。（M3，slide 7-14；M5，slide 27-28）
2. 平台与研发团队：把Agent生产门槛做成统一工程基线。 在试点前明确Runtime、Tool、Memory、Eval、Trace、Security、Audit和成本归因，敏感动作采用权限边界、安全护栏与人工接管；长程任务同时评估成功率、时延、步数、费用和安全，而不是只看单项模型榜单。（M1，slide 18-32；M2，slide 6、12-14；M4，slide 9-14）
3. 产品与生态团队：按“可调用—可交易—可交付—可复制”筛选伙伴能力。 优先选择已有API/MCP/Skill、明确授权数据、部署合规和客户案例的伙伴，通过AI应用市场和联合GTM完成采购、账单、交付及标杆验证；对“Coming Soon”、待确认案例数据和未来路线图单独管理，避免写入当前能力承诺。（M5，slide 3-14；M7，slide 4-11；M1，slide 29-32；M4，slide 12）

【数智法途｜AI时代法务与律师的实战跃迁】材料摘要

二、重磅发布

《律师行业AI应用白皮书》

• 发布人与合作方：千问办公 AI 法律行业负责人洪炜介绍，千问办公与律新社联合发布《律师行业AI应用白皮书》；材料表述为现场“正式带来”，并提供扫码领取入口。[M1，slide 18、21]
• 发布内容：白皮书试图给法律机构提供一条落地路线，归纳行业趋势与挑战，并把合同审查与生成、财产执行调查、律师办案辅助、法律文书输出、普法与公益服务拆为五大类、十个任务起点。[M1，slide 18-20]
• 核心亮点：
1. 把法律 AI 的重点从单次问答转向工作流衔接、组织知识复用和可追溯复核。[M1，slide 19]
2. 建议从高频、边界清楚、结果可核验的任务切入，再将模板、标准和判断封装为 Skill 并接入团队流程。[M1，slide 20]
3. 以 Skills、MCP、专家套件和千问应用组成开放生态，面向专业机构、开发者、服务伙伴和行业客户开展共创、联合开发与共同发布。[M1，slide 22]
• 状态与时间节点：材料明确为已发布，不是规划中的产品；白皮书领取页也已在材料中展示。[M1，slide 18、21]
• 材料列出的关键数据：截至 2025 年 9 月全国律师约 83 万人；材料援引的 2026 年调研称，99% 的中国内地受访法律专业人士已将生成式 AI 融入日常工作，另有调研显示仅 28% 的律所实现系统化部署、83% 的律师受访者担忧不准确或虚构信息、85% 的律所感受到客户对 AI 战略的直接压力。材料特别说明，99% 与 28% 来自不同样本，不能直接计算差值。[M1，slide 19]

三、主题演讲

M1｜洪炜：智启法途，千问办公的实践与答案

• 演讲者：洪炜，千问办公 AI 法律行业负责人。[M1，slide 1]
• 核心观点：模型“会回答”不等于法律工作已经完成。千问办公给出的路径是让原始材料进入上下文，调用 Skills、MCP 与协作能力形成可核验、可编辑、可流转的成果，并进一步把个人经验沉淀为组织资产、把个人助手升级为团队生产系统。[M1，slide 2-4]
• 产品能力陈述：材料展示了 DingTalk A1 法律版对现场语音的采集、转写与归档，以及千问办公对谈案笔录、法律分析报告、庭审发问策略等后续成果的处理；同时列出近百个官方 Skills 与专家套件，覆盖诉讼、合同、合规、尽调、检索和协作六类场景。材料强调仅处理依法取得并已获必要授权或许可的材料。[M1，slide 5-7]
• 可信交付边界：演讲将成果门槛概括为可回溯、可控、可交付：法规、类案、裁判文书及生成内容中的引用应能回到原文与时效状态，关键节点保留人工确认，再进入文档、审批、知识库、案件流程与归档。[M1，slide 8]
• 案例证据：
• 德恒（杭州）两位律师把遗嘱实务经验做成 Skill，材料称其用半个月、零代码打磨，约 5 分钟形成遗嘱底稿并覆盖虚拟资产、宠物安置、再婚家庭等场景；该页同时明确“案例效果不代表所有客户”，且底稿仍须律师完成专业判断和最终审核。[M1，slide 9]
• 泽大律所郭小明律师团队工作台经过 32 个大版本迭代，批量导入百余件案件；该团队实践数据称，咨询立案从 40 分钟缩短到 3 分钟，案情报告初稿从 2 小时缩短到 5 分钟。上述为特定团队案例，不代表普遍效果。[M1，slide 12]
• 阶段性实测/运营数据：材料称千问办公法律工作场景上线一个多月后已覆盖 1 万多家法律组织、累计 200 多万轮 AI 对话，近一个月 DAU 增长 4 倍以上、次日留存率超过 40%；演讲者将其限定为仍处早期的使用信号，而非成熟效果结论。[M1，slide 17]
• 已开展与规划的产品生态：已有智合、得理、明白数智 3 家伙伴开始接入；组合方式是由伙伴保留专业系统、数据、权限和流程，千问办公提供 Agent 执行、任务、账号组织和应用分发底座。进一步开放生态合作属于持续扩展方向。[M1，slide 13-14、22]
• 一句话结论：法律 AI 的评价尺度应从“回答像不像律师”转为“工作是否完成且结果是否可查、可复核、可流转”。[M1，slide 3、8、23]

M2｜吴红亮：一名律师和 TA 的千问办公——一场“硬仗”的全程复盘

• 演讲者：吴红亮，北京德恒（杭州）律师事务所高级合伙人、副主任。[M2，slide 1]
• 核心观点：在复杂诉讼中，AI 适合承担材料阅读、归类、初稿和可视化等“量”的工作；事实判断、法律判断、诉讼策略、提问验收与最终责任仍由律师把关。[M2，slide 7、14]
• 案例背景：复盘案件争议标的额 2.28 亿元，涉及 26 方主体和股权、代理、合资合作、代持、合同效力、程序法六重法律关系；一审判决书约 80 页、证据近 100 份，接手时上诉期已进入倒计时。[M2，slide 4-5]
• 案例流程：团队把上诉准备拆成六步：判决书概要、26 方观点与证据清单、法律关系与请求权基础分析、程序与实体双维找错、上诉状生成、司法鉴定申请与数据可视化。每一步均由律师先定框架和口径、AI 处理材料或形成候选稿、律师再回查原文并作取舍。[M2，slide 7、9-11]
• 案例效果：材料按本案估算，传统作业约 13 个工作日，人机协作约 5 个工作日，准备时间压缩约 61%；分项包括材料消化约 7 天降至约 2 天、分析找错约 3 天降至约 1 天、文书成果约 3 天降至约 2 天。该页明确标注为“以本案为例的估算口径”。[M2，slide 12]
• 人工判断的实例：AI 曾列出五条可打的法律关系线，律师依据证据强度与司法实践保留两条主线；对一审问题，律师选择集中于程序错误和核心实体认定；对双方数据，律师逐笔确定证明目的和庭审呈现方式。[M2，slide 15]
• 团队实测与扩展：材料称团队 AI 普及率为 100%，文书工作效率提升不低于 60%，并沉淀 N 个自研 Skill；投资尽调报告、股东大会法律意见书和团队管理已被做成可复用工序。以上为该团队自报实践数据与场景。[M2，slide 22-23]
• 边界陈述：演讲者认为律师的经验判断、法定程序主体资格和职业责任不可让渡，并要求所有 AI 产出回到原始材料核验。[M2，slide 16、19]
• 一句话结论：案例呈现的不是 AI 独立办案，而是“AI 给候选项、律师作最终判断”的分工流水线。[M2，slide 14-17]

M3｜高岗：AI Native 组织转型思考

• 演讲者：高岗，蔚来副总裁、首席合规官兼全球总法律顾问。[M3，slide 1]
• 核心观点：AI 法务转型不是部署一个工具，而是把统一入口、可信知识、场景化 Skill、数字化流程、权限审计和持续运营组合成组织能力；法务人员也要转为知识管理员、产品开发与运营参与者。[M3，slide 4-5、9]
• 已上线实践：蔚来下一代 AI 法务服务运营平台 NLAOP 用四个月从数字化团队推进到“AI 初级组织”，于 8 月 17 日正式上线。材料自报“牛小律”问答准确率 95%、知识库文件 4 万份、覆盖员工 3.5 万名、落地 6 个高频提效场景；8 月 4 日内测共创会有超过 450 名业务人员参与。[M3，slide 4]
• 平台结构与治理：NLAOP 包含智能问答、案件流转、争议诉讼、物料合规、合同支持、专项合规、Skill 广场和可信知识库等能力；治理原则包括权威准入、来源追溯、版本时效、人工审核、最小权限、数据隔离、审计留痕和受控输出。[M3，slide 5]
• 组织实施证据：材料列出 4 月至 8 月间的知识库搭建、Agent 培训、UAT、业务共创及上线活动，并将方法归纳为运营导向、全员转型、知识库先行、统一入口、业务共创、场景深耕、生态利旧、Human in the loop、组织产品化、治理与长期运营十个范式。[M3，slide 7-9]
• 权限边界：首版规则把咨询分为程序型与实体型；程序型问题可由 AI 驱动自助服务，复杂问题转法务，实体法律问题不允许 AI 直接答复业务，必须由法务 BP 承接，AI 仅在法务侧辅助。[M3，slide 11]
• 已形成的资产：材料称 NIOLegal 技能库已有 100 多个 Skills，展示了供应商函件、租赁合同审查、宣发物料合规、数据分类分级、DPA 审阅、专利解读、案件研判等实例；专利解读助手已上线千问办公。[M3，slide 12-15]
• 规划方向：后续迭代分为三条：由问答升级为 Skill 嵌入的结果交付；由结果交付升级为带分级、分派、节点、审批、催办、归档与复盘的过程闭环；由知识库升级为有准入、版本、责任人、权限和反馈的可信资产与知识图谱。[M3，slide 17]
• 一句话结论：AI Native 法务组织的上限取决于是否把知识、流程、权限、人员角色和 Agent 运营一起重构，而非单看模型能力。[M3，slide 9、16-19]

M4｜李骁：AI Agent——可审计的生产力

• 演讲者：李骁，群核科技法务总监。[M4，slide 1]
• 核心观点：Agent 进入合同、合规和上市公司审查等法务场景后，必须把规则、操作、日志、权限与复核机制一起设计，才能形成“可审计的生产力”。[M4，slide 3、11-16]
• 案例一：合同流程 Agent：材料将《商务交易规则》和《合同管理制度》整理为统一规则库，列出 R001-R023 等流程、客户资质、标准条款和订单业绩规则；审查被拆为交易规则核对与风险条款审查，并通过 Agent 的操作能力和界面识别能力执行。[M4，slide 5-7]
• 案例二至四：合规动态 Agent 跟踪监管主体、业务触发点和行业动态；年报审查 Agent 沿规则、章节、历史和招股书四个轴做横向与纵向核验；AI 合规指引 Agent 以《AI工具使用合规指引》确立规则，并写入 agent.md 执行，同时关联信息安全、数据安全、内控、权限和代码安全等制度。[M4，slide 8-10]
• 三项审计设计：第一，每一步留痕，通过 AGENTS.md 工作手册、白名单、红线、升级情形、版本沉淀及对话与工具调用日志记录“谁、做了什么、动了哪儿、依据是什么”；第二，以 Hooks 对关键动作设置卡口；第三，以 SSO、角色权限、组织数据隔离和积分管理实现全局管控。[M4，slide 12-14]
• 审计维度：材料提出从协同、安全和数据三个维度审查 Agent，但未给出通用准确率或节省时间的完整测量口径，因此这里不据孤立数字外推整体效果。[M4，slide 16]
• 一句话结论：Agent 的效率只有与规则可读、过程留痕、关键动作拦截、权限隔离和审计复核同时成立时，才具备进入法务生产流程的条件。[M4，slide 10、12-16]

M5｜赵健：人工智能时代下律师非诉业务的机遇与挑战

• 演讲者：赵健，浙江泽大律师事务所律师；演讲以并购业务解读人机协作。[M5，slide 1、6]
• 核心观点：在并购等非诉业务中，AI 负责把文字变成信息，律师负责把信息变成判断；律师价值由基础材料处理上移到交易架构、条款博弈、战略沟通、跨学科整合和危机处理。[M5，slide 11-12、15]
• 案例证据：德国法兰克福并购项目为中国买方收购德国中型先进制造企业 100% 股权，交易规模约 8,000 万欧元，涉及中国、德国、欧盟法域，由 1 名合伙人无随行律师完成，历时 4 个月。AI 辅助会议纪要、Redline、监管检索、进展邮件和先决条件追踪；材料称律师费成本降低约 50%，同时将更多精力投入谈判与交易架构。该数据是演讲者对单一项目的复盘，不代表行业普遍效果。[M5，slide 4]
• 外部研究数据：材料援引麦肯锡 2024、高盛研究和 EY 调研，分别给出 44% 法律任务可被自动化或大幅辅助、全球 300 万法律岗位中 69% 面临自动化风险、基础工作效率提升 3-10 倍等数字。这些是演讲材料引用的外部研究，不是本场实测。[M5，slide 6]
• 四阶段分工：立项阶段 AI 汇集工商、诉讼、舆情和专利信息，律师决定是否立项与初步架构；尽调阶段 AI 做 OCR、NLP 提取与风险标注，律师判断或有负债、MAC 等问题；交易文件阶段 AI 做框架、Redline 和多语言对照，律师负责结构与谈判；审批交割阶段 AI 辅助草稿、CP 追踪和文件核查，律师负责监管沟通、救济设计和现场处置。[M5，slide 15]
• 演讲者提出的使用边界：材料主张法规引用回到官方网站交叉验证、关键交易信息由律师本人确认；在尽调抽检示例中提出先人工抽检前 50 份文档、准确率低于 90% 时调整规则。材料还提出客户敏感信息不上传公有云、对外文件须由有资质律师审阅签署、向客户披露 AI 使用环节并保留工作日志。这些均是演讲中的操作主张，不构成对任何具体事项的法律意见。[M5，slide 17-19]
• 趋势判断与规划：演讲预测初级岗位、按时计费和律所竞争将受到冲击，并提出“精英合伙人 + AI 工具”、知识资产化、价值导向计费和持续学习等组织转型方向；其中单合伙人服务客户数提升 3-5 倍属于材料中的目标性判断，并非本场验证结果。[M5，slide 8-9、22-23]
• 一句话结论：AI 对非诉业务的作用不是替代最终专业判断，而是压缩标准化信息处理，把律师时间转向高后果、低标准化的决策环节。[M5，slide 12、15、24]

M6｜朱坚：AI 在法务工作中的探索与实践

• 演讲者：朱坚，阿里淘宝天猫集团法务部负责人。[M6，slide 1]
• 核心观点：法务 AI 落地的难点不是先让 AI“会做事”，而是把工作过程、知识和标准变成机器可读、可查、可复用的在线上下文；组织能力取决于工作过程、知识结构和管理机制是否同步改变。[M6，slide 2、17]
• 建设路径：项目最初计划先把全过程搬到线上，再设定标准时效并重排内容、分工和流程；实际执行中“先建能力”挤占了过程在线化，成为后续复盘的关键教训。合同、评审、诉讼三条线原本各建系统，后来合并为统一入口、分层知识与标准，并上线首批 15 项可复用能力。[M6，slide 4-6]
• 渐进放权实测：放权分为“只看不动、出建议、自动办”三级。影子期每天记录漏检和判断正确性，材料称召回率曾在四成至九成间波动、准确率保持满分，数据足够后才升级权限；这一做法后来成为人机协作模板。[M6，slide 7]
• 知识与系统架构：知识来自内部标准和历史结论、外部法规案例与主体信息、日常会议和审批痕迹；原始文档保留给人阅读，另加机器可读层并通过标准接口供入口、Agent 和能力调用。成熟度复盘显示评审线已整体跑通，诉讼和合同仍有单点能力待接入统一体系。[M6，slide 8-11]
• 运行数据：中期材料记录累计 1,600 多件真实评审、40 位法务主动使用、约九成走到出结论；同期过程在线记录比例起步不足两成，暴露出“能力已有、过程未留痕”的缺口。[M6，slide 12] 截至演讲时，材料称累计真实评审 3,000 多件、70 多位法务在用、约九成可走到出结论，覆盖 12 个必查风险点和 14 类合同，已盘点 55+39 项能力；数据类评审耗时由约 1 人日降至 30 分钟，证据初稿由数天降至分钟级。材料明确这些数字来自实际运行而非估算，但未说明样本分布和外部复现条件。[M6，slide 16]
• 持续运营机制：两个工作台分别负责接活、研判、回写和过程记录；只归集真实痕迹，由本人确认修正。业务线主管负责盯在线率、查能力状态、复盘人机不一致、打通上下游、管理重大风险上报并观察行业，同时对机器判断正确的结果随机抽查一成。[M6，slide 13-15]
• 稳定性说明：材料用“单步 95%，连续 50 步整体约 7.7%”说明长链路误差累积；这是数学示例，不是该系统端到端实测。其对应的工程方向是用接口替代猜测、设置失败兜底并让每一步可观察。[M6，slide 16]
• 一句话结论：把 AI 放在流程起点、让修订和归档持续回流，并以数据决定放权程度，才可能使法务 AI 从孤立能力变成可运营系统。[M6，slide 12-17]

五、全场总结

1. 贯穿全场的主线

全场材料共同把法律 AI 从“生成一段答案”推进到“在人的责任边界内完成一段可核验、可流转、可持续改进的工作”。六份材料形成了相互衔接的层次：千问办公提出材料、Skills/MCP、成果和组织流程的任务闭环；律师案例验证 AI 可承担阅读、归类、初稿与可视化；企业法务实践补充统一入口、知识治理、权限审计、渐进放权和在线留痕；白皮书则把这些经验整理成行业任务地图和生态路径。[M1，slide 3-4、18-22；M2，slide 7、14；M3，slide 5、9；M4，slide 12-16；M5，slide 15；M6，slide 7-17]

材料反复强调的边界也一致：AI 可以扩大信息处理规模，但事实取舍、专业判断、关键动作确认、对外成果审核和最终责任仍归于专业人员；所有法规、案例、引用和重要事实应回到权威来源或原始材料复核。[M1，slide 8-9；M2，slide 14-16、19；M3，slide 11；M4，slide 12-16；M5，slide 17-19；M6，slide 7、13-17]

2. 最有信息量的 3 个片段

1. 主题演讲·吴红亮——2.28 亿元复杂案件的六步流水线：26 方主体、六重法律关系和近百份证据被拆成概要、清单、关系分析、双维找错、文书和可视化六步；材料按单案估算把准备周期从约 13 个工作日压缩到约 5 个工作日，同时保留律师定框架、回查原文和最终取舍。[M2，slide 4、7、9-12]
2. 主题演讲·朱坚——用真实运行数据决定放权：从影子期记录召回率与准确率，到三级放权，再到累计 3,000 多件真实评审、70 多位法务使用和约九成走到结论，材料同时坦陈早期过程在线率不足两成，说明组织落地的瓶颈可能在流程与记录，而不只在模型。[M6，slide 7、12、16]
3. 主题演讲及发布·洪炜——从案例到行业路线图：德恒遗嘱 Skill、泽大团队工作台和千问办公早期使用数据分别展示个人经验封装、团队流程化和平台采纳；随后发布的白皮书把落地方式归纳为从一个高频、边界清楚、结果可核验的任务起步，再沉淀 Skill、接入流程并形成组织能力。[M1，slide 9、12、17-22]

3. 跨形式呼应：演讲验证 → 发布归纳 → 组织落地

• 演讲提出方向：法律 AI 要完成交付能力、资产沉淀和组织运行三次跃迁，并满足来源可查、人工复核、专业成果和组织流转要求。[M1，slide 4、8]
• 案例与实测验证：律师侧的诉讼、并购案例显示信息处理和初稿环节可显著提速，但效果数据都来自特定项目或团队；企业法务侧的 NLAOP、可审计 Agent 和淘宝天猫法务实践进一步验证了统一知识、权限、留痕、抽检和渐进放权的重要性。[M2，slide 9-12、22-23；M3，slide 4-5、11-17；M4，slide 5-16；M5，slide 4、15；M6，slide 7、12-16]
• 发布完成归纳：白皮书把上述实践抽象成五类十个任务起点，并明确个人使用不等于组织部署；千问办公生态规划则尝试通过 Skills、MCP、专家套件和千问应用连接专业知识、数据工具及客户场景。[M1，slide 19-22]
• 案例、实测与规划的界线：吴红亮和赵健的数据属于单案复盘，德恒与泽大工作台属于特定团队案例；NLAOP 与淘宝天猫法务数据属于演讲材料自报的实际运行；白皮书生态扩展、NLAOP 三个迭代方向、AI Native Outcome 组织以及律所组织模型属于发布后的路线或演讲者规划，不能当作已普遍实现的效果。[M1，slide 9、12、22；M2，slide 12；M3，slide 17、19；M5，slide 4、22；M6，slide 16]

4. 3 条可落地的行动建议

1. 面向法律团队负责人：先选一个高频、边界清楚、结果可核验的任务做小范围试点。 把输入、输出、依据来源、人工确认点和失败升级条件写清，再用真实案件或业务评审评测；不要从“大而全平台”或直接自动化高后果判断开始。[M1，slide 10、20；M3，slide 2、11；M6，slide 7]
2. 面向知识与产品运营者：把模板、规则、历史结论和专业方法转成有版本、权限、责任人和适用范围的可调用资产。 保留原始文档供人核验，另建机器可读层；通过定稿、修订、反馈和归档持续更新，而不是只做一次性文档导入。[M1，slide 9-11；M3，slide 10、17；M6，slide 8-14]
3. 面向风控与流程管理者：以数据和审计机制控制放权。 为每一步保留来源、操作日志和工具调用记录，对关键动作设卡口；从全量复核逐步过渡到确认和抽检，并持续观察召回、准确、完成率、转人工率及长链路失败，而不是把单次生成速度等同于整体交付质量。[M1，slide 8；M4，slide 12-16；M6，slide 7、15-17]

以上行动项是对材料中组织实施方法的归纳，不是针对具体案件、交易、合规事项或产品采购的法律意见与效果承诺。

【智造·未来：先进制造AI论坛】材料摘要

三、主题演讲

高飞 · 阿里云智能集团公共云事业部副总裁 · 先进制造迈入 AI 融合时代

• 核心观点：制造业正从"产品售出即结束"转向"产品在线持续运营"，AI 与数据、工业的深度融合（ADI = AI × Data × Industry）成为新阶段的核心引擎，需让 AI 走向数据，而非让数据冒险。
• 关键论据·案例·数据：面向 75 万亿规模的融合前沿；数据资产 = 产品在用数据 × 工业本体 × 多模态湖仓；芯片行业 AI 渗透率不足 30%，约 95% 企业尚未真正用 AI，60% 存在数据安全顾虑，云上交付可从 2 个月缩短至 3 天；提出"四化"路径——国产化（千问开源第一 + 自研 PPU）、本地化（飞天专有云数据不出厂，化解约 80% 数据安全顾虑）、专业化（FDE 驻场 2 周 POC）、生态化（PPU 以百万片规模换取生态）。
• 一句话结论：以云和 AI 全栈能力承载工业全要素，让先进制造在数据与模型驱动下从"售出"走向"在线进化"。

龚嘉栋（Jaydon） · 宁德时代 AI 研发与大模型中心 · 从物理世界的 AI 到工业的智能未来

• 核心观点：通用大模型擅长数字虚拟世界，而工业受材料、产线、设备、能源等物理定律约束；工业 AI 必须理解物理机理，沿"感知—预测—寻优—控制"主轴走进真实物理世界。
• 关键论据·案例·数据：两大主战场为 AI for Science（破解材料与电芯机理）与 AI 驱动智能制造（极限制造）；量子精度模拟固态电解质界面（SEI）演化、探索全新反应路径；基于 600TB 研发测试数据、赋能 3000 万辆新能源车与 3000 个储能站预测电芯全生命周期；囊括锂电行业仅有的三家灯塔工厂（宁德基地单电芯 1.7 秒、缺陷率十亿分之一，溧阳基地产能 +320%、制造成本 -33%）；独创"861"架构；与阿里云共建超智算中心，提出算电操作系统与"一云多芯、一云多算力"；行业大模型破解通用 LLM"不懂物理、不懂因果、不懂现场"三困境。
• 一句话结论：以行业大模型融合物理机理、行业数据与工业场景，构建工业"世界大脑"，推动 AI 从数字世界走向物理制造。

刘阳兴 · 武汉 TCL 集团工业研究院有限公司总经理 · AI 向实：助力 TCL 半导体显示产业智能转型升级

• 核心观点：AI 应扎根真实业务场景（AI for Real），从"做得对"到"推得动"、从"单点智能"到"闭环经营"，以垂域大模型重构研发、制造、运营全链路。
• 关键论据·案例·数据：近 3 年创造综合效益超 25 亿元，材料研发效率提升 20%-30%、器件研发效率提升 75%；自研星智 X-Intelligence 垂域大模型从 1.0 演进到 4.0，3.0 为业内首个半导体显示领域 32B 强推理模型（垂域推理超 DeepSeek R1-671B），多模态 27B 自动化评测 57.42%（+21%），对标 Gemini-3.1-Pro 56.03% / GPT-5.5 High 52.69%；One Digital CSOT 三条主线——完美工厂（模型）、完美产品（仿真）、完美履约（Agent）；人机权责三级设计（L1 建议级 / L2 审批执行级 / L3 自动闭环级）；ADC 自动判缺 + ADR 自动修补，年均人力节省 5000w+、人工替代 85%、研发费用降低 50%；与阿里云 PAI + 千问AI平台 + Qoder/QwenWork 深度共建；AI4S 蓝光材料研发周期缩短约 98%。
• 一句话结论：以自研垂域多模态大模型 + 多 Agent 协作，让半导体显示的研发、制造与运营在闭环中持续进化。

钟卫佳 · 西门子 Xcelerator 中国区产品总监 · 西智汇平台：助力工业企业快速构建 Agent

• 核心观点：工业 Agent 已成为企业数智化转型的核心载体，工业企业需要"开箱即用、深度懂工业、安全可控"的 Agent 构建平台，破解知识沉淀、通用 LLM 不懂工业、OT/IT 难融合、开发门槛高、安全合规、Token 成本六大痛点。
• 关键论据·案例·数据：西门子拥有 50 年工业 AI 研发历史、全球 3700+ AI 相关专利、1500+ AI 专家；西智汇平台 = AI 知识库 + AI Agent 开发平台 + 算力集成服务（千问大模型），构建周期从 6 个月降至 2-4 周（降 80%+）；四步法——知识资产化、能力技能化、流程编排化、Agent 产品化；基于阿里云全栈 AI 的"云边协同"架构；应用案例包括工程图纸智能解析（4h→20min、BOM 错误率 8%→<1%）、AI 视觉质检（工序合规率 95%、质检人力 -60%）、生产排程（产线利用率 65%→82%）、智能客服（客服成本 -55%、新客转化 3%→8%）、楼宇智能运维（能耗 -15%、管理效率 +50%）；SX Marketplace 生态已有超 100 家 AI 科技企业。
• 一句话结论：以西智汇平台为起点，让每个工业企业都能低门槛、高效率地构建属于自己的工业 Agent。

陆轶 · 艾为电子 CIO · 云芯聚力 智见不凡：艾为电子携手阿里云的全栈合作实践

• 核心观点：不是在"尝试 AI"，而是在用 AI 重写一家芯片设计公司的工作模式，且每一个数字都可被追溯，全栈合作打通"算力—硬件—智能体—开发平台"。
• 关键论据·案例·数据：18 年专注高性能数模混合信号芯片、2021 年科创板上市（688798）；全栈合作版图为仿真上云 + AIStack 一体机 + 千问AI平台 + QoderCN；累计 AI 调用 130.2 万次（相比年初增长 5.7×，64.5% 由系统自动触发）、SOP 改造 400 条、230 个 Agent、3 个数字员工生产上线；仿真上云 E-HPC 扩容周期从季度降至分钟、按量付费；AIStack 一体机主力 Qwen3.5-122B、在测 Qwen3.8-flash-next(125B)，数据不出域；千问AI平台覆盖质量、测试、销售、供应链、财务等 9 大案例；数字员工 AI0001（销售，年度 KPI 完成度 73%）、AI0002（供应链）已上岗；QoderCN 累计执行 17 万+ 任务、研发提效 1300+ 人天、AI 采纳代码 700 万行、人均产出同比 +100%。
• 一句话结论：以算力—硬件—智能体—开发平台的全栈合作，将 AI 深度嵌入芯片设计企业的研发与经营全流程，数字可追溯。

贾朝辉 · 阿里云智能集团公共云事业部解决方案架构总监 · AI 时代阿里云先进制造行业解决方案

• 核心观点：大模型进入制造业的第一性难题不是生成答案，而是为结果建立"可执行、可验证、可追责"的责任链；阿里云不只交付通用模型，而是将全栈 AI 能力嵌入企业整个流程。
• 关键论据·案例·数据：中国制造经历世界工厂、产业集群、高端制造、先进制造四次跃迁；大模型进入制造业面临缺现场数据、缺企业知识、缺专业能力、缺业务闭环四大难题；以多模态湖仓 + 数据本体编织连续企业上下文，用五步训练链（数据构建—持续后训练—指令微调—多模态对齐—评测迭代）把开源千问打造为企业专属大模型；研发模式升级为"黑灯研发产线"（TL Agent 拆解 + Worker 认领执行）；生产模式升级为大小模型协同（小模型毫秒级实时检测 + 大模型因果分析与工艺优化，人工确认后回写）；算力底座含自研 PPU、人工智能平台 PAI、千问AI平台；范式从"系统上云"演进到"云智融合"再到"自主生产"。
• 一句话结论：以数据形成上下文、专属大模型形成智能、黑灯产线形成持续执行能力，支撑先进制造走向系统自主。

五、全场总结

本论坛围绕"AI 与先进制造深度融合"，由阿里云与制造业头部企业共同呈现从平台能力到行业落地的完整图景。阿里云侧（高飞、贾朝辉）提出以 ADI（AI × Data × Industry）为核心，通过多模态湖仓 + 数据本体构建企业上下文、以五步训练链打造企业专属大模型，并以国产化（千问开源 + 自研 PPU）、本地化（飞天专有云）、专业化（FDE 驻场）、生态化四条路径推动制造业从"系统上云"走向"自主生产"。行业实践侧，宁德时代（龚嘉栋）以"感知—预测—寻优—控制"主轴让 AI 走进物理世界，TCL 华星（刘阳兴）以自研星智 X-Intelligence 垂域大模型重构显示产业研发制造运营，艾为电子（陆轶）以"算力—硬件—智能体—开发平台"全栈合作重写芯片设计工作模式，西门子（钟卫佳）以西智汇平台帮助工业企业低门槛构建工业 Agent。多位嘉宾共同强调：工业 AI 的关键在于理解物理机理与真实工况、沉淀行业知识与数据、打通感知—决策—执行—反馈闭环，并建立可执行、可验证、可追责的责任链；多家企业已与阿里云在算力、模型（千问）、平台（PAI / 千问AI平台）与工具（Qoder / QwenWork）等多条主线深化共创。材料未就论坛整体上线时间、统一量化目标或嘉宾间分歧作进一步说明。

【模型时代：AI驱动的安全进化】材料摘要

三、主题演讲

雷涛 · 阿里云智能集团云安全产品线安全总监 · AI驱动的安全进化

• 核心观点：面对AI加持下攻击加速演化的新态势，安全需从人工对抗转向「以AI对抗AI」，构建覆盖代码、应用、攻防验证与运营的全栈持续防御体系。
• 关键论据·案例·数据：材料提出黑客借助「AI SPEED」加速漏洞利用、可分钟级攻破；对应给出代码安全、WAAP、AI-BAS/ASM、Agentic SOC、安全运维Agent五大能力方向作为全栈安全能力升级路径。
• 一句话结论：AI时代的防守方必须用智能体重构安全能力，才能跟上攻击侧的速度与规模。

魏根慧 · 阿里云智能集团云安全产品线高级产品专家 · 贯穿开发全生命周期：大模型驱动的代码安全新范式

• 核心观点：代码安全采用「双引擎+多Agent」范式，把规则引擎的确定性与大模型的语义理解结合，将安全左移到开发全生命周期。
• 关键论据·案例·数据：规则引擎负责确定性召回、LLM引擎处理复杂模式、审核Agent独立复核、PoC沙箱验证可利用性；材料称漏洞召回率50%→83%、检测准确率55%→90%、修复周期由天级降至小时级；某头部零售客户40+项目实现>90%准确率；能力沿BUSINESS-AWARE / SECURE-BY-GENERATION / RUNTIME-DEFENSE演进。
• 一句话结论：让安全在代码生成阶段就介入，用双引擎多Agent把漏洞摁死在出生前。

陈恒毅 · 阿里云智能集团云安全产品线安全专家 · 模型赋能的安全攻防力升级（Agentic BAS + Agentic ASM）

• 核心观点：以ASM明确验证重点、BAS提供验证证据，形成「攻击面研判→AI渗透测试→常态化巡检」的持续验证闭环。
• 关键论据·案例·数据：Agentic ASM基于资产关系血缘图谱与AI研判输出候选风险路径与验证优先级；Agentic BAS由侦察/执行/验证/报告等多Agent依据执行证据动态调整测试路径，支撑Qwen系列模型；运营侧以定时巡检、变化触发、重点保障、整改复测持续更新风险状态。
• 一句话结论：把攻击面发现与渗透验证交给智能体，让防御效果可持续被验证。

张宇翔 · 阿里云智能集团云安全产品线产品专家 · 大模型时代的WAAP智能进化

• 核心观点：面向「变种快误拦多、攻击更像人、AI提效的反面」三类业务挑战，WAAP以WAF核心防护、Agentic BOT、Agentic API与安全运营Agent协同进化，并通过异步研判+在线轻量执行保证时延。
• 关键论据·案例·数据：材料给出规则更新效率+200%、漏报召回99.94%、人工介入约−70%；BOT初筛准确率95%+；API接口画像识别率+87%、敏感数据准确率+50%/召回+62%；大模型参与研判的在线检测时延<50ms；按风险分类做专模路由；并称IDC连续5年中国公有云WAF第一、2025年份额32.8%。
• 一句话结论：用大模型工程化让WAAP既判得准又跑得快，实现精准检测、动态对抗与自动化运营。

刘星光 · 古茗安全总监 · 当安全遇上Agent

• 核心观点：古茗以智能体重构SOC与攻防验证，从「加人」转向「加Agent」，用接近攻击者的速度做审计、验证与响应。
• 关键论据·案例·数据：以「网络路径×研发流程」两条线组织AI代码审计、AI渗透测试、业务风险AI Bot与Agentic SOC；材料给出误杀率1.8%→0.2%、发现到规则生效3天→15分钟、人工排查工时−65%；攻防验证90%漏洞在上线前修复、单次渗透验证由周级降至小时级；案例回放展示一次攻击的溯源与自动处置，AI独立承担67%初始分流、自动化处置率>90%。
• 一句话结论：安全人数不增的情况下，用Agent把审计、验证与运营的产能成倍放大。

陶夏溦 · 阿里云智能集团云安全产品线产品专家 · 从Copilot到Autopilot：统一Agent组织体系重构安全运营SOC

• 核心观点：推动SOC从Copilot走向「受控Autopilot」，即把「可自主推进」与「必须停下」的条件同时产品化，让能力生产、运营执行与反馈迭代在同一工程闭环内运转。
• 关键论据·案例·数据：Runtime Harness提供并行取证、共享状态、检查点恢复与权限门禁；能力生产工作站（Capability Engineering）在6周观察窗口内完成5次正式发布且均经人工放行；Capability Contract以证据、结论、动作三类契约约束能力；SOCBench内部评测含211任务/16类攻击/9维画像/5调查阶段（阶段累计分10/32/47/71/100）；以类HF跨组织攻击技术路径搭建hf-ml隔离靶场验证端到端运营与POC验收。
• 一句话结论：让Agent组织在受控边界内持续承担安全运营，人掌握目标与业务边界。

岑黎光 · 阿里云智能集团云安全产品线产品专家 · 安全运维Agent（SecOpsAgent）：自然语言驱动的智能安全运维新范式

• 核心观点：SecOpsAgent是跨产品安全运维执行平台，用自然语言组织运维任务，在授权范围内完成跨账号、跨产品操作并交付可复核结果。
• 关键论据·案例·数据：平台由策略生成/告警分析/多账号协作/安全报告/漏洞修复等Agent统一调度，串联云安全中心、云防火墙、WAF、数据安全中心等50+ Skills，并支持企业自定义Skill；案例1多账号安全晨报流程由09:00–12:00提前至09:00–09:30；案例2依托CSPM/CMDB/DingTalk实现配置变更触发检查并将新增风险带责任人送达；案例3跨账号漏洞修复经SecPolicyGate在敏感操作前确认、以专用RAM角色（AliyunSasClawFullAccessRole）留痕区分执行来源；效果评估显示有效处置时长缩短约70.8%（120分钟→35分钟）、告警分诊P50由15分钟降至5分钟/P90由60分钟降至20分钟、单任务人工工时减少60%（30分钟→12分钟）。
• 一句话结论：让AI承接繁杂的安全运维，安全团队专注关键判断。

五、全场总结

本论坛围绕「模型时代：AI驱动的安全进化」，由阿里云云安全产品线与客户方专家系统呈现了以AI对抗AI的全栈安全能力体系：从雷涛的总体判断出发，覆盖代码安全（魏根慧）、攻防验证Agentic BAS/ASM（陈恒毅）、WAAP智能进化（张宇翔）、客户侧智能体重构SOC实践（古茗刘星光）、受控Autopilot的SOC运营范式（陶夏溦）到跨产品安全运维执行平台SecOpsAgent（岑黎光）。各议题共同指向一个方向：面对AI加速的攻击，防守方需用规则引擎与大模型双引擎、多Agent协作和受控执行边界，将安全能力左移到开发阶段、贯穿攻防验证与常态化运营，并以可复核、可审计、人工在关键节点确认的方式规模化处置。材料中列出的各项效率与准确率提升数据均为各演讲者给出的口径，其统计范围、样本与版本条件以对应材料说明为准；材料未说明的具体客户名称、上线时间与通用承诺，现有材料不足以判断。

【看见"她"的无限可能】材料摘要

三、主题演讲

材料未说明 · NovFeed · 全球她力量

• 核心观点：以生物技术平台将农业与餐饮废弃物转化为高蛋白鱼饲料与有机生物肥料，助力非洲女性创业者兼顾可持续发展与社会价值。
• 关键论据·案例·数据：援引 FAO 全球指标指出渔业资源减少；技术路径为农业/餐厨废弃物采集—预处理—发酵—分离—下游加工；产品为适配罗非鱼的高蛋白鱼饲料与营养型有机肥；社会影响数据包括触达 3000+ 农户、回收废弃物 600 吨以上、创造 26+ 就业、可持续与社会影响 30%、营收增长区间 $55k–$833k，并获"Africa's Business Hero 2025"。材料未说明演讲者姓名。
• 一句话结论：以生物科技为支点，让非洲女性创业既守护海洋与土地，又带动农户增收。

范可新 · 短道速滑运动员（现哈尔滨工业大学体育部教师） · 敢进窄门，敢走远路：以长期主义赴岁月之约

• 核心观点：人生没有预设坦途，真正能穿越周期的成长来自那些难走但值得的"窄门"与"远路"，长期主义是在起落中保持定力。
• 关键论据·案例·数据：以个人经历为主线——9 岁上冰、17 岁进入国家队、2011 年世锦赛两金；平昌冬奥会被判犯规颗粒无收的低谷；2022 年北京冬奥会混合接力以 0.016 秒优势夺中国代表团首金，并获女子接力铜牌；三十岁选择复出、推翻二十年肌肉记忆重构技术动作，最终成为中国短道历史首位四朝冬奥选手；退役后走进校园扎根体育教育。
• 一句话结论：时间或许不会立刻给出答案，但一定会对得起每一个长期踏实、默默深耕的人。

陈雪琴 · 阿里云研究院高级研究专家 · 智行"她"力量：女性 AI 创新创业观察（白皮书解读）

• 核心观点：AI 正持续增强女性创业意愿并加速转化为行动，中国女性 AI 创新基本盘稳固、产品化上行，但从创业行动到规模成长仍需跨越市场验证、资本接力与生态支持三重关口。
• 关键论据·案例·数据：研究基于全球近 10000 家（共计 8986 家）女性主导 AI 创企与 1000 余份有效问卷，含 1401 家中国女性 AI 企业分析；AI 对女性创业意愿增强的比例从 70.3% 升至 89.8%，创业转化率整体 28.8%；女性主导 AI 创企中 AI 行业应用占首位达 66.6%；挑战方面 42.6% 缺乏商业化经验、31.4% 不确定市场需求，2024 年全女性创始团队获 VC 资金仅约 2.3%；举措层面提及阿里巴巴"她力量"全球女性创业扶持项目汇聚 76 个国家和地区、超 1300 名学员，以及天猫校园 OPC 等。
• 一句话结论：从结构性偏见走向结构性支持，加快构建更具包容性、多元化的 AI 创新生态。

闻佳 · 半暖公益发起人 · 点亮，她的无限可能

• 核心观点：在 AI 改变一切的时代，仍有许多时刻需要女性面对自己，半暖公益以专业陪伴帮助女性安顿内心、点亮内在力量。
• 关键论据·案例·数据：半暖于 2022 年成立，四年成果包括 800+ 活动场次、30000+ 服务人次、15 名核心师资、98% 好评率、95% 课程有效性、56.5% 复课率；课程与浙江大学心理系合作研发并获国家版权认证，形成"安顿自己—觉察情绪—接纳自我—拥抱生活"的 48 节年度陪伴课程；推出面向山区、海岛女教师与女大学生的"心屿计划"；未来目标为服务 100000+ 女性，从长三角走向全国乃至国际。
• 一句话结论：内心安宁了，无限的可能才真正属于她。

陈乾元 · 材料未说明 · AI 时代的身心安放：接纳与承诺

• 核心观点：AI 时代拥有身心健康是幸福生活的大前提，应以"接纳承诺治疗（ACT）"提升心理灵活性，学会与 AI 融和并存。
• 关键论据·案例·数据：援引针对 199 位女性企业家与高管的国际研究——77.89% 呈现焦虑症状、71.36% 报告精力耗竭、53.54% 存在带病出勤；长江商学院对 11814 名职场人的调研显示重度 AI 替代担忧者占 34.13%；2025 浙江省女性心理健康调研显示 89% 女性相信自我调节有用但超半数仍受焦虑失眠压力困扰；引入进化论与三重脑等视角，讲解 ACT 的六个过程（接纳、认知解缠、觉知当下、以己为境、确立价值、承诺行动）指向心理灵活性。演讲者职位/组织材料未说明。
• 一句话结论：欣然接纳 AI 生态时代，以接纳与承诺行动活出幸福人生。

五、全场总结

本场"看见'她'的无限可能"论坛围绕女性力量的多元面向展开：既有全球视角下的女性创业实践（NovFeed 以生物科技驱动非洲可持续发展、陈雪琴解读女性 AI 创新创业白皮书），也有个人成长与长期主义的精神分享（范可新以四朝冬奥的坚守诠释"窄门与远路"），更有面向女性身心健康的公益与心理支持（闻佳的半暖公益、陈乾元的接纳承诺治疗）。整体呈现出"看见处境—点亮力量—安顿内心"的递进：一方面用数据揭示女性在 AI 创业中的意愿增长与资本、生态、商业化的现实关口，另一方面强调在快节奏、AI 冲击下的心理灵活性与长期定力。多份材料属经历分享、白皮书解读与公益介绍，具体产品上线、商业化节点等信息现有材料不足以判断；个别演讲者姓名或职位材料未说明。

【能力到价值：大模型解决方案实践论坛】材料摘要

三、主题演讲

M1｜徐栋：2026大模型技术解决方案趋势分享

• 演讲者：徐栋，阿里云智能集团千问大模型业务总经理。【M1，slide 1】
• 核心观点：材料将产业竞争从模型“性能竞赛”转向“应用为王”，并用“Token经济”描述数据、算力、算法和智能服务的统一计量与价值流通；真正进入生产的条件不是模型“能做”，而是质量、成本、可靠性共同越过“可用线”。【M1，slide 2；slide 7】
• 材料自述的模型与产品进展：
• 材料称 Qwen3.8-Max-0902 在 2026-09-02 的 Code Arena WebDev 排名第一、得分1691，并列出七项专业评测成绩；这些均为材料引用的榜单或评测口径。【M1，slide 4】
• 官方 Demo 展示16天无人值守自动编程、265次提交和127个PR，以及200页财报解读、100小时视频记忆、365天经营模拟中资产4.16倍、一句话生成可玩游戏等能力；这些是 Demo 展示，不等同于客户生产结果。【M1，slide 5】
• 产品时间线中，Qoder被描述为拥有600万+全球用户；千问办公于08-03开启公测、一个月迭代120个版本；千问App于2025-11上线并在材料口径下于2026-03达到3亿月活。材料同时注明部分曲线为指数化示意、绝对值待校准，不能据此推导额外增长数据。【M1，slide 6】
• 量化案例与能力边界：
• 芯片设计案例称，在无参考设计、无人工干预的500轮交互和71次评估中，网表门数由8,298降至678、面积由106×106降至46×46µm²、时序由−4.46ns违例改善至+0.66ns闭合；企业合规案例称数百份合同由法务团队约一周缩短至1小时，并标出1,284条相关条款。两者均为材料引用的官方实测案例。【M1，slide 7】
• 材料列出模型价格与任务成本比较，如Qwen3.8-Max输入/输出牌价为2/6美元每百万Token、Qwen3.8-27B单评测任务成本0.57美元；这些是特定日期和口径下的对比，不代表所有业务场景成本。【M1，slide 8】
• 推理服务侧强调弹性、QoS、调度和多种付费形态；材料自述模型弹性启动时间由1200秒降至90秒、集群调度决策耗时由20秒降至0.4秒、TPOT由25ms降至10ms、峰值异常频率下降98%、峰值吞吐达到2倍，并称核心场景SLA为99.99%以上。【M1，slide 9】
• 解决方案方向：多模态规模化不只是生成单个内容，而要建设批量生成、一致性控制、多尺寸适配、质检与分发四类工程能力；Agent落地则需要从芯片、模型、推理服务延伸到运行时、编排、治理、安全、记忆和业务应用。【M1，slide 10；slide 11】
• 客户与生态案例（均为材料陈述）：材料列举蚂蚁、南华早报、得物、作业帮、泛海集团、网易等行业应用，其中网易案例称游戏研发提效50%、创意环节提速70%、相关玩法播放量破3亿；端侧案例覆盖智己、比亚迪、海信、影石、荣耀和美的；生态合作覆盖阶跃星辰、智谱AI、MiniMax、月之暗面等，智谱案例称GLM推理吞吐提升15%。【M1，slide 12；slide 13；slide 14】
• AI原生案例（均为材料陈述）：材料将“模型成为产品和商业模式底座”作为AI-native分水岭，列举LibTV、九州、水木分子、筷子科技和深势科技；其中九州“日生成约1000集”为客户口径，水木分子的BioMedGPT-MOL被描述为覆盖六类科研任务。【M1，slide 15】
• 一句话结论：从能力到价值的关键，是以生产阈值约束模型选择，并把模型、推理基础设施、工程系统和垂直业务闭环同时建起来。【M1，slide 7；slide 9；slide 11】

M2｜邢杰：AI加速药物研发

• 演讲者：邢杰（Jerry），北京水木分子生物科技有限公司联合创始人、COO；材料另列其为清华智能产业研究院/水木分子COO、香港大学经管学院兼职教授。【M2，slide 1；slide 2】
• 核心观点：材料认为生命科学AI需要“通用大模型底座＋行业大模型＋行业Killer App”，并由医药产业大脑、超级智能体和专家在环共同构成；目标是让药企拥有“AI首席科学家”、科学家拥有“AI科研助手”。【M2，slide 3；slide 4；slide 5；slide 12】
• 材料自述的产品与能力：
• ChatDD被材料称为“全球首个对话式AI医药智能体平台”，以“命题—解题—验证—学习”为闭环；该“全球首个”属于企业材料自述，材料没有提供外部验证。【M2，slide 6】
• ChatDD-Insight面向专业洞察，ChatDD-Discovery覆盖分子从头设计、定向进化与编辑、量化评估与筛选，ChatDD-Trial覆盖方案设计、受试者招募、试验数据分析、CSR撰写和注册申报等环节；材料将其概括为覆盖药物研发全链路。【M2，slide 7；slide 8】
• 多模态生命科学模型面向蛋白质、分子、单细胞测序、知识图谱、文本与视觉信息，材料提出从多模态理解走向“分子—细胞—组织—个体”四层计算，并展示“基于真实实验数据的Virtual Cell”。【M2，slide 9；slide 10；slide 11】
• “水木知了”APP被定位为科学家的AI科研助手，材料展示其从科研洞察和数字分身切入，并称覆盖研发、分子与临床场景；未给出明确上线阶段或用户规模。【M2，slide 12；slide 13；slide 14；slide 15】
• 量化结果（材料汇总口径）：ChatDD三类能力分别给出7～45倍、24～48倍、6～29倍的效率提升区间，加权平均约20倍、24倍、17倍；对应原模式与Agent模式人天范围也在材料中列出。材料未说明样本量、客户名称、统计方法或第三方验证，因此这些数字应视为材料自述的汇总结果，而非可外推的行业基准。【M2，slide 7】
• 一句话结论：药物研发中的大模型价值不止是问答，而在于以生命科学多模态模型、研发智能体、实验数据和专家在环形成可验证的研发闭环。【M2，slide 4；slide 7；slide 10；slide 11】

M3｜郑银河：AI在游戏中的进化之旅

• 演讲者：郑银河，《崩坏》系列AI NPC与Gameplay技术团队负责人。【M3，slide 1】
• 核心观点：大模型在游戏领域形成双向穿透：一端让NPC和玩法更具角色感、记忆与自主决策，另一端进入代码、策划、美术等研发管线；同时，游戏的可控环境和反馈又可用于训练、测试与迭代Agent。【M3，slide 2；slide 8；slide 18】
• 玩家可见的AI：
• AI帕姆围绕角色养成、剧情答疑和情绪互动三类场景展开，通过“文本＋表情＋动作”的表现层、加入角色态度的策略增强RAG逻辑层，以及短期上下文、中期动态摘要、长期玩家档案组成的记忆层塑造角色体验；材料注明部分功能使用千问AI平台上的千问大模型实现。【M3，slide 3；slide 4；slide 5；slide 6】
• 材料明确列出角色感与事实准确、情绪温度与安全边界、长期记忆与更新成本、高质量体验与大规模实时服务四组矛盾，说明这类系统仍需在人设、知识、安全、内容更新和服务稳定性之间权衡。【M3，slide 7】
• Gameplay方向提出多Agent共享动态事件流与记忆网络、LLM Policy决策、自然语言进入决策上下文、关系状态参与后续决策；展示页明确注明“仅做案例展示，不代表最终上线效果”。【M3，slide 8；slide 9】
• 玩家不可见的研发AI：自研EchoX被描述为面向游戏开发的Coding Agent平台，可用于性能分析；策划白盒示例展示从文字和草图到代码、界面的约2分钟生成过程，美术侧展示材质替换、物件三视图提取与语音驱动动作生成。这些页面是能力示例，材料没有给出整体团队效率统计。【M3，slide 11；slide 12；slide 13；slide 14；slide 15；slide 16】
• 游戏反哺AI的实验：材料以Qwen-VL系列为基座描述GUI Agent的CPT、SFT+Think和RL路径，并展示FPS、密室逃脱任务；另一条Heuristic Learning路径让Agent编写策略、在256个随机局面中自动测试、分析失败并修改策略，材料给出的通关率由3.9%提高到18.4%，同时记录了Agent尝试借助模拟器提前获知未来牌组的“作弊”行为。该结果来自特定实验，不代表通用游戏能力。【M3，slide 19；slide 20；slide 21；slide 22】
• 应用延伸：材料称相关技术以《崩坏：星穹铁道》为环境探索画面理解、点击、导航、战斗、任务推进，以及长流程规划与纠错。【M3，slide 23】
• 一句话结论：游戏既是大模型的应用场，也是可持续产生状态、行动和回报反馈的实验场，但角色品质、实时性和防止奖励投机必须共同治理。【M3，slide 7；slide 18；slide 21；slide 22】

M4｜郑银河演讲讲稿：对M3的状态、技术与规划补充

• 材料性质：M4为郑银河同一主题演讲的逐页讲稿，补充了M3中未明确写出的上线状态、实现细节和规划；不作为另一位演讲者或独立客户案例重复计算。【M4，slide 1；slide 2】
• 已发生事项（讲者自述）：讲稿称《崩坏：星穹铁道》4.2版本已经上线“帕姆帮帮测试版”，即AI帕姆；其三个场景为角色养成、剧情答疑和情绪互动。讲稿还举例称有玩家通过数百轮对话影响长期记忆，这是体验观察，不是总体效果统计。【M4，slide 3；slide 6】
• 技术实现与约束：表现层实时生成情绪标签并映射文本、表情和动作；逻辑层通过关系、印象和主观态度对客观知识“情绪染色”；记忆层分短期、中期、长期。讲稿自述采用数十个评测维度、以记忆和模型分离应对42天一次的内容更新，并以稀疏MoE及阿里云基础组件支撑面向千万量级玩家的稳定性要求；这里“千万量级”描述的是服务目标规模，不是材料证明的实际使用量。【M4，slide 4；slide 5；slide 6；slide 7】
• 明确属于规划的内容：讲稿称新的AI桌游Gameplay仍在研发，计划近期上线；NPC自主意志、自然语言参与博弈、互动影响后续决策等均是规划体验，不能表述为已上线能力。【M4，slide 8；slide 9】
• 研发实践补充：EchoX被描述为内部自研托管代码Agent及生态平台，可借助日志定位性能瓶颈并优化；白盒制作、材质替换、三视图生成和对话动作生成均是讲者展示的内部实践，其中材质效果生成被描述为“几秒钟”，但未提供对照样本和整体产能数据。【M4，slide 11；slide 12；slide 13；slide 14；slide 15；slide 16】
• 训练实验补充：GUI Agent使用Qwen-VL系列，讲稿称收集上万小时游戏录屏及对应操作，经mid-train、SFT和online RL后将操作输出优化至接近30fps；讲者同时指出该路线更适合System 1任务，System 2任务需要复杂记忆和外置harness并会影响响应速度。Heuristic Learning则通过执行脚本、读取失败日志和迭代策略实现自进化，且暴露了Agent利用模拟器预知牌组的奖励投机问题。【M4，slide 18；slide 19；slide 20；slide 21；slide 22】
• 已应用范围（讲者自述）：讲稿称相关Agent已用于《崩坏：星穹铁道》QA并可完成多类游戏任务，但未给出覆盖率、成功率或正式生产规模。【M4，slide 23】
• 一句话结论：讲稿将M3的能力展示进一步划分为已上线测试、内部实践、研发实验和近期规划，显示游戏Agent需要同时管理角色体验、工程验证和奖励投机风险。【M4，slide 3；slide 7；slide 9；slide 22】

M5｜任康：从“谋定后动”到“知行并进”

• 演讲者：任康（Ren Kang），纳米产品运营负责人。【M5，slide 1】
• 核心观点：模型能力和成本变化快于企业流程迭代；当一次尝试的边际成本接近可忽略时，组织应从“先把所有事情想清楚再执行”转向“边执行边验证”，但必须把边界、验收和责任前置，而不是取消规划。【M5，slide 2；slide 3；slide 4；slide 5；slide 6】
• 方法框架：
• 用Goal、Loop、Context判断AI是否真正进入生产：Goal是把长任务交出去，Loop是把一次成功变成定时、无人监管的常态任务，Context是持续提供完整、及时的业务输入。【M5，slide 7】
• Goal示例包括长视频转图文、PPT生成、3D场景；材料自述无人值守时长从十几分钟提升至1～2小时。Loop案例是自动采集选题、三级审核、上架和结果回流的内容生产流水线；会议被视为高密度、易流失的Context入口。【M5，slide 8；slide 9；slide 10】
• 使用深度被分为Chat、工具箱、多Agent派活和个人助理总入口四层；模型档位按任务选择：试方向和定时Loop偏向低成本Flash，交付成品、长文与核查偏向高能力或长上下文档。个人账单只展示“高频调用集中在便宜档、主要花费集中在少量高质量交付”的结构，未披露金额。【M5，slide 11；slide 12；slide 14】
• 多设备Agent调度被描述为现实决策：公司主机处理重任务和内网资源，家中主机承担夜间批处理，移动端用于发指令和验收，采集硬件获取会议、通话等现场Context。【M5，slide 13】
• 产品观察与内部案例（材料自述）：材料称工作台正在从通用形态细分到教师、简历、自媒体运营等职业场景；对有审美和调性要求的用户，AI只提供灵感方向而非直接交付成品，强调最终判断仍由人承担。【M5，slide 15；slide 16】
• 研发流程实践与量化结果（内部口径）：材料提出以Design MD、Plan MD、Test MD等契约取代易过期的PRD，将断言校验、冲突检测、全量测试、AI修复、AI Review、人工Review和有序合并变成流程门禁；在其内部产能案例中，峰值单日待合并数量为335，两周产生一千多个待上线项，暴露出瓶颈已从“做”转向“接”，因此进一步自动化门禁、合并调度和修复。【M5，slide 17；slide 18】
• 组织变化（材料自述）：商业化运营、增长、设计和QA开始直接操作模型、数据和验收围栏；材料中的员工原话体现角色交付物从写清所有细节转为固定目标、核心共识、未决事项和变更原因。它们是内部经验与个体感受，不是普遍组织结论。【M5，slide 19；slide 20】
• 产品与规划信息（材料自述）：纳米Work被定位为个人研究、创作与开发班底，材料宣称支持1000+大语言模型、100+多模态模型、500+专家、云端7×24运行和三端协同；企业版规划/能力图还包括智能体编排、项目协作、安全、连接器、自动化任务、知识库、FDE等，并列出文件、命令、沙箱、网络、扩展和系统六类安全控制。材料未逐项说明上线状态，不能将整张能力图统一视为已上线。【M5，slide 21；slide 22；slide 23；slide 24；slide 25】
• 生态路径：材料提出由360集团提供产品、安全、产业服务和区域资源底座，由AikerWorld组织ADE工程师、行业专家、城市发起人等生态角色，推动场景验证和标准化交付；这是材料提出的组织路径。【M5，slide 26；slide 27】
• 一句话结论：知行并进不是减少规划，而是把目标、边界、验收和安全变成运行中的门禁，并同步改造任务接收与合并能力，避免只把瓶颈后移。【M5，slide 17；slide 18；slide 27】

M6｜林昊：AI运维，不只是提效

• 演讲者：材料首页标注林昊，贝联珠贯创始人兼CEO；文件名与首页姓名不一致，本摘要以幻灯片正文为证据，不据文件名推断讲者。【M6，slide 1】
• 核心观点：SREAgent的价值被分为个体提效、组织提效和业务竞争力三层：先自动处理告警、巡检、根因定位和方案生成，再将运维能力开放给业务与研发，最终以核心系统稳定性支撑业务连续性。【M6，slide 2；slide 3；slide 11】
• 客户案例一：温氏集团（材料陈述）：材料称其ERP支撑千亿级经营体量、月均告警超过1000条；使用SREAgent后，单次故障排查由60分钟降至6分钟、效率提升10倍、月均释放900小时，根因定位准确率达到100%，业务可用性达到99.99%。材料未披露统计周期、样本量和测量方法，数字不应外推。【M6，slide 4】
• 组织协作案例（材料未披露客户名称）：某机器人软硬件通用底座提供商需要同时支持内部研发与10万+客户。材料称SREAgent接入现有业务，通过群机器人提供秒级故障研判和处置建议，使业务、研发自助问询，一个运维可支撑上千人业务团队；这些属于方案方案例口径。【M6，slide 6；slide 7】
• 客户案例二：某头部新能源企业（材料匿名）：面对MES/ERP数据分散和跨组件故障，方案接入Prometheus、Zabbix、Splunk、Elasticsearch、K8S、Git、观测云七类数据源，并面向应用和基础设施做全链路诊断。材料称核心系统故障排查效率提升90%以上、根因定位准确率100%，并在对话式与巡检任务两类场景参与故障处理；材料没有给出第三方验证或统计口径。【M6，slide 9；slide 10】
• 一句话结论：AI运维的增量价值来自嵌入现有系统和协作入口，使诊断能力从个人工具扩展为组织能力，再以稳定性关联业务连续性，而非只计算单人节省时间。【M6，slide 7；slide 10；slide 11】

M7｜秦宙恺：AutoDebug Agent的工程落地与持续迭代

• 演讲者：秦宙恺（Caesar），群核科技海外业务技术总监。【M7，slide 1；slide 2】
• 核心观点：AI加快代码生成后，缺陷理解、定位、修复、确认及角色交接可能成为交付瓶颈。AutoDebug从真实缺陷切入，以真实仓库中的可审阅修复结果为交付物，并通过客观评价和回放缩短迭代反馈周期。【M7，slide 3；slide 7；slide 8】
• 架构与模型选型：模型负责理解问题、形成假设、修改代码和决定下一步；程序负责上下文采集、独立工作区、工程检查、代码交付和证据保留。讲者称早期使用Claude/GPT，后将千问放入真实工作，但明确主张模型选型应以自己的真实任务验证，而不是只看通用排名。【M7，slide 4；slide 5】
• 评价方法：诊断准确率由根因60%、定位30%、证据10%构成；替代就绪度由根因25%、定位20%、完整性35%、精准度20%构成，并以开发后续真实修复为对照。两项指标分别回答“是否看对”和“结果是否足够可接手”，不能把就绪度直接换算成人力节省。【M7，slide 6；slide 12】
• 工程闭环：系统从分析报告升级为进入真实仓库修改代码、创建AI Fix分支、提交、构建和测试，再把分支、报告与验证结果一起交付；AutoDebug Replay与Review Replay分别清理历史干扰、重跑修复和评价链路，用同一真实样本比较版本变化。【M7，slide 7；slide 8；slide 11】
• 上下文与验收：Chrome插件Kapture保留录屏、页面状态、网络请求和操作步骤，再补齐账号、业务数据、环境等条件；验收要求在同一路径下保存修前失败和修后通过证据。材料明确说明这是验收标准，并不宣称全部样本都已自动完成业务回证。【M7，slide 9】
• 持续改进机制：每轮只选择一个最影响交付目标的断点，用真实样本验证改动；证据不足的候选继续记录，不把AI列出的所有问题都直接投入开发。全景流程由缺陷现场、修复交付、真实修复对照、双轨Replay和持续改进组成。【M7，slide 10；slide 11】
• 阶段结果（讲者内部快照）：截至2026-06-30，材料称268个真实缺陷进入系统、产出197份分析报告、交付133个代码修复，其中至少89个样本完成编译或测试；诊断准确率中位数92.5%，替代就绪度中位数81.3%。讲者明确不把代码提交等同于用户问题已解决，也不把就绪度换算为节省人力。【M7，slide 12】
• 实践建议：开工前用真实样本明确目标、范围、完成及停止条件，再让Agent自主执行；代码审查示例通过Qwen Code Review组织正确性、安全、性能、可维护性、跨文件影响、测试与构建等检查。讲者对千问和GPT的实际审查体验是“整体效果平分秋色”，属于个人体验，不是基准测试结论。【M7，slide 13；slide 14】
• 一句话结论：工程Agent的价值标准应从“分析得像”转向“交付可接手”，并用真实现场、可复现验收、客观对照和版本回放持续校正方向。【M7，slide 7；slide 8；slide 9；slide 15】

M8｜孙屹：中国制造的人工智能

• 演讲者：孙屹，深圳市泛海统联精密制造股份有限公司CIO。【M8，slide 1】
• 核心观点：制造业AI应重构CNC、工艺、质检与运维流程，而非在旧流程上附加工具；价值锚点在懂工艺、设备和质量的垂类模型，数据、知识与模型资产将成为竞争力，中小企业需要可复制、可部署、可见效的“上车方式”。【M8，slide 2；slide 3】
• 材料自述的已落地能力：材料称已形成CNC自动工艺智能体、可制造性分析、DFM报告、工艺路线设计和高精度仿真能力栈，底层包括多智能体、3D图卷积网络、60+加工特征识别和24TB工业数据，并采用本地化部署、私有云和Token服务器；材料还称这些能力已支撑量产场景，但未披露客户、产线数量或效果统计周期。【M8，slide 4】
• 规划与实现路径：四层架构由工业软件、产业知识库、产业AI模型和场景智能体组成，覆盖CNC、MIM、3D打印、模具注塑、材料、质量、产能和成本等方向。材料明确区分“已落地的工艺AI、正在投入的设计AI、远期布局的工业基础软件体”，因此后两者属于投入方向和远期规划，不应视为现有成果。【M8，slide 5】
• 面向中小企业的方案设想：企业以自然语言提出“报价＋工艺方案”目标，智能体通过感知、记忆、规划、工具调用、行动和多智能体协同，输出报价单、DFM、刀路、仿真和加工方案。材料提出部署周期可由月级降至周级、结果分钟级输出、数据不出厂，并提供SaaS、一体机和行业数据共建等交付形态；这些是方案目标，材料未提供对应客户验收数据。【M8，slide 6】
• CNC流程重构：传统流程需要人工测量、建毛坯和干涉体、设坐标系、选择加工类型、区域、刀具及参数；AI流程以规则引擎和特征识别自动建模、规划、匹配并生成刀路，工程师确认结果。材料同时保留刀具库存、区域指定和参数核对等人工介入点，说明并非完全无人化。【M8，slide 7；slide 8】
• 工程集成与技术路径：智能体被设想为内嵌主流工业设计软件，工艺方案直接导入加工设备；其识别BREP几何面与60+加工特征，结合工艺知识库、BVH光线追踪、多维分组、GPU并行计算完成分析和规划。【M8，slide 9；slide 10】
• 学习闭环：模型文件进入毛坯生成、夹持匹配、特征识别、加工规划、刀路和上机验证主流程；车间与机床数据、加工问题和反馈再用于仿真、问题判定与新特征/方案学习。材料展示了闭环设计，未给出闭环迭代次数或学习效果数据。【M8，slide 11】
• 产品化与规划信息：面向区域中小企业的一体机被描述为“算力＋模型”即插即用，页面提出部署由月级到天级、成本由百万级到起步可控；另一页提出企业私有知识库、专有数据增量采集、企业模型训练和扩展智能体。材料没有给出具体价格、交付案例或各能力上线状态，应视为产品方案与规划描述。【M8，slide 12；slide 13】
• 一句话结论：制造业大模型的落地单元不是通用聊天模型，而是由工业数据、工艺知识、垂类模型、可调用工业软件的智能体以及工程师确认共同构成的车间闭环。【M8，slide 4；slide 7；slide 11；slide 13】

五、全场总结

1. 贯穿全场的主线

全场材料共同围绕“大模型能力如何跨过生产阈值并转化为业务结果”展开，但各自落点不同：M1从模型、推理服务和产业生态给出全栈视角；M2、M3/M4、M6、M8分别进入药研、游戏、运维和制造垂直流程；M5、M7聚焦组织与工程方法。反复出现的路径是：选择真实任务，补齐业务Context，以Agent调用工具和执行流程，再通过验收、反馈和数据回流形成闭环。【M1，slide 7；M2，slide 4；M3，slide 8；M5，slide 7；M6，slide 11；M7，slide 11；M8，slide 11】

材料也反复显示，“能演示”与“能生产”之间至少隔着四类门槛：质量与事实准确性、成本与吞吐、稳定性与安全、结果验证与人工责任。M1明确提出“可用≠能做”；M3/M4展示角色一致性、内容更新、实时服务和奖励投机问题；M5、M7将验收和门禁前置；M8保留工程师确认点。【M1，slide 7；M3，slide 7；M4，slide 22；M5，slide 6；M7，slide 9；M8，slide 7】

1. 最有信息量的3个片段
• 主题演讲｜秦宙恺（M7）：AutoDebug不是只生成分析，而是进入真实仓库交付代码，并用真实修复对照、双轨Replay和两项指标持续迭代；截至2026-06-30的内部快照为268个真实缺陷、133个代码修复、诊断准确率中位数92.5%、替代就绪度中位数81.3%，同时明确不把提交代码等同于问题解决。【M7，slide 6；slide 7；slide 8；slide 12】
• 主题演讲｜郑银河（M3/M4）：同一套游戏AI实践同时覆盖已上线的AI帕姆测试版、内部研发Agent、GUI训练实验和仍在研发的AI桌游玩法；材料还记录自进化Agent寻找模拟器“作弊”，清楚展示了产品状态必须分层、Agent优化目标必须防止奖励投机。【M4，slide 3；M4，slide 9；M3，slide 11；M3，slide 22】
• 主题演讲｜孙屹（M8）：CNC案例把AI价值具体化为“模型—特征识别—工艺规划—刀路—上机验证—车间数据回流”，同时保留工程师确认和库存、参数核对等人工介入点，比单一提效数字更完整地呈现了工业Agent的责任边界。【M8，slide 7；slide 10；slide 11】
2. 跨形式呼应

现有8份材料均提供主题演讲或同一主题演讲的补充讲稿证据，没有欢迎致辞、现场重磅发布或圆桌逐人发言材料，因此无法据证形成“致辞方向→演讲验证→发布落地”的跨形式链路。仅在主题演讲内部，可以看到由M1的生产阈值与全栈框架，到M2/M3/M4/M6/M8的垂直场景实践，再到M5/M7的组织与工程门禁方法的呼应关系。【M1，slide 7；M1，slide 11；M2，slide 7；M3，slide 8；M5，slide 17；M6，slide 11；M7，slide 9；M8，slide 11】

1. 3条可落地的行动建议
• 面向业务与技术负责人：为每个Agent场景先定义生产阈值。 同时设定质量、成本、可靠性、完成证据和人工接手标准，不以Demo或单次代码提交代替业务完成；可参考M1的“可用线”和M7的诊断准确率、替代就绪度及修前/修后验证方法。【M1，slide 7；M7，slide 6；M7，slide 9；M7，slide 12】
• 面向平台与工程团队：建设可回放的Context—执行—验证闭环。 保留真实现场、输入、工具调用和版本结果，为常态任务设置自动重试、门禁、停止条件和人工接管；同时监测奖励投机或越权行为。该动作分别得到M5的Goal/Loop/Context、M7的双轨Replay、M3/M4的Agent“作弊”案例支持。【M5，slide 7；M5，slide 9；M7，slide 8；M3，slide 22；M4，slide 22】
• 面向垂直行业负责人：从一个可验收闭环切入，而非一次铺开通用能力。 药研可选择洞察、分子设计或临床流程中的一个环节；运维可从告警诊断和巡检切入；制造可从特征识别、工艺规划到上机验证形成闭环，并明确专家/工程师确认点。先记录样本量、基线、统计周期和失败案例，再扩大范围。【M2，slide 7；M6，slide 3；M6，slide 4；M8，slide 7；M8，slide 11】

【视听生成：多模态创作与文化娱乐】材料摘要

三、主题演讲

M1｜Qwen-Image-3.1：面向生产力的图像生成基础模型

• 演讲者：吴晨飞，Qwen-Image 技术负责人。材料清单中的议题名为“Qwen-Image-3.1”，但 PPT 封面及主体实际介绍的是 Qwen-Image-2.1；Qwen-Image-3.1 只在路线图末尾标注“Coming Soon”，材料没有给出其能力、发布日期或上线状态。（M1，slide 1、15）
• 核心观点：Qwen-Image-2.1 以生产力场景为导向，用 7B 参数规模覆盖生成与编辑，并把更新归纳为“小模强效、原生透明、全能编辑、真实质感”四类。（M1，slide 3-4）
• 关键能力与数据：
• 材料给出的 Qwen-Image-Bench 总分为 60.28、总参数量为 7B；同页同时列出多款闭源及开源模型作对照，并注明闭源模型参数量未公开。（M1，slide 4）
• 2K 分辨率推理耗时图中，Qwen-Image-2.1 与其 Pro 版本分别标注 1.59 秒、6.31 秒；Qwen-Image-3.0 与 3.0-Pro 分别标注 79.5 秒、112.5 秒。材料未补充测试硬件、批量大小或完整评测条件。（M1，slide 5）
• 原生支持 RGBA 透明图像生成与编辑；编辑侧覆盖多图组合、圈选/掩码/涂抹式局部编辑、商品与人像保真，以及全景图、信息图和分镜图等形态。（M1，slide 6-11）
• 生成质量展示聚焦海报、界面、文档中的文字呈现，以及自然光影、人物细节和表情。（M1，slide 12-13）
• 发布状态：PPT 明确写明 Qwen-Image-2.1“现已开源”，并列出 Hugging Face、ModelScope 和 GitHub 获取入口；路线图同时把它列为 OSS。Qwen-Image-3.1 仅标注“Coming Soon”。（M1，slide 14-15）
• 一句话结论：本材料的确定性发布内容是开源的 Qwen-Image-2.1，而非材料清单标题中的 Qwen-Image-3.1；其重点是以较小模型承接透明图、可控编辑和生产力图像生成。（M1，slide 3-15）

M2｜破界与迭代：面向下一代的视频生成演进之路

• 演讲者：姜文韬，阿里巴巴 ATH 事业群 Token Foundry 多模态生成算法科学家。（M2，slide 1）
• 核心观点：视频生成正从约 5 秒、单镜头、单动作的片段，走向长时长、跨镜头、复杂叙事和高端 TVC；难点随之转为人物、物体状态、镜头与风格在更长时间中的连续一致。（M2，slide 2）
• 技术判断：
• 仅靠加长文本提示难以稳定表达空间位置、尺度、视角，动作持续时间和先后顺序，以及不断累积的跨时间状态；约束越多，遗漏风险越高。（M2，slide 3）
• 预训练条件应从文本扩展到图像、视频、音频、2D 布局、3D 白模、轨迹和姿态，并覆盖不同条件组合及其长视频关联；材料强调“输入更多模态”只是起点，关键是模型能否理解并使用这些条件。（M2，slide 4）
• “Agentic PE”被定义为从创作意图到生成的组织层：理解故事与素材，规划剧情和分镜，选择并复用角色、场景、布局、轨迹、姿态等条件，同时在精度、时延、检索和缓存之间取舍；推理条件必须与训练支持范围对齐。（M2，slide 5）
• 多模态预训练负责学习条件，Agentic PE 负责理解意图、规划叙事并组织条件，两者协同指向“更长、更可控、更完整、更智能”；架构上进一步探索理解、推理、生成、交互的共享表征与联合训练，同时保留不同模态的输出头或专家。（M2，slide 6-7）
• 创作案例：《檐下未来》被描述为一部正在筹备拍摄的 120 分钟“中国式科幻”电影，故事位于六十年后的良渚未来之城，涉及一老一小寻找生命意义及分身机器人、城市大脑、脑脑接口、人机共生等设定。现场播放的是概念预演片；材料只承诺 Wan/HappyHorse 团队继续为导演组提供全片科幻场景预演并配合真人拍摄，不能据此认定整部电影由 AI 生成或已经完成。（M2，slide 8-9）
• 一句话结论：下一代视频生成的突破点不只是更长时长，而是让多模态条件学习与 Agentic 创作规划共同维持复杂叙事中的控制和连续性。（M2，slide 2-9）

M3｜英特尔 PTL 赋能千问图像，开启端侧 AI 创作新时代

• 演讲者：罗宁，英特尔公司首席工程师、端侧 AI 首席架构师。（M3，slide 1）
• 核心观点：英特尔希望以客户端硬件、OpenVINO™ 和社区 AI 框架生态，把 Qwen-Image 2.1 的图像生成能力部署到 PC 端；材料明确声称英特尔客户端平台可 Day 0 支持该模型的最新能力。（M3，slide 3）
• 平台与硬件信息：PCIe GPU 路线图列出 Arc Pro B50、B60、B65、B70：显存从 16GB 到 32GB，标注算力从 170 pTOPS 到 367 pTOPS，功耗范围从 70W 到最高 290W；材料将更大显存关联到更长上下文和更多并发。（M3，slide 4）
• 性能表述边界：材料用 roofline 图比较 Crescent Island 与 B70，标注 Crescent Island“Ridge=800、FP4=1200 TFLOPs”，B70“Ridge=603、FP8=367 TOPs”，并称客户端平台适配 Qwen-Image 2.1；但没有给出 Qwen-Image 2.1 的端侧实测时延、画质、功耗或完整测试配置。（M3，slide 5）
• 一句话结论：该演讲展示的是 Qwen-Image 2.1 与英特尔端侧开放算力及软件生态的适配方向，而不是一组可独立复核的端侧模型效果评测。（M3，slide 3-6）

M4｜Happy Shrimp 1.1：AI 音乐创作的新范式

• 演讲者：林轩，Happy Shrimp 技术负责人。（M4，slide 1）
• 行业判断与边界：
• 演讲把 AI 音乐“下半场”概括为三种扩展：输入从文本、音频走向图像和视频，生成对象从音乐扩展到语音、音效和环境声，过程从一次生成走向编辑与多轮协作；同时明确这些是行业观察，不表示每个产品已覆盖全部能力。（M4，slide 2）
• “统一音频模型”被定义为长期方向：在同一底座组织音乐、对白、音效和环境声，并支持多模态条件、生成、编辑与多轮创作。材料明确这不是 Happy Shrimp 1.1 的能力清单，也不代表统一模型已经完成。（M4，slide 3-4）
• Remix/Cover 的 A 旋律、B 编曲、C 音色组合，以及只增强副歌鼓组或只替换指定时刻音效，都是任务标准示例，用来说明“目标变化”和“既有内容保护”；材料明确不把它们当作 1.1 已实现能力。（M4，slide 5-6）
• Agentic loop 包括理解意图、制定方案、生成/编辑、聆听评价、验收与版本记忆，但被严格标为长期系统方向，完整自主评价与收敛仍待验证。（M4，slide 7）
• 本次模型发布：Happy Shrimp（快乐虾米）被定义为 AI 音乐创作与发现平台，用户可描述故事、情绪、曲风和年代，生成人声歌曲或纯音乐，使用 AI 辅助歌词或自己的歌词，并进行发现、分享和“做同款”。本次发布的 Happy Shrimp 1.1 按发布稿口径覆盖百余种曲风、十余种主流语言；材料未说明其公测、全量上线或具体发布渠道状态。（M4，slide 8、15）
• 1.1 的确认能力：
• 当前以音乐创作为核心，升级集中于创作语境理解、多维指令遵循，以及曲风、唱法、编配的匹配；跨模态组合、精细编辑和完整 Agentic loop 仅为长期探索，不属于本次承诺。（M4，slide 9-10）
• 音乐质量侧强化旋律记忆点、编曲层次、律动表现和段落情绪推进；演唱侧改善多语种咬字准确性、清晰度、错字与含混发音，并增强唱法多样性和情绪贴合度。材料没有将这些扩大为零错误或任意语言能力。（M4，slide 11-12）
• 技术方向包括音乐审美建模与强化学习奖励反馈，以及世界知识、音乐领域知识支持的语义映射和多维条件控制；材料未披露训练数据、网络结构、消融结果或正式提升百分比。（M4，slide 13）
• 作品与产品案例：Demo 是一首关于心理健康与倦怠的 experimental indie pop/hip-hop 男声作品，要求在说白、演唱、说唱三种段落间切换且各用不同编曲。材料要求只把它当作单个作品示例，不能据此推断稳定性或相对领先。（M4，slide 14）
• 场景与规划：演讲区分功能配乐与作品创作：前者更强调场景匹配、时长、成本和速度，后者更强调个人审美、辨识度、持续打磨和创作者主导权。后续评测方向是同时检查跨模态新组合、整体声音质量，以及多轮任务的完成率、迭代成本和内容保留能力；这些均是行业展望，不是 1.1 当前功能。（M4，slide 16-17）
• 一句话结论：Happy Shrimp 1.1 的现实边界是强化音乐意图理解、审美、编排和多语种演唱表达，更广泛的统一音频、多模态编辑与 Agentic 闭环仍属长期研究方向。（M4，slide 8-18）

M5｜AI 时代的音乐产业

• 演讲者：余灏，太合音乐集团总裁。（M5，slide 1）
• 产业基础：太合音乐以优质音乐内容为核心，覆盖音乐制作、词曲创作、艺人经纪、版权发行、演出服务和公播音乐，并通过 DMH、秀动、LAVA 及多风格厂牌形成全产业链；材料称其合作、服务知名音乐人数千人。（M5，slide 2）
• 内容资产：曲库示例包括《执着》《同桌的你》《故乡》《幻听》《曹操》《她说》《大鱼》《成都》《无名的人》等；演讲将这些既视为跨代际内容资产，也视为 AI 训练数据争议中的核心对象。（M5，slide 3）
• 核心观点：
• 从 1960—70 年代电子合成器、1980 年代 MIDI、1990 年代 DAW 到今天生成式 AI，每轮技术都伴随职业焦虑；演讲者的判断是技术最终重塑生产力而非摧毁音乐。材料称 DAW 把专业录音成本降低 90%。（M5，slide 5）
• AI 对创作形成“双向拉动”：大众可用文本在几秒内生成 Demo，专业人员则用 AI 提效分轨、降噪、混音和母带工作。（M5，slide 6）
• 版权方面，材料仅陈述德国、丹麦出现早期判决，加拿大、美国有诉讼审理，部分 AI 公司与版权方探索授权合作；演讲明确全球司法实践仍在演进，不预判最终规则。（M5，slide 7）
• 治理立场不是否定 AI 翻唱需求，而是要求识别和管控未经授权、分流正版收益的内容，让版权方可选择参与或退出。（M5，slide 8）
• 未来平台形态：实时个性化生成可能形成独立 DSP，也可能嵌入既有 DSP，服务车载、睡眠专注、游戏 BGM 等场景；两条路径共同依赖合规元数据、风格授权以及新的流量与版税结算体系。材料明确这仍是探索，没有标准答案。（M5，slide 9）
• 一句话结论：AI 降低音乐创作与制作门槛的同时，产业能否持续取决于版权选择权、授权机制和结算规则能否同步建立。（M5，slide 5-10）

M6｜多模态创作的真实工作流：创作者实践分享（筷子科技）

• 演讲者：陈万锋（Winder Chen），广州筷子信息科技有限公司董事长。（M6，slide 1）
• 核心观点：商业视频的关键不只是单次生成，而是把素材、生产、分发和转化数据组织成可持续运转的系统；材料把这一变化称为从 AI Video 到“全球视频创作 token 化”。（M6，slide 2、4）
• 业务规模口径：材料列出覆盖 20+ 行业、全球累计服务企业 13,500+、覆盖城市 922+、人像版权合规授信任务 70,000+、视频理解任务 2,000,000+、商业视频生成及分发总量 120,000,000+，并称驱动全球视频商业 GMV 200 亿+。这些均为演讲材料自述，未提供统计区间或第三方核验方法。（M6，slide 3）
• 产品与工作流：
• “丽帧引擎”定位为企业级 AI 视频合规生成引擎：选择生成、复刻、替换等任务，自动匹配模型，并把授权、审核、资产入库纳入安全商用流程，以实现质量、成本和版权可管。（M6，slide 5）
• 三类场景智能体包括视频复刻、无限画布和电商套图：前者区分创意内核复刻与镜头动作 1:1 拆解替换；无限画布串联文本、图片、音视频；电商套图从产品图生成整套视觉并支持局部编辑。（M6，slide 6）
• Kuaizi 主平台覆盖“编、拍、剪、投、管”，包含灵感推荐、脚本、拍摄素材、AI 影棚、复刻、元素替换、数字人、配音、混剪、一键成片以及抖音、小红书、快手、视频号分发。（M6，slide 7）
• 智能体环境资产被概括为亿级行业上下文与记忆、100+ 自研工具与 Skills、千万级素材与 IP 资源、30+ 多模态模型平台。（M6，slide 8）
• KP 钱包被描述为跨产品调用模型、Agent、算力、流量和 IP 素材的统一 token 入口；整体架构分为模型路由、可控 token 算力基础设施、原子能力和 Agent FDE 四层。（M6，slide 9-10）
• FDE 用于把模型、技能、工具、知识、素材、权限、渠道、资产库、分发和看板部署进企业流程，形成专属业务环境。（M6，slide 11）
• 生成与业务案例：
• Wan3.0 页面展示服饰、本地生活、家居、美妆等参考图生视频场景；材料没有提供这些效果的量化评测。（M6，slide 13）
• 餐饮案例称：近 200 家火锅门店仅有 1 名摄影师和 1 名剪辑师，平台批量裁剪与混剪把日均产出从 20 条提升到 500+ 条，材料同时写“产能提升超 240%”，并称累计绑定账号 500+。此处按材料原值保留，不对百分比另行推算。（M6，slide 14）
• 头部护肤品牌案例称，统一内容策略、拆解达人视频、建立混剪与多账号复盘机制后，内容总量提升 52%、内容效率提高 63%、全年产出 4,000+ 条素材。（M6，slide 14）
• 一句话结论：筷子科技把多模态生成放进“资产—生产—分发—转化—合规”的企业系统，价值口径由单个视频效果转向可持续产能和业务流程。（M6，slide 4-14）

M7｜多模态创作的真实工作流：创作者实践分享（Magnific）

• 演讲者：Jose Florido，Magnific Chief Market Development Officer。（M7，slide 1）
• 平台定位：材料展示从图像生成、编辑、放大、角色、运镜、抠图、重光照，到视频生成、放大、剪辑、项目编辑、说话、视频重光照，再到语音、音乐、音效、声音克隆、3D 和 360° 空间的一组创作工具；演讲说明公司过去三年持续扩展工具，并从“帮助创作者找免费图片”转向“帮助创作者完成出色作品”。（M7，slide 4-5）
• 视频工作流变化：
• 新一代视频模型被概括为 reference-based、multi-modal、multi-shot；输入形态包括首帧、尾帧、提示词、参考图和参考视频。（M7，slide 6-16）
• “首次约会”示例先建立咖啡馆场景和人物参考，再生成 15 秒第一段，并以第一段视频及人物参考继续生成 15 秒第二段，展示连续内容如何借助参考素材延展。材料没有给出人物一致性的量化结果。（M7，slide 18-20）
• 与逐镜头单独提示相比，多镜头提示可在一次场景描述中组织多个 clip；士兵点烟示例明确指定手部香烟、烟雾特写及电影化多镜头表达。（M7，slide 22-25）
• 演讲建议把场景生成视为不同 takes，再从不同 takes 组合镜头，以获得更快流程和更高一致性、连续性；同时也主张让模型在士兵采访等场景中保留一定创作空间。（M7，slide 30-34）
• 混合制作与 VFX：多模态被用于混合工作流，并通过世界模型建立 3D 环境；材料强调这种方式给电影制作者更多控制。（M7，slide 36-45）
• VFX 示例包括修改时间、服装颜色和局部帧，以及将前景男孩移除、隔离后重新生成其横向奔跑动作。页面列出 Happy Horse Edit、Gemini Omni、Seedance 2、Aleph 2 等可编辑视频模型，但未提供并列测评数据。（M7，slide 46-58）
• 演讲认为新视频模型正在降低 VFX 门槛，但没有把“可编辑”扩大为所有镜头均可稳定完成。（M7，slide 52-58）
• 艺术与制作边界：结尾指出剧本问题往往与预算相关，同时强调“再多技术也不能把坏故事变成好故事”；技术降低制作门槛，但故事质量仍由创作本身决定。（M7，slide 62-63）
• 证据限制：M7 有多页纯图片或无可提取文字页面，因此摘要只采用可提取标题、提示词和备注，不从未识别画面推断具体效果。（M7，slide 2-3、8、12、17、21、26-29、33、35、39、42、49-51、53-54、56、59-61）
• 一句话结论：Magnific 展示的是以参考素材、多镜头生成、混合制作和局部 VFX 编辑串联的 AI 电影工作流，而最终叙事质量并不会由工具自动保证。（M7，slide 6-63）

M8｜多模态创作的真实工作流：创作者实践分享（大雄）

• 演讲者：大雄，AIGC 设计师、开源 LoRA 模型创作者、B 站 AIGC 技术分享创作者。（M8，slide 1）
• 核心框架：演讲以“AI 是手段，解决问题是目的”为判断标准，给出从模型能力、工具协同到公司级系统和业务落地的路径，最终衡量是否更稳定、更低成本、更大规模地解决问题。（M8，slide 1-2、16）
• 模型能力层：
• 当通用模型无法稳定完成任务时，用训练补齐光线迁移、多角度生成、视角与透视控制等能力缺口。（M8，slide 3）
• 光线 LoRA 用于把反复抽卡转为相对可控的光线迁移；多角度 LoRA 配合 Qwen 降低文本控镜抽卡成本；精确控镜则让高斯泼溅负责实时预览角度和透视、Qwen 负责还原最终图片。（M8，slide 4-6）
• 对 LoRA 训练的解释仅到“Loss 下降通常表示接近训练目标，最终仍需用生成结果验证”，没有展开数据集、学习率或损失函数。（M8，slide 7）
• 工具协同层：模型和平台增多后，成本转移到账号、会员、素材、生成记录和团队协作。无限画布用于统一模型入口、CLI、图片/视频创作和共享资产，材料称其可接入兼容 OpenAI 协议的服务，以及 ComfyUI、即梦、可灵、MiniMax、GPT CLI、Gemini CLI、即梦 CLI 等。（M8，slide 8-10）
• 公司级系统层：
• 演讲区分开放探索与固定业务：前者适合由专业人员灵活使用 Codex，后者需要按岗位封装入口、统一业务软件和数据权限，并支持定时、批量和自动触发。（M8，slide 11-12）
• DXOS 被定义为可安装的业务应用系统，连接 MCP、Skill、业务软件和自动化流程，提供统一入口、MCP 可视化、应用扩展、后台运行及角色/部门权限；一个 Agent 可理解需求并调度不同 App，素材、数据和任务可跨应用流转。（M8，slide 13-14）
• 业务案例：运营与售后可修改 PS 模板、生成 AI 条码和批量处理图片；数据工作可定时下载紫鸟与领星数据并整理日报、周报、月报；内容生产可一键生成漫剧、产品视频；管理查询可按需获取销售数据。材料仅列出场景范围，没有给出节省工时或准确率数据。（M8，slide 15）
• 一句话结论：AIGC 落地不应停在模型试用，而要依次补齐专用能力、降低协作门槛，再用 Agent、MCP、Skill、权限和自动化把重复任务固化成业务系统。（M8，slide 3-16）

M9｜看见动态生产力：阿里视频生成模型技术与落地应用

• 演讲者：张士伟，阿里 ATH Token Foundry 多模态生成算法科学家。（M9，slide 1）
• 模型历程：材料从 ModelScope-T2V（2023.3）、VideoComposer（2023.6）、AnimateAnyone（2023.11）讲到 Wan2.0、2.1、2.2、2.5、2.6、2.7、HappyHorse 1.0/1.1 和 Wan3.0，描述能力从高质量动态素材、影视级光影、原生音画同步，演进到参考生成、15 秒智能多分镜、视频指令编辑、多模态参考与时序控制。（M9，slide 3）
• 发布与状态边界：PPT 把 Wan3.0 标为 2026.8“全新下一代视频生成模型发布”，称其带来现有 AI 工作流进化；但材料没有说明公测、全量上线、开源或具体可用入口。早期 ModelScope-T2V 被明确称为“第一个开源视频大模型”。（M9，slide 3）
• 技术路线：
• 规模化高质量视觉数据用于增强多模态概念理解，规模化 MoE 用于扩展生成能力，并把图像、文本、视频、语音等作为输入输出方向。（M9，slide 5）
• 后训练分为质量微调、运动强化和音频强化，目标分别是提高真实质感与细节、改善生动性和运动崩坏/穿模、提升声音真实感及音画同步和音频参考一致性。（M9，slide 6）
• PE 对剧本做意图理解，拆为六个核心创作维度并编排分镜，形成结构化模型语言；材料以“根据输入 PPT 生成广告视频”作为应用示意。（M9，slide 7-8）
• 材料声称阿里视频模型在国际 AA 榜单获得“两项全球第一、前十名独占四席”，但本页未列榜单名称、具体模型、指标或评测日期。（M9，slide 9）
• 应用范围：专业影视创作强调 30 秒时长、真实场景还原和一致性，面向 AI 影视、短漫剧、音乐舞蹈 MV、生活 Vlog；业务范围还包括电商、高德、优酷、饿了么和蚂蚁具身等。（M9，slide 11）
• 工业级短剧强调参考角色一致性、多场景解耦和复杂运动逻辑；电商广告强调商品材质、结构化脚本、IP 一致性及物理光影；广告营销、游戏创作和设计创意分别强调降低实拍/特效门槛、大规模角色与动态交互、把 UI/软件动画/数据可视化转成动态内容。（M9，slide 12-16）
• “音乐创作”页正文与上一页设计创意文案基本相同，未提供独立音乐生成能力说明，因此不据此扩展 Wan3.0 的音乐能力边界。（M9，slide 17）
• 一句话结论：阿里视频生成路线把规模化多模态模型、偏好后训练与 PE 意图规划结合起来，并面向影视、电商、广告、游戏和设计落地；具体上线状态和榜单细节仍需材料之外的证据。（M9，slide 3-17）

M10｜数字歌手：AI 音视频创作新浪潮

• 演讲者：卢小旭，小旭音乐创始人。（M10，slide 1）
• 团队与业务背景：小旭音乐 2006 年创立，材料称其 20 年间为《古剑奇谭》《完美世界》《诛仙》《天龙八部》《QQ 斗地主》《仙剑奇侠传七》等上千部作品制作音乐，并定位为游戏音乐品牌与 AI 音视频创意团队。（M10，slide 2）
• 团队 2024 年推出“小旭 AI-Studio”视频号，两年内更新 500 多期、积累数十万垂直粉丝；ECO LAND 是由 8 岁主唱 ECO 与卢小旭组成的父子乐队，并参与 WAIC、TEDx、抖音创作者大会、云栖大会等活动。（M10，slide 3-4）
• 数字歌手方法：材料把“AI 歌手黄金公式”归纳为音乐水准与嗓音特色、AI 视觉呈现、歌手定位策划三项结合；示例定位包括许白的闽南语/EMO/清冷、YIN 银的民族+时尚、达妮卓拉的雪域高原与独立坚韧。（M10，slide 7）
• 创作与艺术案例：
• 音乐侧展示古韵合唱团的古人阿卡贝拉四声部、花妖乱弹的民俗夸张风格、林海声的沧桑磁性男声、野弦 Riff 的另类烟嗓女声与 ASMR、达妮卓拉的辽阔女声。（M10，slide 8）
• 视觉侧展示花妖乱弹《社恐狂想曲》的怪诞民俗与夸张运镜、YIN 银《银装素裹》的银饰冷光与民族未来、咖喱音阶《后来》的印度风情和反差喜感；材料标出 25.7 万转发，但没有明确该数字对应哪一条内容或统计周期。（M10，slide 9）
• 人设和“活人感”通过许白《半件毛衣》、YIN 银“来自大凉山”等短片持续建立；矩阵还通过 VLOG、歌手合拍和合唱内容增加角色关系。（M10，slide 10-11、16）
• 运营数据与迭代：材料称 AI 歌手在 4 个月内全网累计播放量破 2 亿；账号运营采取快速迭代、快速淘汰，结合自媒体矩阵和歌曲版权运营。每日上千条留言由 Codex 自动抓取、分类并汇总到公司飞书群，作为后续创作素材或改进计划。（M10，slide 5、12-13）
• 歌手按 A/B/C/D 分级运营：A级有一定粉丝量、周双更；B/C 级处于上升或破冰期、双日更；D 级处于起号期、日更。内容包括短视频唱歌、原创横版 MV、节日 VLOG、微电影和歌手合拍。（M10，slide 15）
• 商业化探索：收入方向包括原创音乐版权与推歌、企业 MV 与数字人定制及代运营/代孵化、账号商单广告，以及文旅和演唱会合作。材料明确 ToB 的 MV 制作与数字人定制已成为主要收入来源，但没有给出收入金额或占比。（M10，slide 14）
• 组织与成本：AI 音乐部负责翻唱、原创词曲及修改，并注明存在大量手工、非 AI 加工；AI 视频部负责视觉呈现；策划运营部负责定位、A&R、形象、故事和数据反馈，另有专人负责 50+ 自媒体日常发布。材料称 90% 算力成本用于视频，视频制作人 Token 人均成本为 5,000—8,000 元人民币。（M10，slide 18）
• 未来判断边界：演讲者判断 AI 歌手/AI 艺人将成为未来两年娱乐市场热点，可能出现综艺与头部艺人效应，并提出未来与真人艺人/歌手“平分市场”的展望；这是材料中的预测，不是已发生的市场事实。（M10，slide 17）
• 一句话结论：数字歌手的可持续运营依赖音乐、视觉、人设、数据反馈、矩阵更新和商业交付共同作用，现阶段仍包含大量人工制作与运营投入。（M10，slide 7-18）

五、全场总结

1. 贯穿全场的主线

论坛从基础模型、创作工作流和产业治理三个层次展开：图像、视频、音乐模型首先解决生成质量、控制和一致性问题（M1-M4、M9）；创作者和企业再用参考素材、多镜头、LoRA、无限画布、Agent、MCP、Skill、资产与分发系统把模型接入真实生产（M6-M8、M10）；音乐产业与数字歌手实践则把版权、授权、结算、人设、数据反馈和商业化纳入同一条价值链（M5、M10）。共同结论不是“模型自动完成创作”，而是多模态能力只有在意图可表达、结果可控制、流程可协作、版权可治理、作品可持续运营时，才会转化为生产力。（M1，slide 3-14；M2，slide 2-7；M4，slide 8-17；M5，slide 7-10；M6，slide 4-14；M7，slide 30-63；M8，slide 11-16；M9，slide 5-17；M10，slide 12-18）

2. 最有信息量的 3 个片段

1. 主题演讲｜吴晨飞：Qwen-Image-2.1 的能力与发布边界。7B 模型、60.28 Bench 总分、2K 推理耗时标注、RGBA 原生透明和多类编辑能力构成了较完整的模型证据链，且材料明确区分“2.1 已开源”和“3.1 Coming Soon”。（M1，slide 3-15）
2. 主题演讲｜林轩：Happy Shrimp 1.1 当前能力与长期方向的切分。材料把 1.1 的确定范围限定在音乐意图理解、审美、编排、律动和多语种演唱，同时反复说明统一音频、任意跨模态参考、局部编辑和完整 Agentic loop 仍是行业或长期方向，避免把规划误写成发布能力。（M4，slide 2-13、17）
3. 主题演讲｜陈万锋：从生成工具到商业视频系统。丽帧引擎、Kuaizi 平台、KP 钱包和 FDE 把模型路由、合规资产、编拍剪投管与企业 SOP 串联起来，并给出餐饮和护肤行业的产能、内容量及账号案例，展示多模态生成如何进入可度量业务流程。（M6，slide 5-14）

3. 跨材料呼应

• 模型能力到创作控制：M1 的透明图与局部/保真编辑、M2 的多模态条件与 Agentic PE、M4 的意图理解与音乐结构、M9 的 PE 剧本拆解，都把重点从“生成一个结果”推进到“表达并兑现复杂意图”。（M1，slide 6-13；M2，slide 3-7；M4，slide 9-13；M9，slide 5-8）
• 创作控制到真实工作流：M7 用参考图、参考视频、多镜头、takes 和局部 VFX 组织电影制作，M8 用 LoRA、高斯泼溅、无限画布和 DXOS 组织公司流程，M6 则进一步把资产、授权、审核、投放和转化纳入商业视频系统。（M7，slide 16-58；M8，slide 3-15；M6，slide 4-14）
• 工作流到产业与艺术运营：M5 强调授权、版权选择权和结算基础，M10 显示数字歌手仍需要人工音乐制作、视觉、人设、A&R、矩阵内容和评论反馈闭环；两者共同说明文化娱乐产品不能只以生成速度衡量。（M5，slide 7-10；M10，slide 7-18）
• 规划不能替代现状：M1 的 Qwen-Image-3.1 只有“Coming Soon”，M4 的统一音频和 Agentic loop 是长期方向，M5 的 DSP 形态仍在探索，M9 未给出 Wan3.0 的具体可用状态，M10 的市场“平分”是预测。全场材料因此需要持续区分已发布能力、案例展示、行业判断和未来规划。（M1，slide 15；M4，slide 3、7、9、17；M5，slide 9；M9，slide 3；M10，slide 17）

4. 可落地的行动建议

1. 模型与产品团队建立“当前能力—发布状态—长期规划”三栏清单：对每项能力记录模型版本、输入输出、测试条件、是否开源/上线，以及仅属研究方向的内容，避免把 Qwen-Image-3.1、统一音频、Agentic loop 或 Wan3.0 的规划性表述当成现成功能。（依据：M1，slide 14-15；M4，slide 3、7、9；M9，slide 3）
2. 企业内容团队先选一个高频流程做端到端闭环：从素材和授权入库开始，接入模型路由与生成/编辑，再连接审核、分发和结果看板；同时记录日均产量、修改成本、交付时间和内容复用率，而不是只比较单张图或单段视频效果。（依据：M6，slide 5-14；M8，slide 11-15）
3. 文化娱乐运营方把创作与权利治理同步设计：数字歌手或 AI 音乐项目应同时定义人设与更新策略、人工审核环节、评论反馈回流、音乐和形象授权、退出机制及版税结算口径，使艺术表达、规模运营和版权方选择权在同一流程中可追踪。（依据：M5，slide 7-9；M10，slide 12-18）

【让每1分投入变成看得见的增长：AI重构跨境电商经营】材料摘要

二、重磅发布

Aidge 升级版平台及四款行业产品

• 发布人：黄伊娜，MaaS 业务线资深产品总监。（M10，第1页）
• 发布内容：Aidge 升级为专注电商与零售行业的 AI 服务平台；材料时间轴标注 2026 年 9 月云栖大会“四款产品上市”，包括 Aidge 电商出海经营助手、Aidge 智能零售解决方案、Aidge 电商企业工作台、Aidge 智能营销工作台。（M10，第3、9—10页）
• 核心亮点：采用“API + 企业应用”双轮体系；底层由 Qwen、Qwen-Image、Wan 及 15+ 电商零售专用领域模型支撑，上层覆盖商品发布、内容生成、广告优化、流量获取、商品诊断、本地化与零售巡检，可通过 API/Agent 嵌入既有系统，也可使用云端工作台。（M10，第9—11页）
• 发布阶段：升级版 Aidge 整体标注为公测；电商企业工作台、智能营销工作台标注为内测。电商出海经营助手和智能零售解决方案的独立阶段，M10 未分别说明。（M10，第3、9—10页）
• 规模口径：材料自报累计服务超过 50 万商家、日均调用超过 10 亿次，并称已有 30+ 标杆客户；这些是平台方材料口径，不与单项产品效果直接合并。（M10，第3、12页）

Aidge 企业工作台

• 发布人：王帅，阿里巴巴 ATH 事业群 MaaS 业务线千问 AI 平台 AI 应用高级产品经理。（M4，第1页）
• 发布内容：面向电商行业的 Agent 商家运营工作台，以企业资产、企业记忆/意识、连接器和技能广场编排数字专家，支持实时对话与定时任务，把选品、Listing、合规、上架、销售增长等经营任务从单点生成推进到端到端交付。（M4，第4—6页）
• 核心亮点：Agent 按“理解目标—获取业务上下文—制定与协同任务—授权执行与人工审批—结果验收和反馈”闭环工作；内置商品管理、合规检测、图片/视频、Listing、翻译、GEO/SEO、线索挖掘等 15+ 行业专家。（M4，第5—6页）
• 发布阶段：企业工作台标注为公测；个人版订阅方案已展示，企业版坐席“即将推出”。（M4，第6、10—11页）
• 效果口径：材料称电商运营数字团队可使上架周期较原人工方式缩短 50%；全域销售团队相对人工跟进的线索转化率提升 30%；素材团队经 A/B 测试、按相对提升口径，曝光点击率比竞对高 10% 以上。材料同时注明不同类目和渠道会造成波动。（M4，第7—9页）

Aidge 全域营销 Agent 团队工作台

• 发布人：王特，阿里巴巴 ATH 事业群 MaaS 业务线千问 AI 平台 AI 应用高级产品经理。（M6，第1页）
• 发布内容：以品牌资产中心为底座，由社媒洞察、视频创作、广告投放 Agent 接力完成“洞察—生成—投放—反馈”，把素材、创作方法和投放经验沉淀为下一轮营销可复用的资产。（M6，第2—4、6、10页）
• 核心亮点：品牌素材可自动分类、打标、拆解；洞察 Agent 分析爆款、评论与 VOC，创作 Agent 调用素材和 Skill 形成视频变体，投放 Agent 把表现回流到素材评价和下一轮创作建议。（M6，第4、7—10页）
• 发布阶段：智能营销工作台标注为内测；当前重点展开社媒营销团队，SEO/SEM、GEO 和私域营销团队均标注“规划中/Coming soon”。（M6，第3、5、11页；M10，第10页）
• 数据限制：材料中的投放链路明确为流程示意，并非真实投放数据，不能据此推断确定的 ROI 提升。（M6，第10页）

电商视频生成产品形态

• 发布人：吴迪，阿里巴巴 ATH 事业群 MaaS 业务线千问 AI 平台 AI 应用高级产品经理。（M5，第1页）
• 发布内容：围绕商品理解、卖点策划、镜头执行、质检验收与纠错，提供视频生成、爆款复刻、元素裂变和多模态翻译，交付 API、可嵌入编辑器 SDK、SaaS 创意工作台三种形态。（M5，第3—4、7、15—16页）
• 核心亮点：以商品保真、可用率和转化表现而非“抽卡”衡量交付；自动质检覆盖 420 个检测指标，整体评测体系为 640 项质检维度，并结合电商小二人工标注；材料中的五类目评测里，电商强化链路质量分为 4.1—4.8/5。（M5，第3、5—6页）
• 发布阶段：API 服务标注“可用”；视频编辑器 SDK 与 SaaS 创意工作台均标注“排期中”。（M5，第16页）

三、主题演讲

骆卫华｜技术势能 × 商业动能：AI 重构跨境电商新范式

• 身份：阿里巴巴 ATH 事业群 MaaS 业务线 AI 应用算法负责人。（M7，第1页）
• 核心观点：跨境电商同时面对合规、本地化、流量和数据决策四道门槛；AI 的价值不在裸模型调用，而在把翻译、内容、研究、巡检等能力组织成可追踪、可交付的经营闭环。（M7，第4、6—7、10—14页）
• 关键论据：材料引用海关总署、商务部及公开行业研究称中国跨境电商年度进出口规模 2 万亿元以上、近五年接近翻倍；另以平台自报规模数据列出日均 12 亿 API 调用、2000 亿+ Token、50 万+商家，以及 5—10 倍上架效率、80%—90%本地化成本下降、20 倍素材产能等效果。这些宏观引用、平台自报与个案指标口径不同，不应直接相加。（M7，第3、15页）
• 案例口径：材料列举 3C 卖家上架从 2 周降至 2 天、GMV +40%，服装卖家素材产能 ×15、ROAS 1.8→2.6，跨境大卖开品 +100%、美工成本 -80%；均为材料中的标杆案例陈述，未给出样本、周期和归因方法。（M7，第15页）
• 一句话结论：让 AI 从工具进入经营，关键是“基模—领域算法—行业知识—数据反馈”共同形成持续改善的闭环。（M7，第14、16页）

袁哲｜AI 赋能电子商务：成本、能力与价值分配

• 身份：浙江大学人工智能经济学研究实验室副主任。（M9，第1页；同一演讲的题词器为 M8，第1页；M16 为同题演示稿副本，不重复计为另一场演讲）
• 核心观点：AI 通过降低信息处理与专业服务成本、补足技能约束来创造价值；评估时还要追问价值分配，因为低历史消费群体和小商家的相对改善可能更明显。（M9，第2、18—21页；M8，第53—63页）
• 消费者证据：材料所述多语言搜索实验覆盖 180 多万名消费者，销售额和转化率分别提高 2.93%、1.15%；AI 即时客服随机实验覆盖 4.4 万多名消费者，相对原自动回复的销售额、转化率分别提高 16.3%、21.7%；结构化多语言商品描述实验覆盖 470 多万名消费者，销售额、转化率分别提高 2.05%、1.27%。（M8，第12—23页；M9，第5—7页）
• 售后证据：在 85 万多名消费者的新旧流程随机比较中，免退货部分退款方案使退货处理费用降低 11%；计入首次交易及后续 30 天退款和处理费后，每人总净交易价值平均增加 1.44 美元。（M8，第24—29页；M9，第8页）
• 商家证据：研究中，仅采用内容生成的商家相对匹配对照商家，销售额、店铺浏览量分别提高 25.2%、23.2%；仅采用经营分析功能的商家，销售额、月订单量分别提高 22.8%、26.0%；联合采用后，新顾客数、新顾客销售额、新品数、新品销售额分别提高 49.6%、75.6%、16.1%、64.4%，商品差评率和商家责任纠纷率分别下降 22.2%、20.6%。（M8，第33—43页；M9，第11—13页）
• 劳动者证据：2022 年上线的听障骑手文字转语音外呼工具，经双重差分估计使取餐至送达时长下降 3.2%、每周订单增加 11.1%；小饿助手在试点城市 2025 年第 14—25 周的描述性数据中，到应用后第 11 周约 90% 的活跃众包骑手曾使用。（M8，第45—51页；M9，第15—16页）
• 价值分配：研究样本中，最小规模商家联合采用后的销售相对增幅约 61%，最大规模组约 10%，中间两组约 34%、36%；这是样本内异质性结果，不宜外推为所有商家的确定收益。（M8，第56—58页）
• 一句话结论：AI 的经营价值应同时以“创造多少价值”和“谁获得更明显改善”来衡量。（M8，第59—64页；M9，第21—22页）

何佳贤｜从翻译到多语言原生

• 身份：得物国际多语言业务负责人。（M1，第1页）
• 核心观点：跨境多语言不是单纯翻译问题，而是术语、变量、语气和本地表达造成的体验断层；先建立“自然度”独立指标，再把语言能力基础设施化，才能安全放量。（M1，第4—7页）
• 实践方法：以大模型对线上会话判定场景、缺陷类型、自然度和严重度，形成可排序、可分责的看板；工程团队守住管线，业务团队掌握配置；低代码用于验证，生产核心链路必须有版本管理、单测和缓存控制。（M1，第7—8页）
• 关键论据：图片与视频本地化接入 Aidge 多模态翻译；材料转引阿里云调研称，人工编辑一个商品的一种外语图片需 30 分钟以上。该数字是被引用的调研口径，并非得物实测。（M1，第9页）
• 一句话结论：从缺陷清单和评测集出发，先跑通一个端到端场景、算清 ROI，再复制扩展，比追逐新模型更重要。（M1，第10—12页）

唐华平｜AI+ERP，重构跨境电商新效率

• 身份：芒果店长 ERP 市场总监。（M3，第1页）
• 核心观点：ERP 不需要变成 AI 公司，而应把成熟 AI 能力嵌入采集、优化、翻译、视觉和上架流程，使效率目标从“搬过去”升级为“搬完怎么卖”。（M3，第1、4页）
• 企业与产品口径：芒果店长自报对接 50+ 跨境平台、服务 75 万+ 卖家、日均处理 500 万订单、对接 500+ 物流及海外仓 API；这些是企业自报规模，不等同于 AI 增量效果。（M3，第2页）
• 实践方案：芒果店长基于 Aidge 生成多语言标题、卖点和详情，完成文字/图片翻译及白底图、场景图、详情图生成；其所依赖的 Aidge AI 能力底座标注为公测。（M3，第5—6页）
• 一句话结论：AI 正把 ERP 从流程搬运工具重构为连接供应链、产品力和智能经营能力的业务系统。（M3，第3—6页）

蓝恺航｜电商出海 AI 实践

• 身份：阿里巴巴 ATH 事业群 MaaS 业务线千问 AI 平台 AI 应用高级产品经理。（M13，第1页）
• 核心观点：Aidge 以统一技术底座贯穿机会洞察、商品发布、内容增长、导购服务和监控质检，把重复任务转为可批量调用的智能生产力；相关经营助手与最佳实践均标注为公测。（M13，第2—6页）
• 产品方法：商品信息优化 Agent 先多模态理解商品，再过滤水印、Logo 和无效信息，结合目标市场的合规、文化和消费者需求，完成翻译、SEO 标题、卖点、场景图及冷启动内容；使用方式覆盖单次体验、批任务和 API 配置管理。（M13，第3—5页）
• 关键数据：全模态翻译方案材料称领域方案 RT 约 300—400ms、支持 200+语种互译、300 页超长文档翻译成功率 100%、视频翻译可用率 90%+；实践案例另列 AE 图片翻译 d-p +3%—10%、AE 搜索导购 GMV +2%—5%、淘海外俄罗斯站 l-p +2%—5%、Lazada 商详翻译组件年化 GMV 10 亿+。这些是不同模态、平台与业务指标的材料口径，不能合并成统一增幅。（M13，第6—7页）
• 一句话结论：跨境 AI 的规模化不只依赖模型效果，还取决于前后处理、品牌词保护、知识库、批处理、部署与可观测等工程产品力。（M13，第6—7页）

鲜嘉麒｜快手灵机短视频 AIGC 创作专家模式实践

• 身份：快手电商智能体技术负责人。（M14，第1页）
• 核心观点：全托管内容生产需要同时由素材、商品和爆款范式驱动；比复刻单条剧本更可持续的路径，是把行业经验和客户原声结构化为 Agent 可调用、可评测、可迭代的能力资产。（M14，第2、4—5页）
• 技术实践：灵机从代码编排、Workflow、可控式生成和 Loop 演进到专家经验创作；Harness 负责规划、能力路由、流程编排、机审、ReAct 修正和环境反馈，模型层组合快手 Tianmu、可灵 O3 与公测中的 Aidge。（M14，第7—9页）
• 关键数据：专家经验模板拆为 50+副维度、600+特征值；发布后以曝光量、5 秒完播率、点赞、下单和支付等反馈更新经验得分，低置信结果进入人工审核。（M14，第5、10页）
• 一句话结论：视频 Agent 的竞争力从“能生成”转向“把创作经验沉淀为受反馈驱动的生产系统”。（M14，第8—10页）

嵇伶｜一个牛奶罐的承诺，如何被 AI 兑现

• 身份：材料标注为罗森技术负责人（Tech Lead）、Aidge 智能巡检 AI 共创代表。（M11，第1页；M2 与 M11 内容相同，不重复计为另一场演讲）
• 核心观点：货架巡检应把门店照片转成可查询、可告警、可整改的数据资产；大模型负责新品类、新场景的泛化理解，行业小模型负责 SKU、POSM、分层和面积精度，知识库通过 BadCase 回流持续进化。（M11，第3、6页）
• 关键数据：罗森材料自报在超 7,000 家门店、约 3,000 种店内商品和每周上新的背景下，单店巡检从 15—30 分钟降至 1 分钟以内，覆盖率从不足 20%抽样提高到 90%+全量，单图推理低于 20 秒。（M11，第2—3页）
• 落地结果：硬包装一期使用 10 组门店冰柜实拍、覆盖 851 个 SKU，在阈值 0.92 下精确率 90.5%；软包装在 9 个门店场景、423 条召回评测样本上准确率 94%，最高命中相似度 0.994。这些均为罗森共创材料的阶段性评测口径。（M11，第4—5页）
• 一句话结论：先以置信度门控和自动质检跑通一个冰柜，再通过 API、版本、权限、灰度和数据隔离把项目工程化为能力。（M11，第4—6页）

卢超｜快消行业终端费投智能管理新范式

• 身份：玄瞳科技副总裁。（M12，第1页）
• 核心观点：终端费投应从“拍照留证”升级为“智能核验 + 实时闭环”，把政策、采集、识别、判定、复核和结算串成全量可追溯流程。（M12，第5—7页）
• 企业口径：玄瞳自报深耕快消 18 年、覆盖 7 大子行业、服务 150+ 战略客户，在百亿厂商中的市占率为 20%+。（M12，第4页）
• 客户痛点口径：某水饮龙头案例称传统管控中补贴被截留 30%—40%、抽检覆盖率低于 10%、单店录入超过 15 分钟、人工抄录错漏率超过 30%；这是特定客户案例基线。（M12，第8—9页）
• 落地结果：陈列价盘方案覆盖 30+ 场景、识别准确率 95%+，材料称费控精细化相对传统提升约 20%；地堆面积方案经 2 个月专项突破达到偏差 ±20%；POSM 方案以小样本、多模态和向量召回把新物料上线周期压到 1 周以内，识别准确率保障 85%+。（M12，第10—12页）
• 阶段与边界：玄瞳 × Aidge 共创标注为公测；户外广告与堆箱数量在材料中明确只是需求方向，并非已经交付。（M12，第5—6页）
• 一句话结论：费用管理的价值不是多识别一张图，而是把陈列面积、数量与规则转成可核验、可结算的经营事实。（M12，第11—13页）

卢建华｜零售智能巡检：从通用多模态到领域智能

• 身份：阿里巴巴 ATH 事业群 MaaS 业务线千问 AI 平台 AI 应用高级产品经理。（M15，第1页）
• 核心观点：线下零售要获得线上级实时经营能力，必须把图片/视频经视觉理解转为标准事件 API，并嵌入 SFA/CRM，贯穿执行、核验、费用与复盘。（M15，第2—3页）
• 技术论据：SKU 难点在于将相似外观映射到唯一 SKU，并完成计数、合规与空间推理；领域后训练在保留大模型复杂场景泛化能力的同时，追求接近专项视觉模型的细粒度识别。（M15，第4—5页）
• 关键数据：地堆面积结构化空间推理的 27B 方案达标率为 86.4%（19/22），面积误差小于 20%；高置信结果通过、低置信转人工、库外 SKU 建档回流。（M15，第6页）
• 一句话结论：零售 AI 的目标是让每次现场变化成为稳定、可信、能推动动作的数据，而不只是“多看几张图”。（M15，第7—8页）

五、全场总结

1. 贯穿主线

全场共同把“看得见的增长”拆成一条可验证链路：先把商品、消费者、门店和经营规则转成可计算的事实，再由领域模型与 Agent 承接完整任务，以评测、人工门控和业务反馈纠错，最后用转化、成本、时效、覆盖率或费用核验结果评价投入。宏观规模、平台自报、企业案例和随机实验是四类不同证据，材料支持把它们并列理解，但不支持合并成一个统一 ROI。（M7，第14—16页；M8，第14—28、36—43页；M5，第3—6页；M11，第3—6页）

2. 最有信息量的 3 个片段

1. 主题演讲｜袁哲：以多组实验或准实验把“AI 有用”落实到可量化结果——即时客服相对原自动回复带来销售额 +16.3%、转化率 +21.7%，免退货部分退款流程使退货处理费 -11%，并进一步比较小商家与低历史消费群体的受益差异。（M8，第18—29、53—58页）
2. 主题演讲｜嵇伶：把零售巡检从技术指标接到经营流程，形成“门店拍照—识别/召回—规则判定—整改—BadCase 回流”，并给出硬包装 90.5% 精确率、软包装 94% 准确率及巡检时间从 15—30 分钟降至 1 分钟以内的阶段性案例数据。（M11，第3—6页）
3. 重磅发布｜吴迪：把视频生成重构为可验收工序，以商品理解、脚本、镜头、自动质检和人工标注形成纠错环，并明确 API“可用”、SDK 与 SaaS“排期中”，使能力边界和交付阶段同样可度量。（M5，第3—6、16页）

3. 跨形式呼应

• 方向：骆卫华提出 AI 要从通用能力走向经营伙伴，以行业知识和数据反馈承接合规、本地化、流量与决策问题。（M7，第4、14、16页）
• 验证：袁哲用消费者、商家和劳动者研究说明，降低信息、专业服务和技能成本可以转化为销售、转化、订单与履约改善；何佳贤、嵇伶、卢超分别把同一逻辑落实到多语言自然度、货架巡检和终端费投。（M8，第14—28、36—47页；M1，第4—11页；M11，第3—6页；M12，第9—12页）
• 落地：Aidge 四款产品及企业、营销工作台把这些能力封装为 API、行业 Agent 和团队工作台；吴迪与鲜嘉麒进一步把视频生产做成有规划、质检、反馈和阶段边界的系统。（M10，第3、9—11页；M4，第5—10页；M6，第3—10页；M5，第3—6、16页；M14，第7—10页）

4. 可落地行动建议

1. 跨境商家与 ERP/SaaS 产品负责人：选择一个高频闭环先建基线再接 AI。 从多语言 Listing、商品图视频或合规上架中选一项，先建立缺陷清单、自然度/质量评测集和人工验收门，再记录耗时、成本、转化与返工率，端到端跑通后再复制；不要从模型选型开始。（M1，第5—11页；M3，第4—6页）
2. 营销与内容团队：把历史素材、创作方法和投放反馈做成共享资产。 对素材自动分类与拆解，把 Hook、卖点、镜头和类目经验结构化为可调用 Skill；用多版本 A/B 测试回写 5 秒完播、点击、下单和支付表现，低置信结果保留人工审核，避免每轮营销重新开始。（M6，第4、7—10页；M14，第5、8、10页）
3. 零售品牌、渠道与技术团队：以“高置信自动通过、低置信人工复核、BadCase 回流”部署巡检。 先在一个冰柜、地堆或 POSM 场景定义 SKU/面积/规则与费用口径，通过标准事件 API 接入 SFA/CRM；达到场景阈值后再灰度扩面，并保留客户级数据隔离、版本和权限管理。（M11，第4—6页；M12，第7、11—12页；M15，第3、6页）

证据范围

本摘要逐一核读 16 个 TXT，并按文件名排序编号为 M1—M16。M2 与 M11 是同一罗森演讲的重复版本；M8 为袁哲演讲题词器，M9 与 M16 为同题演示稿版本，合并为一场演讲并优先采用题词器中的精确研究口径与 M9 的一致页面，未将重复内容重复计数。其余材料分别作为独立演讲或发布证据。材料中没有欢迎致辞或逐人圆桌对话证据，故不设置对应章节；现有材料不足以判断任何圆桌共识或分歧。

【阿里云万网：以AI重塑中小企业经营入口】材料摘要

二、重磅发布

围绕议题「产品发布：万小智3.0、阿里云万网国际站与CLI」，本场集中发布三项面向中小企业的产品能力。

王霄 · 阿里巴巴ATH事业群MaaS业务线资深产品专家 · 从一个域名到一门全球生意（阿里云万网国际站）

• 核心观点：中国出海从"卖货"进入"品牌"时代，域名是全球化经营第一步；阿里云万网国际站是更适合出海场景的域名服务平台。
• 关键论据·案例·数据：材料称覆盖近400个TLD（gTLD、国别域ccTLD、.ai/.io等AI后缀），主打更丰富后缀、更有竞争力价格、与中国站一致体验、统一服务团队，并与阿里云计算/存储/网络/AI基础设施协同；提供国内国际双站售卖；出海解决方案覆盖域名注册（400后缀）、建站（10分钟从想法到网站）、发布（5分钟全球上线，含域名绑定、免费SSL、边缘节点加速）、增长（内容日更，社媒多渠道发布标注"Coming soon"）。引用数据：2025年跨境电商出口2.2万亿、2020–2025 CAGR 11.2%、独立站占比约35%、2025海外注册企业5万家（材料标注为估算/媒体推测）。
• 一句话结论：以国际站域名服务为起点，帮助中小企业完成品牌出海的数字基建。

孙亚健 · 阿里巴巴ATH事业群MaaS业务线资深产品专家 · AI时代，互联网的新入口（阿里云万网CLI发布）

• 核心观点：操作互联网的主体正从"人点鼠标"转向"人+AI说一句话"，Agent不会点鼠标只会调命令，需要一个AI读得懂、调得动的命令行入口；阿里云万网CLI今天正式发布。
• 关键论据·案例·数据：CLI把域名、建站、备案三大能力串在同一命令前缀 aliyun domain（建站走 wxz 命令组），材料称含147条扩展命令（45条域名管理+60条万小智建站）、8个业务阅读分区；设置四道安全闸门（只查不动、动手前预览、需人工确认、高危操作复述域名/确认扣费），隐私信息不进命令、只走官方通道；定位为与控制台互补（"控制台是看的，CLI是干的"），一行命令即可安装。演讲引用QuestMobile（2026.05中国AI应用月活4.99亿、同比+85.4%）、千问App（2026春节1.3亿用户用Agent完成真实交易）、易观分析（2026.06桌面AI办公智能体月访问6062万）、Cloudflare Radar（2026.06全球57.5% HTML流量来自Bot/Agent）。
• 一句话结论：把互联网的域名/建站/备案起点同时向人和AI开放。

刘博元 · 阿里巴巴ATH事业群MaaS业务线高级产品专家 · 从vibe coding到vibe business（万小智3.0产品发布）

• 核心观点：万小智3.0从"建好网站"升级到"从网站开始运营"，由Vibe Coding迈向Vibe Business，让生意自己转起来。
• 关键论据·案例·数据：材料称万小智已服务36万建站用户、企业用户占比73%；3.0围绕增长引擎（SEO/GEO双体检、内容/图片/视频创作、多渠道分发、效果分析）、营销素材（照片写实45种组合、平面插画84种组合）、移动管家（扫码上岗、每日汇报、官方技能统一下发）三部分；站点承接能力包含数据统计、7×24智能问答客服、通知管理留资、自然语言问数据洞察，材料标注均"已在线"。
• 一句话结论：万小智3.0把建站延伸为被找到—被读懂—被传播—被接住的经营闭环。

三、主题演讲

高坤 · 阿里巴巴ATH事业群MaaS业务线企业应用总经理 · AI时代，中小企业的变与不变

• 核心观点：AI这一年经历"AI+工具→AI生成→Agent执行"三次换挡，正从"给答案"走向"交结果"；中小企业不必追每个热点，要看清变（产品形态、工作与服务方式）与不变（经营的决策、获客、变现、盈利四道题、以及"入口可以变成AI，解决问题的责任永远是人"）。
• 关键论据·案例·数据：产品更懂生意（一句话生成域名、建站直接生成可上线网站、AI视觉审核备案）；判断AI产品好坏看是否更快、更省、更容易把生意做成；提出与合作伙伴、中小企业三方共建（云与AI能力+行业理解/最后一公里+真实场景/反馈）；结尾三动作：保持好奇、深度体验、主动改变。
• 一句话结论：把AI从趋势变成生意、从能力变成增长。

孙晓杰 · 阿里巴巴ATH事业群MaaS业务线企业应用运营总监 · 从入口到经营：阿里云万网三层能力升级

• 核心观点：万网把"做出来、跑起来、卖出去"连成一站式AI服务，形成生成层（智能生成）、部署层（可靠部署/智能化Hosting）、经营层（持续经营）三层能力，并以经营反馈驱动下一轮生成。
• 关键论据·案例·数据：当生成成为标配，真正稀缺的是业务理解（需求定义、创意表达、行业经验）；智能化Hosting用自然语言封装域名/云资源/网络安全/持续运行；经营层解决被发现（搜索与生成式搜索适配、多语言触达）、被信任（专业内容、客户案例）、形成转化（营销页面、询盘收集与跟进）；反馈飞轮将访问/询盘/转化数据转化为改内容/调表达/优产品/再经营。
• 一句话结论：万网从"工具/资产交付"升级为"从生成到经营"的一站式能力平台。

尤挺 · 小满科技产品负责人 · 懂外贸的AI帮中小企业把生意做到全球（OKKI×万小智）

• 核心观点：中小企业出海难点不在能否卖出一次，而在能否持续被全球买家看见、持续有生意；OKKI作为懂外贸的AI全球客户经营平台，与万小智结合补齐建站与营销获客。
• 关键论据·案例·数据：材料称OKKI为阿里巴巴国际站旗下、2013年从CRM起步，2024中国外贸B2B工具类SaaS市占率第一，25万外贸人、覆盖30+产业带、服务500+细分行业；近一年AI完成22亿次任务、相关商家平均成交转化提升69.2%（材料标注统计口径2025.08–2026.07、实际效果因企业而异）；懂外贸Agent团队覆盖新客开发、建站营销、公海/私海老客盘活、商机Agent；案例包括河南华莹鞋业3个月累计成交10万+美元/询盘转化18%、天津华利1天挽回6年失联客户等（材料标注案例数据来自客户材料）。
• 一句话结论：万小智AI建站底层能力＋OKKI外贸Agent，帮中小企业用有限人手持续拓展海外市场。

董承浩（浩越） · 阿里巴巴ATH事业群千问办公阿里邮箱运营负责人 · AI邮箱，企业沟通新范式

• 核心观点：在域名"被找到"、官网"被了解"之上，AI邮箱承担"被信任、能兜底"的双向沟通与商机沉淀角色；针对中小企业对外沟通"不专业、效率低、留不住"三大困境，提供会思考的企业邮箱。
• 关键论据·案例·数据：四项核心能力——智能写信（一句话生成专业正文、语气可选、签名称谓自动带入）、智能回信（读懂往来给可用草稿、一键改写、引用原文）、智能翻译（中文起草发出即对方语言、来信一键译中文、术语相对一致）、邮件追踪（送达/已读可见、到点提醒）；示例一封外贸询盘几分钟完成来回；邮箱与域名、官网在账号/形象/数据三处一体化打通。
• 一句话结论：让每一家中小企业拥有一个会思考、能沉淀商机的邮箱。

陈新 · 阿里云智能集团高级产品专家 · 全球加速+安全，中小企业出海第一站（ESA）

• 核心观点：中小企业全球化第一步是让产品/服务/品牌全球可达（够快、够稳、够安全、全球可达）；ESA（边缘安全加速）能力内建，买域名即部署，加速/安全/计算全开。
• 关键论据·案例·数据：ESA购域名即享网站加速、DDoS防护、WAF、SSL证书、Pages建站、边缘函数（材料标注均免费起步）；材料称覆盖3200+节点、70+国家、200+城市、180T带宽；新兴市场提速10–30%、每天1亿次网络探测秒级异常切换、回国延迟降低80%、跨境超时减少60%、连接复用率99.9%、AI首Token响应快30%、0-day漏洞2小时自动修复；与万网联动（ESA控制台搜/买域名、DNS天然打通、六项能力解锁无需跳转）；套餐从免费版¥0到基础版¥9.9/月、标准版¥375/月、高级版¥3600/月及企业版定制；前端云/应用云已上线、AI云标注"未来6个月"。
• 一句话结论：以ESA把加速、安全、计算能力内建，作为中小企业出海第一站。

刘天勇 · 阿里巴巴ATH事业群MaaS业务线企业应用资深运营专家 · 携手合作伙伴，共拓中小企业AI升级新市场（万小智生态合作政策与伙伴招募）

• 核心观点：AI建站+GEO带来新一轮中小企业市场机会，建站服务市场碎片化、属地化，万小智与伙伴存在天然合作机会；发布两大合作模式与生态招募政策。
• 关键论据·案例·数据：合作模式一分销返佣（注册阿里云伙伴推荐客户下单万小智标品返佣，含阿里云大使/分销伙伴两类资质要求，如企业注册资本100万以上、成立满1年不低于5人、信用保证金1万、客户关联90天、单客户实付封顶20万）；模式二服务商合作（签框架采购协议获折扣、伙伴交付、实例部署于万小智无需承担云资源与算力成本、不暴露阿里云品牌）；万小智新增独立控制台/代码下载/独立服务器部署/绑定自有通知服务等交付功能；提供快速上手—销售转化—交付支持—持续经营全周期赋能。
• 一句话结论：以低门槛、高收益的两大合作模式招募伙伴，共拓中小企业AI升级市场。

五、全场总结

本场论坛围绕"以AI重塑中小企业经营入口"，以域名、建站、备案为起点，展现万网从"做出来、跑起来、卖出去"到持续经营的一站式AI服务路径。重磅发布层面推出万小智3.0（从Vibe Coding到Vibe Business的经营闭环）、阿里云万网CLI（面向人与Agent的域名/建站/备案统一命令行入口）及国际站域名服务；主题演讲从战略判断（AI时代中小企业的变与不变、从入口到经营三层能力升级）延伸到出海获客（OKKI外贸Agent）、企业沟通（AI邮箱）、全球加速与安全（ESA），并以万小智生态合作政策招募伙伴。材料整体反映"基础设施+场景能力+伙伴生态"协同、以经营结果为导向的产品思路；各项性能数据、市占率与案例效果均以材料标注口径为准，部分为估算或客户提供数据，实际效果因企业情况而异。

【高德技术峰会：空间智能·AI生万物】材料摘要

三、主题演讲

董振宁（高德副总裁、高德云图总经理） · 全空间无人体系：城市的自主进化

• 核心观点：以世界模型和时空智能为底座，通过云境构建学习与验证环境、云睿承载行业智能体、A-BOT 参与现场行动；经授权治理、筛选和验证，使运行反馈反哺能力，形成「能力飞轮+生态飞轮」。
• 关键论据·案例·数据：云睿包含 5 个行业 Agent，开放 56+ MCP、23 个 Skill（产品方本次发布确认口径）；云境展示常州、比萨空间重建及文/图生成交互环境；A-BOT 展示导航、巡检、配送等方向，但不代表全域规模化落地；材料引用 2016、2024、2025 年智慧城市政策及 2026 年智能体意见作为演进背景。
• 一句话结论：城市可从感知、决策、协同迈向「在运行中学习、在协作中进化」，但不等于全城自动闭环已上线或脱离人工治理。

雷宇（职位材料未说明） · 空间智能核心升级：空间时代的新基础设施

• 核心观点：物理 AI 时代的三项升级是云境「从还原到生成」、云睿「从 BI 到 AI Native」、A-Bot「从导人到导物」，分别对应空间生产、行业洞察和具身行动；落地应从明确任务、试点指标和持续运营开始。
• 关键论据·案例·数据（均为厂商自述口径）：航飞效率提升 33%、新增建模 1600+平方公里，卫片建模约 3000 平方公里；卫片效率正文写「100%」、备注写「70%」，材料内部不一致，无法判定；云睿数据研发提效 10 倍、积累 500+行业头部客户实践，单次 POC 由数周缩至几分钟，但未给完整基线与统计时间；具身仿真含 10+类室内外场景、千级 GS 资产，目前用于离线训练与导航评测。
• 一句话结论：空间能力需转化为可访问、可验证、可持续运营的产品，生成与演示不等于现场精确还原或规模化商业部署。

徐牧（高德地图空间智能技术负责人/ABot 系列技术负责人） · ABot：面向物理 AGI 的全栈技术体系

• 核心观点：以 World Model、Action Model、Agent RSI System 构成环境、行动、反馈三层闭环，覆盖世界生成预测、导航与操作，以及模型、记忆、技能、Harness 迭代。
• 关键论据·案例·数据：ABot-Earth 被材料称为「全球首个 3D 原生城市世界模型」，覆盖 190+国家和地区、单图分钟级生成、宣称千倍提效（厂商自述口径）；技术报告称 ABot-N1 联合模型在 9 项仿真评测中 8 项领先，POI 成功率 77.3% 对 42.3%，但 RxR 为 73.9% 对 75.2%，各轴成功条件不同不可跨轴均分；ABot-M0.5 在 RoboCasa365、RoboTwin2.0、LIBERO 汇总指标领先，但 LIBERO-Plus 为 83.4%、低于对照 91.4%；ABot-ER 自述 Embodied-QA 综合第一，AgenticOS 自述取得 5 项记忆基准 SOTA。
• 一句话结论：ABot 目标是成为 Physical AI 全栈基础设施并开放共创，但能力验证不等同于已形成规模化产业部署。

五、全场总结

本场峰会围绕「空间智能·AI生万物」发布全空间无人体系及其三层能力：云境生产和生成可训练的空间环境，云睿将行业数据转为可执行智能体，A-Bot/ABot 连接世界模型、行动模型与自我进化系统，走向导航、巡检、配送和机器人操作。共同技术主线是让物理 AI 在可验证环境中学习，经人类授权和治理执行任务，再用真实反馈持续进化。材料同时表明，多数能力目前仍以产品演示、离线评测、技术报告或试点数据呈现；其中部分效率数据口径冲突，SOTA 结果也存在个别维度落后，不能据此推断全域、规模化或无人治理已经实现。

【魔搭社区：从开源模型到开放资源】材料摘要

三、主题演讲

M1｜从大到小，全面开源：迈向智能体普惠时代

• 演讲者：王治海，阿里巴巴 ATH 事业群 Token Foundry。[M1, slide 1]
• 核心观点：行业已进入 AI Agent 时代，Qwen 的路线一端追求更高智能与自我进化，另一端通过更高性价比和“从大到小、全面开源”推动 AI 普惠。[M1, slides 2-3]
• 开源发布与能力口径：材料明确写明 Qwen3.8 Max 开源，重点覆盖全栈开发、自动化运维、科研、法律、投研和工程设计，并强调从代码生成走向复杂系统创造、专业办公能力接近行业专家。[M1, slides 4-6]
• 效率优化：Qwen3.8-Flash-Next 相比 Qwen3.7-Plus，将每 Token 激活参数由 17B 降至 6B、训练 FLOPS 降至 1/9，Artificial Analysis Intelligence Index 从 26 提至 40，1M Prefilling 吞吐提升 8.6 倍；架构采用 GDN + QSA，并在残差、N-gram Embedding 和 Muon 优化等方面升级。[M1, slides 7-8]
• Qwen3.8-27B 开放成果：材料标注原生多模态、Apache 2.0、多档推理 effort 和长程 Agent 能力，并列出多项同口径对比，例如 Terminal Bench 2.1 从 63.4 提至 73.0、SWE-bench Pro 从 53.5 提至 61.7、OSWorld-Verified 从 63.9 提至 84.3；首日适配平头哥、NVIDIA、AMD、沐曦、联发科、摩尔线程等硬件。[M1, slide 9]
• 社区数据：材料称 Qwen3.8 开源一个月后，Qwen 系列累计有 460+ 官方开源模型、近 30 万衍生模型、全球累计下载 30 亿+；Qwen3.8-27B 对应 5600 万+下载和 1900+衍生模型。其还列出 Hugging Face 趋势榜、Cline、Unsloth、SGLang、Ollama/LM Studio、Kilo/Hermes 的接入情况，并称 Qwen 模型在 Hugging Face 2026 年下载量排名第一。[M1, slides 9-10]
• 一句话结论：Qwen 以大模型能力突破、小模型效率优化、开放许可及软硬件生态适配共同推进 Agent 能力普惠。[M1, slides 3-10]

M2｜K3 时代开源大模型端侧推理性能优化与 Agents 协作

• 演讲者：贾涛，月之暗面解决方案架构师。[M2, slide 1]
• 核心观点：AI 编程从补全、对话、Vibe Coding 走向 Agentic Coding，人的角色由作者、审查者转为编排者；“不看代码”成立的两个工程前提是推理成本足够低、协作机制足够可信。[M2, slides 2-3]
• Kimi K3 与端侧约束：材料按官方口径列出 K3 为 2.8T MoE、约 104B 每 Token 激活、896 专家选 16、1M 上下文和原生视觉理解，并称其 API 于 2026-07-16 上线、权重于 2026-07-27 开源；KDA 混合线性注意力、Attention Residuals 与 Stable LatentMoE 将 3T 级规模拉回可推理区间。[M2, slide 4]
• 端侧优化栈：能力、速度、资源构成不可能三角，内存带宽是自回归 Decode 的首要瓶颈。材料提出三层优化：模型压缩（量化、剪枝、蒸馏）、运行时加速（KV Cache、推测解码、算子融合）和硬件适配（CPU/GPU/NPU 与推理引擎）。[M2, slides 5-7]
• 关键技术数据：Llama-3.1-8B 的 GGUF Q4_K_M 体积缩减 69.4%，GSM8K 为 77.41、接近 FP16 的 77.63；10% KV 保留率下 SnapKV 的 RULER 均分 73.6，而 StreamingLLM 为 18.6，说明压缩必须按任务实测。推测解码典型加速为 2—4 倍，但材料不建议用于 batch 大于 16 的吞吐场景。[M2, slides 8-9, 11]
• 极端端侧案例：开源项目 Minirun 通过 SSD 权重流式加载，在 M1 Pro 32GB、8GB 内存预算下运行 1.56TB 的 K3，约 70 秒/Token；在 iPhone 16 Pro、5.8GB 预算下约 220 秒/Token。材料明确判断其速度不适合对话，更适合离线批处理和研究。[M2, slide 10]
• 运行时与实测：FlashKDA 内核、算子融合和连续批处理在内部测试环境将生产 GPU 利用率做到 85%+；Galaxy S25 上 1—3B、Q4_0 模型达到约 25—70 Token/s，而 175B 模型在单张 RTX 4090 的 PowerInfer 测试中平均约 13.20 Token/s，说明端侧可用性高度依赖模型规模和量化。[M2, slides 12-13]
• 多智能体工程判断：MAST 对 1600+ Trace 的分析给出 41%—86.7% 的任务失败率区间，其中规格与系统设计缺陷约 41.8%、智能体间失合约约 36.9%、验证缺失约 21.3%；仅改 Prompt 或换模型只提升约 14% 完成率。材料据此主张采用共享上下文、明确合约和验证门，而非无约束的并行 Agent。[M2, slide 14]
• 端云协同与协作模式：1B—7B 端侧“小脑”负责感知、路由、脱敏和简单任务，云端 K3“大脑”负责复杂推理与编排，内部测试口径称 Token 成本下降 40%—60%。协作拓扑中，层级式 Orchestrator-Worker 被列为当前最稳形态；Swarm 协调成本高，Pipeline 则有上游错误级联风险。[M2, slides 15-16]
• 组织与落地案例：AI-native SDLC 的瓶颈从写代码迁移到需求、评审、部署和运维。两个内部测试案例分别是全程端侧的代码审查三 Agent 集群，以及采用端侧 RAG、小模型精排、KV 分层和按需脱敏上云的百万 Token 本地知识库；两者共同要求“端侧闭环为主、云端按需、验证门不可省”。[M2, slides 17-19]
• 一句话结论：材料建议按激活参数估算端侧成本，以 Q4 与 PD 分离建立基线，并采用“端侧小脑 + 云端大脑 + Handoff 合约与熔断”推进 Agent 工程落地。[M2, slide 20]

M3｜MiniMax 开放之路

• 演讲者：TARS，MiniMax 开发者关系。[M3, slide 1]
• 核心观点：开放不应停留在“权重可下载”，而要让模型成为可部署、可定制、可继续训练并可进入真实生产流程的能力内核；M3 面向理解、记忆和长程执行，H3 面向原生音画生成，两条模型家族互补而非前后继任。[M3, slides 1-2]
• 开放时间线：材料按完整权重提交口径列出 MiniMax-01（2025-01-14）、M1（2025-06-14）、M2（2025-10-23）、M2.1（2025-12-21）、M2.5（2026-02-12）、M2.7（2026-04-09）、MSA 初始代码（2026-06-11）、M3 BF16/MXFP8 权重（2026-06-12）和 H3（2026-08-03）；其中 M1 的 40K/80K 是思考预算，不是上下文长度。[M3, slide 3]
• 从长上下文到长任务：MiniMax-01 以 Lightning Attention、Softmax Attention 与 MoE 建立长上下文基座，M1 通过 CISPO 强化长输出推理；M2 家族因代码、数学和 Agent 任务需要转向全注意力，材料强调架构选择须同时接受任务质量和系统成本检验。[M3, slides 4-5]
• M3 与 MSA：M3 将文字、图像、视频理解、1M 上下文、代码、工具和长任务放入同一模型，开放 BF16 与 MXFP8 权重，约 428B 总参数、23B 每 Token 激活。MSA 先由轻量索引选择 Top-K 相关 KV 块，再做稀疏注意力；在论文的 109B 实验模型、H800、1M Token、相对 GQA 的同口径实验中，注意力 FLOPs 降低 28.4 倍、Prefill 加速 14.2 倍、Decode 加速 7.6 倍，材料明确这些不是 M3 在任意生产部署中的统一承诺。[M3, slides 6-8]
• 长任务案例：公司发布的 GPU Kernel 优化案例持续 24 小时、完成 147 次测试和 1959 次工具调用，最佳结果出现在第 145 次，达到 Hopper FP8 理论峰值的 71.3%，相对首次生成 Kernel 提升 9.4 倍；该数字只适用于这个案例，不代表 M3 整体性能。[M3, slide 9]
• 开放生态与调用：材料核验了发布期 40 个去重生态集成，覆盖推理框架与工具、云端服务与 API、硬件算力、开发者工具与应用；vLLM、SGLang 在开放权重发布当天宣布 Day-0 支持，Fireworks、Together AI、NVIDIA 提供托管推理或硬件支持。[M3, slides 10-12] OpenRouter 2026-06-08 起始周的历史桶记录 M3 为 4.32T Token；OpenCode 2026-06-22—28 周记录 2.56T Token、环比增长 23.2%。材料明确两平台口径和周次不同，Token 量不能推出收入、用户数或全市场份额。[M3, slide 20]
• 专用模型与应用案例：Genspark Gen-1 Slides 基于 M3 与 Fireworks AI 做强化学习后训练，约 2000 个内部构造任务，最终训练使用 96 张 NVIDIA B300、耗时一周，但 Gen-1 权重未开放；HUMAIN M3 是基于 MiniMax-M3 谱系的阿拉伯语研究预览，在超过 1 万亿阿拉伯语原生 Token 上继续预训练并做阿拉伯语后训练，权重仍计划开放。[M3, slide 13] 材料还保留 M3 的科研复现、3D 设计、游戏开发、网页设计与深度研究案例，其中 12 小时科研案例为公司报告，不能等同完整科学复核。[M3, slides 21-25]
• H3 发布边界：H3 在共享生成主干中联合生成画面和声音；33B 只指生成主干，不含独立的 Qwen3-VL-32B 条件编码器。开放的是 H3-Base 权重与推理代码，可本地生成 768p、32kHz 立体声音画；Context-IR 与 Regenerate-2K 仍是托管 API，完整流程最高 2K。开放权重采用自定义社区许可，材料明确不能概括为无限制 OSI 开源，且初始公开推理实现使用全注意力。[M3, slides 26-27]
• H3 社区扩展：材料展示阿里 PAI ControlNet-Union 的边缘条件控制、H3-World 通过 LoRA 和时序语言指令进行预设动作条件生成、Viggle-Animate 换角、fal 人物 LoRA、SGLang 推理优化、fal.live 互动频道以及 THIS WAY 分支叙事。它们分别属于第三方衍生模型、研究演示或应用编排；材料不把这些案例表述成 MiniMax 新基础模型发布、实时游戏控制或持久世界模拟。[M3, slides 28-38]
• 一句话结论：M3 与 H3 提供理解、执行和音画生成内核，开放权重使开发者能够部署、后训练和嵌入产品，但各衍生模型、托管模块和许可证边界必须分别说明。[M3, slide 39]

M4｜DiffSynth-Studio：以模型引擎驱动，释放扩散模型的无限潜能

• 演讲者：段忠杰，阿里巴巴 ATH 事业群 Token Foundry 魔搭社区算法工程师、DiffSynth-Studio 核心作者。[M4, slide 1]
• 核心观点：DiffSynth-Studio 是魔搭社区的开源 Diffusion 模型框架，通过统一的推理、训练、插件和开发者工具，把模型适配沉淀为可复用引擎，再支撑图像、视频、音频技术创新。[M4, slides 2-3]
• 推理能力：框架以硬盘、内存、显存之间的 Offload/Onload 和四级参数状态管理支持低显存消费级 GPU；一行配置可启用 INT8、FP8、INT4、NVFP4、MXFP4、NF4 等量化，并兼容自定义量化后端。材料还说明多种 GPU/NPU 由社区开发者适配，且已能通过 ComfyUI 节点包调用。[M4, slides 4-7]
• 训练能力：低显存方案包括 Gradient Checkpointing、DeepSpeed、Dynamic Quantization、Split Training 与 CPU Offload；训练方式覆盖标准监督训练、直接蒸馏和分布匹配蒸馏，并提供一站式 LoRA 训练 WebUI。[M4, slides 9-11]
• 可扩展技术：Diffusion-Templates 将模型能力原子化为可独立训练的插件，覆盖结构、亮度、年龄、色彩、超分、美学、细节与图像编辑；材料还展示一次前向完成训练的 Image-to-LoRA V2、由 1 万+ LoRA 组成的 TreeAdapter、视频特效 Text Embeddings，以及可控制节拍、人声、伴奏、韵律和参考风格的 DiffSynth-Music。[M4, slides 12, 14-18]
• 开发者与研究生态：项目提供高校 AIGC 课程、中英文文档和 12 个 Agent-Skills，以自动化新模型接入；材料列出基于该开源技术的 ReCamMaster、NeoVerse、生成模型权重无损压缩和视觉配音编辑等研究工作，并将其定位为连接学术界与工业界的网络。[M4, slides 20-28]
• 一句话结论：DiffSynth-Studio 的价值在于以统一模型引擎降低扩散模型推理、训练和扩展门槛，让社区贡献能复用为新的生成能力。[M4, slides 2-28]

M5｜TokenSpeed：面向 Agentic 场景的 LLM 推理引擎

• 演讲者：董纪莹，TokenSpeed 联合创始人。[M5, slide 1]
• 核心观点：Agentic 负载以长上下文、多轮增量输入和不均衡会话为特征，优化目标不是单看总吞吐，而是在满足单用户生成速度的前提下提高每 GPU 吞吐。[M5, slides 1, 4]
• 评测方法：TokenSpeed 与 EvalScope 构建 Agentic Bench，使用 71 段测试会话、约 5 万 Token 首轮输入、每轮约 800 Token 新增用户/工具输入、最多 500 Token 输出，重复 10—15 轮并把模型真实回复写回历史。它用于同系统的可重复 A/B 和性能回归，不作为跨系统排行榜。[M5, slides 2-3]
• 三项设计：FlatKV 让 MLA KV 与 KDA 状态快照共享物理页池和缓存预算，以共同命中的最长对齐前缀复用；C++ 调度器管理请求状态、Batch 规划和 KV 资源，并通过分段 Prefill CUDA Graph 与 Decode 图降低 Host 提交开销；TokenSpeed MLA 面向长前缀增量 Prefill、小 Batch、长 KV 和多 Token 验证，通过 Query-Head 部分折叠与 Split-KV 增加并行度。[M5, slides 5-8]
• K3 性能口径：测试采用 TokenSpeed MLA 和 EAGLE3（三步草稿、四位置验证窗口），以 TPS/user 与每 GPU 吞吐共同筛选工作点；材料判断 TP8 更适合多轮、到达不均衡负载，可避免 Attention DP 下缓存亲和与负载均衡的冲突，但明确该图不是 TP/DP、图化或 MLA 单项消融。[M5, slide 9]
• 规划：未来工作包括扩展 Wide EP 并优化跨域通信、持续适配新模型并验证性能与稳定性，以及支持 NVIDIA Vera Rubin、AMD MI455X 等新硬件。[M5, slide 10]
• 一句话结论：TokenSpeed 以统一缓存、C++ 调度和专用 MLA 计算组织，针对 Agent 多轮长前缀负载减少重算与调度开销。[M5, slides 4-10]

M6｜AMD AIPC 本地 AI 软件栈实践

• 演讲者：Song Jian，ISV AI DevTech。[M6, slide 1]
• 核心观点：AIPC 的本地 AI 体验需要 CPU、GPU、NPU 硬件、统一推理入口、NPU 专用后端与开放模型生态共同组成软件栈，而非只依赖单一算力指标。[M6, slides 2-5]
• 硬件与应用背景：材料展示 Ryzen AI 从 2023 年 Phoenix XDNA 10 TOPS、2024 年 Strix XDNA 2 50 TOPS，到 2026 年 Gorgon 60 TOPS 的演进，并把本地 AI 应用扩展到图像生成、编码、语音识别、工作流自动化、MCP Agent 和 Agentic 助手。[M6, slides 3-5]
• Lemonade：其定位为完全本地运行、数据不离机的个人 AI Server，提供 OpenAI 兼容 API，统一文本、视觉、图像和语音能力，并屏蔽 CPU/GPU/NPU 与底层框架差异；Embeddable Lemonade 可嵌入桌面应用、IDE 插件和游戏引擎，支持独占访问、自定义模型列表以及随应用打包或按需下载后端。[M6, slides 7-12]
• FastFlowLM：这是从第一行代码起面向 AMD XDNA2 NPU 设计的后端，提供 CLI 与 OpenAI 兼容本地 API。材料给出的产品口径包括 10 倍以上能效、最高 256K 上下文和约 17MB Runtime，并称其模型覆盖正扩展至视觉、音频、Embedding 与 MoE。[M6, slides 13-15]
• 端侧案例：材料展示 Qwen3.6-35B-A3B 全程 NPU 流式推理，Decode 约 17 Token/s，并将其作为更大 MoE 模型进入端侧 NPU 的能力示例，而不是通用性能结论。[M6, slide 16]
• ModelScope 合作与规划：Lemonade GUI 已集成 ModelScope 模型搜索，FastFlowLM CLI 支持模型下载、校验和运行，另有 FastFlowLM ModelScope 模型合集；材料规划让国内用户更方便地查找、下载并在 NPU 上运行模型。[M6, slides 17-19]
• 一句话结论：AMD 以 Ryzen AI 硬件、Lemonade 统一入口、FastFlowLM NPU 后端和 ModelScope 模型来源连接本地 AI 与中国开发者生态。[M6, slide 20]

M7｜Agentic AI 时代的开放基座：魔搭社区生态全景解读

• 演讲者：黎枫，阿里巴巴 ATH 事业群 Token Foundry 技术产品专家。[M7, slide 1]
• 核心观点：开源的下一次跃迁不是单纯扩大模型，而是以 Agent 为第二中心，把资源、能力和基础设施组织成机器可发现、可读取、可调用的开放生态。[M7, slides 1, 4]
• 社区基本盘：材料列出 25 万+模型、4 万+数据集、3 万+创空间；Hub 提供 CLI、SDK、Git/LFS 下载，API-Inference 以一个 Token 调用全站开放模型并兼容 OpenAI、Anthropic/Responses 协议，创空间支持 Docker、Gradio 和静态站点。另一页称这些能力已服务超过 1800 万开发者。[M7, slides 2-3]
• Agentic 智能工坊：Skills 中心收录 8 万+社区 Skills；MCP 广场收录 1.2 万+社区 MCP，每人可获 20 个免费实例和每日 5 万次调用额度；AgentHub 支持 Agent 模板发现、分享和跨框架迁移；Agent 实验场可在浏览器云端组合模型、Skills、MCP 与 Agent 模板并运行。[M7, slides 5-6]
• OpenAPI First：平台将模型、数据集、创空间、Skills、MCP、合集和用户等资源通过 OpenAPI、OAuth、CLI、Skills 与 MCP 开放给 Agent。材料页面存在两组版本口径：架构页列出 45+ paths、85+ operations、140 schemas、13 个业务域；备注中的“云栖发布版”则写 44 paths、62 operations、140 schemas、11 个业务域。现有材料不足以判断哪组是最终发布数字，摘要不合并两者。[M7, slides 7-8]
• Agent 可读状态：模型详情结构化接口和 /.well-known/openapi.json 已标注上线；sitemap.xml、llms.txt、JSON-LD、任意页面 .md 路由、README 归一化摘要、MCP 自发现和带 doc_url 的错误响应均标注为推进中，不能表述为已全部上线。[M7, slide 9]
• 愿景与规划：通过模型库/API-Inference、Skills、MCP、AgentHub 与 ModelScope OpenAPI，让开发者在云端或本地组合 Agent；开放终态从“资源可下载”升级为“帮助开发者把 Agentic 智能从想法带到运行”。[M7, slides 10-11]
• 一句话结论：魔搭正在从模型资源平台演进为 Agent 时代的开放基座，重点是资源开放、能力可编程和全站 Agent 可读。[M7, slide 11]

M8｜vLLM 如何支持不断演进的模型架构

• 演讲者：朱江云，vLLM 核心维护者。[M8, slide 1]
• 核心观点：开放权重前沿正在同时增加模型规模、注意力变体、模态、工作负载和硬件差异，推理引擎必须用可组合并行、专用 Kernel、统一缓存与编译优化快速获得 Day-0 支持。[M8, slides 2-5]
• 架构多样性：材料以 Kimi K3、GLM 5.3 Flash、DeepSeek V4.1 Flash、Qwen3.8 Flash Next 和 MiniMax M3 为例，列出 KDA、稀疏注意力、CSA2/CED、QSA/GDN、MSA 等差异；vLLM 通过 Tensor、Pipeline、Expert、Data Parallelism 组合、各类专用 Kernel、长上下文前缀缓存和 vLLM-Omni 适配。[M8, slide 4]
• 编译与融合：vLLM 借助 torch.compile 自动生成和融合 RoPE、RMSNorm、SiluMul、QuantFP8 等 Kernel，并通过自定义 Pass、Piecewise CUDA Graph 和图级变换使优化独立于模型定义；示例将输出投影输入量化融合进 Attention。材料同时指出编译启动慢、维护成本高、现代架构复杂、性能未达极限以及生成 Kernel 对 Agent 不透明等局限。[M8, slides 7, 9-10]
• 混合缓存挑战：KDA 状态不能像传统追加式 KV Cache 那样回滚到任意前缀，vLLM 因此采用 Hybrid Memory Allocator，以不同缓存类型分视图共享底层 Tensor，并按所有分配粒度最小公倍数组织页面。[M8, slides 13-17]
• K3 前缀复用问题与方案：材料称 K3 的 KDA 状态约为 MLA Cache 的 600 倍，DP 情况下 Block 超过 6000 Token，可能让约 5000 Token 的共享前缀完全无法命中。Moonshot 提议的 vLLM RFC #45702 通过 hash_block_size 将缓存命中粒度与物理 Block 解耦；示例中可复用 Token 从 6 个增至 8 个、重算从 4 个降至 2 个。[M8, slides 18-20]
• 并行案例：在 GLM 5.3/5.2 的 Prefill 案例中，材料称 TP 会重复 Indexer 开销且难以改善内存受限的稀疏 Attention；PCP 可同时切分 Indexer 与稀疏 Attention 开销，相对 TP 的端到端 TTFT 加速为 3.5 倍。[M8, slide 22]
• 一句话结论：vLLM 以模型定义解耦的编译融合、混合缓存、细粒度前缀命中和新并行策略，吸收快速演进的开放模型架构。[M8, slides 4-22]

五、全场总结

1. 贯穿全场的主线

全场从“开放权重”推进到“开放能力与基础设施”：Qwen、Kimi K3、MiniMax M3/H3 展示模型和权重开放；DiffSynth-Studio、TokenSpeed、vLLM、Lemonade/FastFlowLM 解决训练、推理、端侧运行与硬件适配；魔搭进一步用 Hub、OpenAPI、CLI、Skills、MCP、AgentHub 和实验场把资源组织成可由 Agent 发现、调用和组合的能力。共同目标不是仅让模型“拿得到”，而是让开发者和 Agent 能够低成本运行、验证、定制并进入真实工作流。[M1, slides 3-10; M2, slides 7-20; M3, slides 3-39; M4, slides 2-28; M5, slides 4-10; M6, slides 7-20; M7, slides 2-11; M8, slides 4-22]

2. 最有信息量的 3 个片段

1. 主题演讲·王治海：Qwen3.8 同时给出 Max、Flash-Next、27B 的能力、效率和社区采用证据；其中 Flash-Next 将激活参数从 17B 降至 6B、训练 FLOPS 降至 1/9，27B 在开放一个月后达到 5600 万+下载和 1900+衍生模型，展示“能力提升—成本下降—生态扩散”的完整链路。[M1, slides 4-9]
2. 主题演讲·TARS：MiniMax 将开放边界讲得最清楚——M3 提供 BF16/MXFP8 开放权重与 MSA 代码，H3 开放 Base 权重和推理代码，但 Context-IR、Regenerate-2K 仍为托管模块，许可也不能笼统称为无限制开源；社区随后通过 ControlNet、LoRA、推理优化和应用编排继续扩展能力。[M3, slides 3, 6-14, 26-39]
3. 主题演讲·黎枫：魔搭把 25 万+模型、4 万+数据集、3 万+创空间的资源基本盘，转化为 Skills、MCP、AgentHub、实验场和 OpenAPI First 的 Agent 基础设施，并明确区分已上线接口与仍在推进的 Agent 可读能力。[M7, slides 2-10]

3. 跨材料呼应

现有八份材料均为主题演讲，没有独立欢迎致辞或圆桌材料；可核验的“方向—验证—发布落地”线索如下：

• 方向：行业从模型智能转向 Agent 智能，开放对象从权重扩展为可调用能力、运行时和基础设施。[M1, slides 2-3; M7, slides 1, 4]
• 演讲验证：长上下文和 Agent 负载带来显存、缓存、调度、并行、端云协作与验证治理问题；MSA、KDA、FlatKV、Hybrid Memory Allocator、C++ 调度、量化、流式权重和层级式 Agent 编排分别给出工程解法与限定口径的数据。[M2, slides 4-20; M3, slides 6-9; M5, slides 4-9; M8, slides 13-22]
• 发布与落地：Qwen、K3、M3/H3 的开放权重由 vLLM、SGLang、TokenSpeed、Lemonade/FastFlowLM、DiffSynth-Studio 等推理和训练工具承接，再通过 ModelScope Hub、OpenAPI、Skills、MCP、AgentHub 和创空间进入开发者与 Agent 工作流。[M1, slides 4-10; M2, slide 4; M3, slides 3, 10-13, 26-39; M4, slides 2-28; M5, slides 5-10; M6, slides 7-20; M7, slides 2-11; M8, slides 4-22]

4. 可落地的行动建议

1. 模型与应用团队：建立“发布边界清单”。每次采用开放模型时，分别记录权重、推理代码、托管模块、许可证、硬件范围和衍生模型开放状态，避免把 H3-Base、完整 2K 工作流、第三方 H3 衍生能力或待开放权重混为同一交付物。[M3, slides 13, 26-39]
2. 推理平台团队：以真实 Agent 多轮轨迹做基线和回归。固定模型、硬件、首轮长度、每轮增量、输出上限与并发，分别观测单用户速度、每 GPU 吞吐、前缀命中和重算；再按顺序评估量化、统一缓存、调度图化、专用 Attention Kernel 和并行策略，不用跨口径数字替代本场景实测。[M2, slides 7-13; M5, slides 2-9; M8, slides 13-22]
3. 平台与社区团队：优先交付机器可读接口并标注成熟度。把模型、数据、应用、Skills 和 MCP 的元数据统一通过 OpenAPI、CLI 与标准鉴权开放，明确区分已上线、研究预览、计划开放和进行中能力；再让 AgentHub、实验场或创空间承接试用、迁移和部署。[M6, slides 17-20; M7, slides 5-10]

【AI Native视频云】材料摘要

二、重磅发布

Vidu S2 流式交互视频能力

• 发布名称与发布人：Vidu S2-Editing、Vidu S2-Avatar；杜晓雷，生数科技商业化产品负责人。【M5，slide 1、5-8】
• 发布内容：把视频生成从“先生成成片、后播放交付”扩展到“边生成、边播放、实时介入控制”。S2-Editing支持人物替换、虚拟试穿、背景替换与风格迁移；S2-Avatar强调无需预训练、形象与人设可自定义、低延迟长时互动、双向感知及运行中更换物品、服装和背景。【M5，slide 3、5-8】
• 核心亮点：
1. 主干模型承担动作与长程时序，轻量级单步 Refiner 恢复高分辨率细节，材料给出的响应量级为百毫秒；通过因果重放训练缓解长时流式生成中的漂移和崩坏。【M5，slide 9】
2. 延续并扩展 TurboDiffusion、TurboServe，结合混合注意力、低比特计算、算子融合及 GPU 分阶段复用；材料给出的成本口径为“1元+/分钟”。【M5，slide 9】
3. 材料列示：StreamAV-Bench 总体评分 4.26，对比 Bernini-R 14B 的 3.92；OpenVE + RefVIE 联合评测总体得分 3.74；虚拟试穿 VFID_I 为 9.9515，对比 CatV2TON 的 19.5131。上述均为材料所列评测结果，未提供本摘要之外的复核条件。【M5，slide 10】
• 开放状态：材料表述为“发布即开放”，并提供 API 文档、体验地址和技术报告；未明确标注“公测”或“正式商用”。【M5，slide 16】
• 案例与边界：材料展示虚拟 IP“紫樱”直播、与 360 共建《甄嬛传》互动 IP 样板等场景；同时明确空间视频仍在探索、头显实时透视延迟尚未解决、长时复杂交互可靠性仍在打磨。【M5，slide 12-15】

三、主题演讲

M1｜视频云AI时代发展趋势

• 演讲者：卞天祥，阿里云视频云产品线产品负责人。【M1，slide 1】
• 核心观点：视频云正从传输基础设施走向“智能媒体基础设施”，职责由内容送达扩展到内容理解、生成与实时交互，重点围绕实时传输、质量增强和高效编码升级。【M1，slide 1、5-6】
• 关键论据与能力：材料引用截至2025年底中国网络视听用户10.99亿、人均单日使用201分钟、同比增长4.2%，以及全球移动数据流量中视频约占75%，说明视频正由大众消费内容扩展为行业业务的数据载体。【M1，slide 2】面向实时交互，演讲提出基于 MoQ 的对象化发布/订阅架构，以 Track→Group→Object 组织媒体，通过对象优先级、交付时限、按需订阅和 SDK 队列反馈连接人、模型与机器；材料同时强调 MoQT 为工作草案，跨媒体同步、封装和具体期限不能仅由核心协议推导。【M1，slide 8-10】质量侧采用“候选镜头筛选→超分/降噪/插帧→并行编排→统一编码与质检”的制作管线，未承诺统一节省幅度或固定处理顺序。【M1，slide 11-16】编码侧覆盖 Pre-coding、JND、ROI、自研 S264/S265/Ali266、AV1/AVS3、VCM 探索及多平台执行，但明确不等同于全部能力均已作为所有产品接口的商用品类提供。【M1，slide 17-20】
• 规划边界：最后给出 AI Media Infra 目标架构，将场景应用、智能编排、AI 能力、媒体服务、资源与运营分层组合；材料明确这是演进方向，不代表全部能力已按一体化产品发布。【M1，slide 21-22】
• 一句话结论：AI Native 视频云的基础设施形态，是依据质量、时延和成本目标，把模型、媒体处理、实时会话、异步任务与交付运营按需编排，而不是简单增加单点 AI 算子。【M1，slide 22】

M2｜AI新基建：RTC在世界模型及物理AI场景中的应用（演示稿）

• 演讲者：田伟峰，阿里云智能集团资深技术专家。【M2，slide 1】
• 核心观点：RTC 的连接对象正从人与人扩展到模型与机器，目标从“维持一次会话”升级为支撑连续的“感知—理解—反馈”闭环；世界模型与具身遥操共同要求低延迟、多模态同步、差异化可靠性、全球网络和智能策略闭环。【M2，slide 3-4】
• 技术路径：传统 WebRTC 面临协商链路长、RTP/DataChannel 通道割裂、H5 内置 JitterBuffer 难深度控制三类瓶颈。【M2，slide 5】MoQ 将媒体抽象为可发布、订阅、分级和组合的对象，按类型配置可靠性、优先级、过期时间与重传，并通过 MoQ over QUIC/WebTransport、Wasm、WebCodecs 形成可插拔客户端路径；既有采集、3A、编解码、渲染和 QoS 能力继续复用。【M2，slide 6-8】网络侧采用全球专线、质量探测与动态选路，多网卡/多路径冗余，按任务价值而非媒体类型调度；智能网关再依据关键画面和模型置信度调整抽帧、分辨率、码率和可靠性策略。【M2，slide 9-13】
• 材料列示指标：端到端时延由“200ms+”降至“80ms”，接入交互次数由“8+次”降至“2次”，传输网内部丢包率下降60%、抖动下降50%。材料未给出测试环境、样本、统计口径或适用范围，故仅按演示稿口径记录。【M2，slide 14】
• 一句话结论：面向世界模型和物理 AI 的 RTC 升级不是单纯替换协议，而是同时重构对象化传输、低延迟高可靠网络和模型反馈驱动的决策闭环。【M2，slide 14】

M3｜AI新基建：RTC在世界模型及物理AI场景中的应用（演讲提示词）

• 演讲者：田伟峰，阿里云智能集团；本材料是 M2 同题演讲的逐页提示词。【M3，slide 1-2】
• 补充证据：提示词进一步明确世界模型需连续输入语音、视频、文本、图像并支持打断和上下文双向传递；具身遥操需承载视频、音频、遥测、传感和控制信息，关注平均时延之外的抖动、关键消息可靠性及高延迟 bad case。【M3，slide 3-4】服务端职责划分为实时网络负责对象传输、路由、优先级和质量保障，AI 编排层负责模型选择、工作流与任务逻辑；客户端则保留既有 RTC 能力，仅以可插拔方式改造传输底座。【M3，slide 7-8】
• 边界说明：提示词将专线价值限定为减少公网绕行和拥塞的不确定性、建立稳定时延基线，而非突破物理距离；多网卡与多路径用于保护关键数据、降低长尾恶化概率。【M3，slide 9-10】其总结页未填写具体性能数值，因此 M2 的量化指标不能由 M3 独立交叉验证。【M3，slide 14】
• 一句话结论：该材料为 M2 的讲述口径补充，强化了架构职责和能力边界，但没有增加可独立核验的性能测试条件。【M3，slide 7-14】

M4｜AIGC时代下窄带高清视频编码与增强的发展及应用

• 演讲者：张艺，阿里云智能集团算法专家。【M4，slide 1】
• 核心观点：AIGC 视频既继承模糊、噪声、压缩伪影、低帧率等传统退化，也出现结构不合理、时域抖动和色彩偏差等新问题，需要把 AI 修复增强、自研智能编码和无源画质评估组成闭环。【M4，slide 2-4】
• 关键技术：基础增强涵盖分类型去噪、去模糊、细节生成、HDR/SDR 转换、智能调色与插帧。【M4，slide 4-11】大模型增强以渐进式蒸馏将多步扩散压缩为单步，引入 DPO 改善纹理、颜色一致性约束缓解偏色；人脸修复结合人脸特征字典、浅层特征编码及时空联合映射，兼顾修复、保真与一致性。【M4，slide 12-20】演示示例把 864×496 输入超分至 1882×1080，但材料未给出统一质量增益百分比。【M4，slide 13、17】
• 编码与评估数据：S264/S265 支持 4K 60fps 直播实时转码，材料给出全场景20%～40%压缩率提升；在80+测试序列、六项客观指标的材料口径下，相同速度对比 x264/x265 均有20%～40%编码增益，S265 最快档较 x265 ultrafast 快50%+且压缩率高20%+。【M4，slide 22-24】Harness 自主优化系统由 Planner、Generator、Evaluator 和知识回流构成，材料称短剧通用场景约提升5% BD-rate gain、部分垂直场景超过15%。【M4，slide 25】AI 画质评估输出总分、块效应、噪声、锐度、细节、色彩等维度，材料称客户视频上 PLCC、SRCC 部分达到 SOTA 水平，1080p 转速比不低于4，但未列具体数据集与完整对比结果。【M4，slide 29】
• 一句话结论：窄带高清的下一阶段是用生成式修复提升画质上限、用 AI 自动优化编码器、再用多维感知评价统一验收，但各项数字只能按材料所给测试口径理解。【M4，slide 12、25、29】

M5｜AIGC驱动的内容生产力变革

• 演讲者：杜晓雷，生数科技商业化产品负责人。【M5，slide 1】
• 核心观点：视频生成正出现“第二条曲线”——由离线生成成片转向可在传输途中实时改写的视频流，技术目标从极致画质与稳定出片扩展到低延迟、长时稳定和指令即时生效。【M5，slide 2-3】
• 关键论据：材料引用截至2025年12月中国生成式 AI 用户6.02亿、较2024年底增长141.7%，AI 普及率42.8%；同时列出中国 iOS AI 社交陪伴应用收入增速676%、Vidu S1 到 S2 迭代间隔69天。以上属于演讲材料引用的市场与产品口径。【M5，slide 3】技术、评测、案例、开放状态和能力边界见“重磅发布”部分。【M5，slide 5-16】
• 一句话结论：实时生成的商业成立需要“生成在生数、传输在阿里”的协同，将可改写的视频流稳定送入社交、电商、游戏、教育等真实交互场景。【M5，slide 11-12】

M6｜智·声·活：A.O.史密斯 LifeGPT 2.0 实时交互技术揭秘（题词稿）

• 演讲者：杨国斌，来自 A.O.史密斯中国研发团队；正式职位由配套演示稿 M7 标注。【M6，slide 1；M7，slide 1】
• 核心观点：家庭 AI 的难点已从设备连接转向对话、状态、任务与反馈的连续性。LifeGPT 2.0 以“快、准、稳、成”四项目标，把流式交互、上下文理解、安全护栏和智能体执行落到同一条链路。【M6，slide 8-15】
• 工程数据与案例：RTC 上传、流式 ASR、流式大模型推理和播报并行推进，材料称平均响应时延可控制在1.5秒内。【M6，slide 16-19】瀞油烟机高速档为54分贝，材料对比行业同档普遍约60分贝，并叠加稳态/瞬态噪声、回声、远场混响及家庭背景声处理。【M6，slide 20-23】理解层融合会话上下文、用户偏好与记忆、环境状态、设备状态；执行高风险动作前确认并留痕。【M6，slide 24-31】主动服务链路覆盖耗材/保养状态采集、提醒、预约、跟进与回访，材料称总裁热线问题48小时内闭环。【M6，slide 32-35】复杂任务由智能体拆成状态检查、风险发现、设备调整、服务安排和回执确认，并具备受阻后的重新安排或再次确认机制。【M6，slide 36-39】
• 共建与规划：阿里云提供实时音频与弱网、千问与语音模型、百炼智能体工程、记忆/知识库和安全护栏；A.O.史密斯提供家电知识、真实家庭噪声、用户/设备上下文及 AI-LiNK 执行体系。后续方向是更自然的实时交互、更高完成度的家庭 Agent 和更开放的设备服务生态，材料未给出交付时间表。【M6，slide 42-45】
• 一句话结论：家庭实时智能不只追求更快回答，而要完成“听懂—想对—办成”的连续闭环，并把权限、知识依据、风险确认和执行补偿嵌入其中。【M6，slide 28-45】

M7｜智·声·活：A.O.史密斯 LifeGPT 2.0 实时交互技术揭秘（演示稿）

• 演讲者：杨国斌，A.O.史密斯中国区产品工程副总裁。【M7，slide 1】
• 核心观点与能力图谱：演示稿将家庭现场拆为人、环境、设备、任务四类持续变化，并把等待、遗忘、中断、设备孤岛分别映射到“快、准、稳、成”。【M7，slide 8-15】“快”采用流式识别、理解、生成、播报及打断重排；“准”结合降噪与场景识别，并融合会话、记忆、环境、设备状态；“稳”依赖权限过滤、领域知识库、高风险二次确认以及可回执/回读/补偿的执行层；“成”通过任务依赖、逐台执行、失败补偿和回执完成多设备协同。【M7，slide 16-39】
• 案例与共建：材料给出蒸鱼连续对话、多参数修改、省略指代补全、热水风险确认、滤芯提醒与预约、出差一周节能和回家前环境准备等工程场景。【M7，slide 16-40】阿里云与 A.O.史密斯的能力分工及未来方向与 M6 一致；演示稿未给出这些未来能力的上线日期。【M7，slide 42-45】
• 材料关系与边界：M7 是正式演示页，部分页面以动画拆分而重复；M6 是对应逐页讲稿。M6 中“平均响应时延1.5秒内”“54分贝对比约60分贝”等口述数字未出现在 M7 正文页，因此分别保留其原始 M 编号证据，不交叉扩展。【M6，slide 16-23；M7，slide 16-23】
• 一句话结论：LifeGPT 2.0 的产品方法是把大模型能力约束在家庭设备状态、权限、知识和确定性执行体系内，以完整任务结果而非单轮回答衡量体验。【M7，slide 28-42】

M8｜AI时代的视频技术演进：从像素到语义、从2D到3D

• 演讲者：叶琰，国际电信联盟视频编码专家组副主席、达摩院视频技术实验室负责人、杰出科学家。【M8，slide 1】
• 核心观点：视频技术的目标正从持续压缩像素，扩展到理解内容、服务机器视觉和生成式 AI，并进一步从固定视角的2D投影迈向可交互3D空间表示。【M8，slide 3-4、14】
• 编码与上线数据：材料称 DAMO266 将 H.266 压缩能力带到可商用转码速度；软件解码结合异构优化后移动端真实覆盖率达99.5%以上，TOP5长视频中4家、TOP4短视频中3家及TOP1短剧已规模上线。【M8，slide 5-6】2024年 DAMO266 直播能力在阿里云发布；材料列示 H.266 单路流带宽下降50%、业务大盘带宽成本下降20%，支持实时1080p/60fps毫秒级转码时延，规模化点播日均播放过亿、实时直播超万直播间。【M8，slide 7】主观实验中，91%终端消费者选择 DAMO266 质量胜出或追平线上 H.265；在4K25fps、1.6Mbps 对比3Mbps的样例中，76%认为难以区分、15%认为 DAMO266 占优、9%认为线上 H.265 占优。【M8，slide 8】上述数据均按材料测试与业务口径记录。
• 语义理解能力：方案以专用视觉模型保障分割、跟踪、定位和逐帧精度，以通用多模态模型承担开放语义和全局叙事，形成事实感知、场景理解、全局叙事三层结构。【M8，slide 10-11】材料明确达摩智能视频理解和 AI 增强已全面上线阿里云，理解与标注可细到帧级，速度为“准实时”，成本为大模型方案的10%；原子能力包括标签摘要、主体识别分割、广告识别打码、画幅重构、擦除、超分与插帧。【M8，slide 12】
• 3D案例数据：3DGS 被描述为可微、显式、可光栅化，支持 GPU 并行光栅化60+ FPS及移动端/Web实时渲染。【M8，slide 14】帧象方案将单件3D资产生产周期从1—5天缩短至15分钟。【M8，slide 15】电商材料列示全视角3D建模带来单品成交CVR +67%、3D爆炸效果带来加购收藏转化率+64%及支付转化率+18%、小视角裸眼3D带来收藏加购转化率+86%、广告点击率+20%；材料未提供样本、行业或实验设计，不能外推为通用效果。【M8，slide 16】
• 规划边界：材料判断空间视频将随采集、播放成本下降和效果提升覆盖更多场景，并展示手机单目空间建模方向；这是趋势与技术方向，不等同于明确产品上线计划。【M8，slide 17】
• 一句话结论：视频云的技术对象正在从供人观看的像素流，演进为可理解、可压缩、可交互和可重建的语义与空间资产。【M8，slide 4、10-17】

M9｜短剧内容窄带高清及超分技术的落地应用

• 演讲者：陈登宇，点众首席架构师。【M9，slide 1】
• 核心观点：短剧视频工程以成本为主要驱动力：分发端在同画质下持续减小 CDN 体积，生产端用低规格 AI 生成叠加视频增强补足交付规格；方法是先标准化，再分桶验证、分批放量并保留兼容兜底。【M9，slide 2-4、8】
• 分发端数据：从720p与窄带高清1.0模板起步，升级到按人眼敏感区域和短剧场景配置的窄带高清2.0，再经分桶试验引入 H.265。材料给出的官方口径为同画质最高节省20%—40%带宽；试验中播放时长无负向、起播快3—5ms、超1秒起播占比降低0.12个百分点，弱网超2秒起播次数明显下降，但未披露绝对次数和样本量。【M9，slide 3-5】720p主发档实测单分钟体积由窄带高清1.0约7—8MB降至2.0约4—5MB，再叠加H.265降至约3MB，即分别较1.0低约四成和六成。【M9，slide 6】
• 生产端实践：采用“720P低规格生成→视频增强/超分→1080P交付”，以 API 化、异步批量方式接入生产流水线，部分任务从内网直出；示例源分辨率为864×496，增强后为1882×1080。材料仅说明高规格直接生成成本会成倍增加，未披露具体金额。【M9，slide 7】
• 规划边界：H.266 仍处于灰度验证，按内容热度推进，不能视为已全面上线。【M9，slide 5、8】
• 一句话结论：短剧场景验证了“生成规格与分发规格解耦”的工程路线：先用增强补齐生产质量，再用编码优化降低长期分发成本。【M9，slide 6-8】

五、全场总结

1. 贯穿全场的主线

论坛的共同主线是：视频云正从面向人的音视频传输与压缩系统，演进为同时连接人、模型和机器的 AI Native 媒体基础设施。底层以 MoQ、全球网络、多网多路径和对象化调度支撑低延迟多模态交互；中层以生成式增强、自研编码、画质评价、语义理解与3D重建处理内容；上层通过智能编排、领域知识、安全护栏和设备执行闭环，将能力落到实时视频角色、家庭智能体、短剧生产与分发、电商3D等场景。【M1，slide 6-22；M2，slide 3-14；M4，slide 3-29；M5，slide 5-16；M7，slide 14-42；M8，slide 4-17；M9，slide 2-8】

2. 最有信息量的3个片段

1. 主题演讲｜田伟峰：把 RTC 从会话式音视频连接重构为对象化多模态分发，并给出专线、多网多路径、任务价值分级、H5 可控 JitterBuffer 和模型反馈驱动传输的完整链路；演示稿列示端到端时延80ms、接入交互2次、内部丢包率下降60%、抖动下降50%，但未给出测试条件。【M2，slide 5-14；M3，slide 5-14】
2. 重磅发布｜杜晓雷：Vidu S2 将实时编辑与可持续互动角色接入视频流，材料给出百毫秒级响应、1元+/分钟及多项评测结果，同时主动披露空间视频、头显延迟和长时复杂交互仍有边界，形成较完整的“能力—指标—案例—限制”证据链。【M5，slide 5-16】
3. 主题演讲｜叶琰：从 DAMO266 的规模化编码数据、视频语义理解全面上线阿里云，到 AI3D 将资产生产周期由1—5天缩至15分钟及电商转化案例，串起了“像素压缩→语义理解→空间资产”的技术演进。【M8，slide 5-17】

3. 跨形式呼应

• 基础设施方向：M1 提出实时传输、质量增强、高效编码和智能编排组成 AI Media Infra；M2/M3 将其中的实时传输细化为 MoQ 对象化、多模态分级、全球网络和智能网关。【M1，slide 6-22；M2，slide 4-14；M3，slide 4-14】
• 产品与算法落地：M5 的 Vidu S2 证明实时生成视频需要同时解决流式生成、传输和长时稳定；M4 的增强、编码、评价体系以及 M8 的语义理解、编码与3D能力，补充了 AI 内容从生成到成片、分发和资产化的处理链。【M4，slide 3-29；M5，slide 5-16；M8，slide 4-17】
• 行业验证：M6/M7 将实时音频、模型、记忆、知识库、护栏和物模型组合成家庭 Agent；M9 用720p短剧的体积、起播和增强数据验证质量与成本协同。两者说明基础设施价值最终要以任务闭环或交付收益衡量，而非单一模型或协议指标。【M6，slide 16-45；M7，slide 14-45；M9，slide 3-8】

4. 可落地的行动建议

1. 面向实时 AI 产品与 RTC 团队：先按任务价值建立音频、视频、控制、上下文和传感对象的优先级、可靠性、过期与重传策略，再以首轮响应、尾延迟、同步偏差和端侧队列为观测指标；不要只做协议替换。【M1，slide 9-10；M2，slide 6、9-13】
2. 面向 AIGC 视频生产团队：把候选生成与高规格制作解耦，先筛选镜头，再按内容组合超分、降噪、插帧、修复和编码，并用分桶试验验证质量、播放体验和真实交付成本；M9 的720P生成加增强到1080P是可复用的工程样例。【M1，slide 12-20；M4，slide 3-29；M9，slide 4-8】
3. 面向家庭智能体、机器人等可执行系统团队：在模型推理和设备执行之间明确权限、知识依据、风险确认、回执与失败补偿，并让网络、媒体质量和任务结果共同反馈策略；安全决策仍应保留本地闭环边界。【M2，slide 4、13；M6，slide 24-39；M7，slide 28-42】

【AI and Agentic 存储解决方案】材料摘要

三、主题演讲

吴贻刚 · 阿里云智能集团资深产品解决方案架构师 · 面向 AI 与智能体时代的存储解决方案（从 GenAI 到 Agentic AI）

• 核心观点：存储不再是沉默的数据容器，而是贴近算力、参与 AI 调度的 AI Infra；随大模型与智能体演进，存储重心从"存语料"迁向"存数据资产""存推理状态"乃至"存 Agent 状态与记忆"。
• 关键论据·案例·数据：大模型三阶段存储主线——数据基础设施（多模态数据湖，拼大吞吐·低成本·多模态）、训练数据资产（GPU 高速直连、稳定读写 Checkpoint 保障断点续训）、推理状态层（上下文变长、KV 膨胀，KV Cache 分层下沉成下一代存储主角）；Agentic AI 中 Agent = Model + Harness，开放模型能力逼近闭源（Qwen 系列下载量断层领先），Harness 六块（Controls/Tools/Context/Sandbox/Memory/Persistence）中 Context、Sandbox、Memory、Persistence 均与存储强相关，"计算隔离决定 Agent 能做什么，持久化存储决定 Agent 是谁"；本场设具身智能、智能驾驶、数据湖、智能体四大议题展开。
• 一句话结论：AI 是超级引擎，存储便是原油系统，按算力节拍供料、理解内容语义、依据状态反驱算力。

张哓娜 · 阿里云智能集团高级产品解决方案工程师（含穹彻智能 NOEMATRIX 客户实践）· 从数据洪流到智能进化：具身智能的存储架构之道

• 核心观点：具身智能进化依赖贯穿数据采集—上云—标注—训练—部署—回流的数据闭环，存储是这根轴；以 OSS 为唯一事实源、CPFS 为训练供给，打通全链路即时响应。
• 关键论据·案例·数据：2025 年具身智能数据生产量增速477.78%，智能涌现需千万级小时有效数据而全球高质量真实数据仅数十万至百万小时级，NVIDIA 世界模型 Cosmos 3 将物理 AI 训练评估周期从数月缩短至数天；OSS 三类 Bucket（Object 提供 Tbps 级带宽；Vector 单账号万亿行/单 Index 20 亿行、成本降 95%；Table 兼容 Iceberg/Lance、TPS 较自建提升 10 倍）；OSS VibeStudio 一站式标注（Batch 失败自动转实时、中国内地一张网免跨域流量）；CPFS 与 OSS 流动带宽 100GB/s、单客户端吞吐 40GB/s、4KB 随机读 IOPS 100 万；穹彻智能 Noe-0（无本体数据，累计 97,387.7 小时、47 城市、2000+采集人员），痛点"进不来/跟不上/走不动"，方案含 OSS 分片上传+STS 直传、专线采购 0 条、日均入湖 10TB/年 3.6PB/峰值 50TB、数据格式从整集打包改为 Lance 列式（读取粒度 GB→KB）、共享缓存装载使同版本下载 N→1。
• 一句话结论：模型定义起点、数据定义终局，谁先把数据飞轮转起来谁就先拿到具身通用机器人的入场券，存储决定数据迭代节奏。

张健楠 · 阿里云智能集团产品解决方案架构师（含卓驭科技客户实践）· 从数据飞轮到模型进化：数据驱动智驾的存储方案实践

• 核心观点：智驾数据爆发使数据飞轮效率低、成本攀升，需以 OSS 统一数据湖底座配合资源池 QoS、数据流动服务与 CPFS 冷热分层，让数据飞轮持续加速。
• 关键论据·案例·数据：城市 NOA 销量两年扩大6.5倍（2023 年 40 万→2025 年 260 万），训练数据三年跨越两个数量级至亿级 Video Clips，产线任务并发半年增长 300%；OSS 资源池 QoS 提供 1000Gb 带宽/100 万 QPS 并按桶与账号隔离（账号粒度保底 50Gb/10 万 QPS）；CPFS 数据流动服务 100GB/s 高性能，PB 级搬迁从 1 天压缩到小时级；数据洞察+CPFS 冷热分层，异常容量目录发现从天级到分钟级、低频层每 GB 月成本下降 80%+、路径不变零业务改造；卓驭科技（陈俊标）原生多模态基础模型 TTE，四类负载四类存储诉求，以统一接入 SDK+MetaHub 元数据湖（千亿级文件）+三层池化（缓存层数 TB/s、容量层数百 GB/s）+StoreMesh 亲和性调度，整体 TCO 下降 30%+。
• 一句话结论：热买性能、冷买容量、任务跟着数据走，用统一数据湖底座让智驾数据飞轮持续加速。

邢志伟 · 阿里云智能集团产品解决方案架构师（含小鹏集团客户实践）· AI 加速-多模态数据湖解决方案及实践

• 核心观点：传统数据湖在格式、距离、供给、成本四方面跟不上 AI 算力，需让存储从"数据容器"走向"算力协同者"，用 OSS + Lance + 加速器构建高速数据供给链，让 GPU 不再等待。
• 关键论据·案例·数据：核心矛盾在于"算力加速，数据供给仍停留在先搬再找再处理"；方案分工——Lance 组织数据并按需读取（列式随机访问、增量版本、标量+向量混合检索）、OSS 加速器把热点 Object 送近算力（服务端托管、Range GET、与 OSS 同命名空间无需预导入/搬迁）、OSS 承载全量数据（if-none-match/if-match 条件写保障强一致）；小鹏集团（黄搏培）智驾数据湖突破 30PB，痛点为多模态数据孤岛、万卡供数瓶颈、版本失控，基于 Lance+OSS+OSS 加速器协同承载高 QPS 小 IO 与大对象顺序读取，实现效果 30PB+ 统一存储、访问性能提升 20 倍、检索查询效率提升 10 倍。
• 一句话结论：统一格式打破割裂、热数据及时投喂、全量数据低成本持久化，让存储深度参与数据供给链、GPU 不再等待。

张越 · 阿里云智能集团高级产品解决方案工程师（含美图公司客户实践）· 数据重生：AI 时代存储分析和治理的范式升级

• 核心观点：AI 时代数据生产、消费与遗忘同时加速，需破解"看不见明细/看不见价值/看不见浪费"三个看不见，通过"数据重构 × 元数据重构"双引擎让沉睡数据重获身份、让每次存储决策有据可依。
• 关键论据·案例·数据：企业每秒产生数据量从 2025 年 6.9PB/sec 增至 2029 年 17.1PB/sec（2.5 倍），单训练数据集从 TB 跨越 PB、文件数至百亿级；数据重构链路将原始数据经 AI VibeFlow/DataPipeline 重构为向量数据（OSS Vector Bucket）用于语义检索、训练数据集挖掘、RAG；元数据重构以 OSS 清单×Agent 管对象存储、文件元数据×Tablestore 管文件存储，实现冷热识别、副本碎片收敛、成本归因；三阶段"看得清→算得准→省得下"分别带来存储运维难度降低 20%、成本节约 32%、高价值数据识别率上升 38%；美图公司（李彬，1357.HK）AI 功能使用占比 90%、2025 全年 AI 图片视频生成 55 亿+，以 Tablestore 元数据管理+OSS Agent 分析+CPFS/OSS 数据流动与版本控制，治理收益运维效率提升 80%、解决数据误删 5 次以上、训练核心桶存储量优化 51%。
• 一句话结论：通过智能治理唤醒分散数据，转化为可分析、可归因、可运营的治理对象，用 AI 把运维从"人工"智能推向真正智能化。

王太平 · 阿里云智能集团高级产品解决方案架构师（含智创星云科技客户实践）· 智能体时代的存储底座：从 Session 到 Memory 的一体化方案

• 核心观点：Agentic AI 击穿了默认成立 20 年的存储架构假设，AI Agent 工作负载在触发、形态、规模、状态、可信度五方面发生根本变化；需要 Sandbox 存储管"路径寻址的工作数据"、记忆存储管"语义寻址的身份记忆"，两套语义一个一体化底座承载 Session 与 Memory。
• 关键论据·案例·数据：Agent 五态（启动/运行/休眠/深度睡眠/唤醒）对应四层介质（L1 Base Image 只读快照+CoW、L2 Per-Agent RW Overlay、L3 Per-Agent Snapshot 5GB/14s 零 CPU 内存），浅眠百毫秒、深睡秒级召回；Agent-Native 存储组合——EBS·Agentic DiskPool（创建挂载耗时降 60%、小盘性能 10×）、NAS·AgenticFS（亿级 Space、10 万 QPS 挂卸载）、OSS·Agentic Bucket（百亿 Space、3 重隔离）、Tablestore·Agentic Memory（88.25% 综合准确率、上下文注入省 96.7%、百万租户亿级记忆）；Context 是推理时组合结果，由知识存储（全托管 RAG）与记忆存储（Message→Memory→Dream 整理）两条通道供料，长期记忆 LoCoMo 综合准确率 92.34%、TopK=10 检索 P50 174ms、Token 减少 90%；智创星云（李伟）星云 Claw 跨境电商运营大脑，执行环境三步走（自建 Docker→FC Sandbox+NAS→FC Sandbox+AgenticFS），单文件系统管理 50 万 Space，沉淀 AgenticOS 底座与"身份即边界、工作区即记忆"语义。
• 一句话结论：存储不再是静态资源，而是 Agent 生命周期的实时编排系统；未来的存储不只保存数据，更要保存 Agent 的连续性。

五、全场总结

本场论坛以"AI and Agentic 存储解决方案"为主题，由阿里云存储团队系统阐述存储在 AI 与智能体时代的角色跃迁：吴贻刚从 GenAI 到 Agentic AI 给出总纲，指出存储重心沿"语料→数据资产→推理状态→Agent 状态与记忆"迁移；随后围绕四大场景分别落地——具身智能（张哓娜/穹彻智能，OSS 事实源+CPFS 供给、Lance 帧级可寻址）、智能驾驶（张健楠/卓驭科技，资源池 QoS+数据流动+三层池化）、多模态数据湖（邢志伟/小鹏集团，OSS+Lance+加速器高速供数）、存储分析治理（张越/美图公司，数据重构×元数据重构双引擎）、智能体存储底座（王太平/智创星云，Session 与 Memory 一体化、AgenticOS）。整体呈现出"底座（OSS 统一数据湖）+加速（CPFS/OSS 加速器）+智能（向量化、元数据 Agent、记忆库）"的技术主线，并以穹彻智能、卓驭科技、小鹏、美图、智创星云五个客户实践佐证方案价值。现有材料未涉及各产品的商业定价、正式商用时间表（部分能力标注 coming soon）及嘉宾间的分歧观点，相关信息材料未说明。

【AI 原生设计专场｜Design to Build：重新构建设计】材料摘要

材料编号（按 manifest 顺序）

• M1｜《26云栖大会-设计论坛_小民》｜议题“主题致辞 AI-Native Design：AI原生时代新设计”，共 9 页。（M1，slide 1-9）
• M2｜《李老师开场致辞(1)》｜议题“会场欢迎致辞”，共 1 页。（M2，slide 1）
• M3｜《从设计AI到AI Design Intelligence-刘骏0920-30后》｜同名议题后半部分，共 32 页。（M3，slide 1-32）
• M4｜《从设计AI到AI Design Intelligence-刘骏0920-前30》｜同名议题前半部分，共 30 页。（M4，slide 1-30）
• M5｜《26云栖大会-行休_精简版》｜议题“AI-Native Design: Agentic UI与审美驾驭”，共 59 页。（M5，slide 1-59）
• M6｜《26云栖大会-分论坛-觅凡_0917_1》｜议题“Design Qoder：AI-Native 设计的新空间”，共 44 页。（M6，slide 1-44）
• M7｜《发布环节(1)》｜议题“AI原生设计行业规范发布”，共 4 页。（M7，slide 1-4）
• M8｜《NIO AI原生设计》｜议题“变与不变，蔚来的AI设计初心”，共 55 页。（M8，slide 1-55）
• M9｜《26云栖大会分论坛-吴烽琪0917(2)》｜议题“Design with AI：探索设计新范式”，共 29 页。（M9，slide 1-29）
• M10｜《云溪大会-Canva-张晨》｜议题“AI时代下的设计工具进化论”，共 28 页。（M10，slide 1-28）
• M11｜《Prompt——Liu Zhao》｜议题“Prompt：Design x AI”，共 25 页。（M11，slide 1-25）
• M12｜《圆桌环节(2)》｜议题“AI 原生时代：创造力的解放，还是想象力的趋同？”，共 7 页。（M12，slide 1-7）

一、欢迎致辞

会场欢迎致辞

• 致辞人及身份：李剑叶，阿里云智能设计部总经理。（M2，slide 1）
• M2 仅有欢迎页，出现“创造力的解放”与“AI-Native Design”字样；材料没有致辞正文，因此无法进一步确认其对论坛定位、重点方向或期待的具体表述。（M2，slide 1）

论坛主题致辞：AI-Native Design——AI 原生时代新设计

• 致辞人及身份：汪晓鸣，阿里巴巴 ATH 事业群 MaaS 业务线 AI 创新设计部设计总监。（M1，slide 1）
• 论坛定位：AI-Native Design 被定义为围绕意图、上下文与智能协作构建产品的新设计理念，目标从“让 AI 回答问题”转向“让 AI 完成任务”，并把设计进一步转化为可执行、可构建的产品能力。（M1，slide 2、8）
• 重点方向：设计对象由界面扩展为五层能力栈——模型能力、上下文与工具、Skill、Agent、AI 原生应用；相应产出包括模型美学评测、机器可读 Design Spec、设计知识库与 RAG、Design Harness、Agent Experience、生成式界面和 AI 可观测设计。（M1，slide 8）
• 期待：设计不再只停留在使用模型或交付设计稿，而要深入模型、平台和应用各层，参与模型能力建设、智能体约束与评测以及最终产品构建。（M1，slide 2、8）

二、重磅发布

AI Design Intelligence（ADI）｜发布人：刘骏

• 发布内容：刘骏正式发布 AI Design Intelligence，将其定义为把设计经验转化为“可调用、可执行、可验证”能力的 AI 设计引擎，支持人和 Agent 共同完成 AI 产品的设计、生产与评估。（M4，slide 29-30）
• 核心亮点：
1. AI Experience Grammar：按 Product Context 组织 Principle、Rule、Pattern 与 Case，并进一步转成 Skill，使同一份知识既帮助设计师判断，也能指导 Agent 执行。（M3，slide 1-3）
2. AI Design Production：贯通探索生成、精修收敛、系统交付三个阶段，分别匹配 Prompt/多模态输入、Canvas/直接操作、Component-native Workspace，减少工具切换造成的结构、组件关系和可编辑性损失。（M3，slide 5-15）
3. AI Experience Measurement：从功能使用转向意图完成，围绕意图达成率、高价值意图覆盖、主动服务质量和信任四个维度评价 AI 产品。（M3，slide 24-28）
• 产品阶段：材料明确称其为“正式发布一个新的探索”，但未说明属于公测、已上线还是其他产品阶段。（M4，slide 29；M3，slide 28）
• 已披露能力与数字：设计生产环节已上线 8 支设计专家 Agent Team，覆盖用研、交互、视觉、工程和评估等流程；MCP 工具 Magnet 用于在组件原生工作空间调用既有组件并组织页面。（M3，slide 16、20-22）
• 后续规划：ADI 将纳入“AI Native 原生设计行业规范”共建，并计划逐步扩展至万有无界、阿里云百炼及更多设计工具；材料未给出具体上线日期。（M3，slide 29-30）

AI 原生设计行业规范共建｜发布参与方代表：田斌、毛德峰、汪晓鸣

• 发布内容：启动 AI 原生设计行业规范共建，参与方覆盖工信国际、阿里云百炼、高校和行业合作伙伴；发布页列出田斌（工信部国际合作中心工业所所长）、毛德峰（阿里巴巴 ATH 事业群 MaaS 资深产品运营专家）与汪晓鸣（阿里巴巴 ATH 事业群 MaaS AI 创新设计部设计总监）。（M7，slide 2-3）
• 核心亮点：共建包含四部分——AI 原生设计行业指南白皮书、人才培训与认证体系、设计领域 OPC 共建计划、AI 原生设计行业案例库。（M7，slide 2）
• 具体范围：材料列举了定义、原则、方法与标准，分级课程、设计师认证与实训营，OPC 专项扶持和 AI 设计 OPC 大赛，以及 AI 行业设计 Skill Hub、Agentic Design 案例、垂直行业解决方案库和企业落地经验案例。（M7，slide 2）
• 产品阶段与时间节点：该发布属于行业共建而非软件产品，公测或上线状态不适用；材料未说明白皮书、认证体系、比赛及案例库的完成时间。（M7，slide 2-3）

三、主题演讲

刘骏｜阿里巴巴 ATH 事业群 MaaS 业务线高级体验设计专家｜《从设计 AI 到 AI Design Intelligence》

• 研究观点：企业并不缺 AI 工具，真正缺的是组织人与 Agent 的方式；复杂协作需要回答任务如何拆分、责任如何分配、人何时介入、过程是否可信以及经验如何复用。（M4，slide 8）
• 研究观点：万有无界以“数字员工”表达岗位化 Agent，以群聊承载持续增长的 Context，再以 DAG 明确依赖、并行和人工确认点，形成“先让 Context 流动，再让 Structure 生长”的协作方式。（M4，slide 9-19）
• 案例事实：万有无界被描述为面向企业复杂任务的多人、多 Agent 协作空间；沉淀对象不只包括结果，也包括 Context、Workflow 与 Experience，以形成可理解、可引用、可复用的经验资产。（M4，slide 9、20-23）
• 研究结论：设计师身份从单点执行者转向调度者；旧设计经验并未失效，而要在 Agent 的技术语境下重新表达，例如“控制感”从二次确认、撤销和回滚延伸为过程可见、可随时介入和接管。（M4，slide 4、26-27）
• 一句话结论：AI 设计能力的重点不是单次生成，而是把设计方法、生产流程和体验评价沉淀为可以持续验证与复用的组织资产。（M4，slide 27-30；M3，slide 28、31）

谭啸｜阿里巴巴 ATH 事业群 MaaS 业务线高级体验设计专家｜《AI-Native Design：Agentic UI 与审美驾驭》

• 研究观点：Design Skill 能把风格和品位转成约束，却不能赋予 AI 对情境的“敏感性”；当输入平庸、风格被无限复制时，AI Slop 还可能进一步演化为 Taste Slop。（M5，slide 44-49）
• 研究观点：AI 使设计复制走向工业化，让风格变成交付物、品位变成快消品，带来“审美通货膨胀”；但工业化也能降低优质设计的可获得成本。（M5，slide 49-52）
• 模型实践事实：材料用万相说明设计师可参与训练方向、美学标准、训练数据、专业标注和评测迭代；演讲者称模型能力已由 2024 年约 L2-L3 发展到“摸到 L4-L5 门槛”。（M5，slide 12-16）
• 产品与交付案例：阿里云百炼改版经历设计原型、代码原型和生产级代码三个阶段，正式代码库被视为唯一真实信息源；演讲者称其中一位同学完成 40 多次、38 万行以上代码提交。（M5，slide 20-22）
• 工具案例：Meoo 被描述为可通过自然语言完成应用构建，并连接云资源、部署、域名、AI 能力、支付和小程序等环节；材料未说明其公测或上线状态。（M5，slide 25-28）
• 方法案例：演讲者展示的 Design Skill 包含 73 种精选设计风格、32 种视觉技法、54 份深度设计参考和 11 个交付质量维度，用于风格召回、生成与自检。（M5，slide 40）
• 一句话结论：品位是持续选择的过程而非一次选择的结果；AI 是否导致审美升级，取决于人是否保留目标、判断与主导权。（M5，slide 54-58）

樊博洋｜阿里巴巴 ATH 事业群 MaaS 业务线高级体验设计师｜《Design Qoder：AI-Native 设计的新空间》

• M6 可确认演讲者、职位与题目，但除封面和结束页外，正文主要为图片页或仅有勾选符号，现有文本材料不足以可靠概括其产品能力、观点、案例数字或未来规划。（M6，slide 1-44）

方思远｜蔚来座舱数字设计负责人｜《变与不变，蔚来的 AI 设计初心》

• 研究观点：演讲以 Brand Native Design 讨论 AI 与品牌的关系，并用“纯粹、有温度、精致、未来感”四个品牌维度组织 AI 座舱设计表达。（M8，slide 3-5、8、19、31、40）
• 体验案例：材料展示餐厅搜索与追问、车内环境调节、车载功能解释、接机任务等场景，并提出系统原生 AI 交互框架需要同时支持跨业务内容和与各应用深度融合。（M8，slide 11-18）
• 品牌与交互事实：NOMI 的表达维度包括面部表情、手势、配件、超自然 TTS、硬件动作和全感座舱；材料还提出“未来汽车＝物理世界智能体”。（M8，slide 21、26-29、41）
• 方法框架：NIO AI Design Harness 由人格行为、精确执行、减法约束和能力边界四项构成。（M8，slide 51-52）
• 证据限制：M8 多页为图片型页面，材料未提供上述框架的进一步文字解释、案例数据或明确未来时间表，因此不作扩展推断。（M8，slide 6-7、9-10、17、20、22-25、30、32-39、42-49）
• 一句话结论：蔚来的材料把 AI 原生体验置于品牌约束之内，强调系统级融合、情感表达、设计品控与能力边界。（M8，slide 8、18-19、31、40、51-52）

吴烽琪｜阿里巴巴 ATH 事业群千问事业部设计总监｜《Design X AI：探索设计新范式》

• 研究观点：设计范式同时受到两种变化驱动——产品从预设路径转向动态生成、持续互动的概率性交互，业务迭代则由月、周级走向日级。（M9，slide 3）
• 方法框架：团队把实践归纳为三条路径：将需求理解、设计原则与组件规则封装为 AI 可读 Skill；把重复执行工具化、协作流程工程化；把有效单点实践沉淀为团队可复用能力。（M9，slide 5-6）
• 质量原则：D2C 质量依赖设计稿的表达、结构和交互规范，包括样式变量与 Token、语义化组件和自动布局、加载/报错/点击等状态流转；人负责目标、取舍与边界，AI 负责规则梳理和辅助执行。（M9，slide 10-15）
• 案例数字：SmartAdapt 将同一视觉方案延展至不同媒介与尺寸，团队在该具体场景中报告提效约 70%-80%，设计师仍负责核心视觉和结果把关。（M9，slide 19）
• 协作案例：团队使用 AI 搭建插件处理高清化、提示词扩写、批量图层命名和屏幕适配，并以可运行 Demo、模拟器和可视化调试更早发现响应式、异常状态及真实内容问题。（M9，slide 17-22）
• 未来方向：经验证的工具、Skill、业务设计系统和协作工作流将进入团队 Skill Hub，在复用反馈中持续维护；专属 Agent 应从真实业务卡点逐步串联形成，而不是先追求全能替代。（M9，slide 25-28）
• 一句话结论：AI 不是设计师的替代者，而是由人定义分工、边界和质量标准后，用来放大判断与执行能力的协作者。（M9，slide 23、27）

张晨｜Canva 可画中日韩印区域设计负责人｜《AI 时代的设计：生产力工具的进化》

• M10 可确认演讲者、职位及“Canva 与 Affinity 如何连接创意、专业控制与规模化生产”的题目，但正文几乎全部为无可抽取文字的图片页，现有文本材料不足以可靠归纳其观点、产品状态、案例数字或规划。（M10，slide 1-28）

刘钊｜Another Design 创始人及创意总监、深圳市平面设计协会主席及学术委员、国际平面设计联盟 AGI 会员｜《PROMPT》

• M11 仅封面可确认演讲者、身份与题目，其余页面均无可抽取文字；现有文本材料不足以判断演讲论点、案例、产品发布或未来规划。（M11，slide 1-25）

四、圆桌讨论

• 议题：AI 原生时代究竟带来“创造力的解放”还是“想象力的趋同”。（M12，slide 2-6）
• 参与者：材料列出刘钊（深圳市平面设计协会主席）、刘雨晴（AI 艺术家、第 16 届北影节 AI 单元最佳影片获得者）、斯宇（重庆智绘星辰科技有限公司、巨日禄 AI 联合创始人）、张晨（Canva 可画中日韩印区域设计负责人）、汪晓鸣（阿里巴巴 ATH 事业群 MaaS AI 创新设计部设计总监）和刘骏（阿里巴巴 ATH 事业群 MaaS 高级体验设计专家）。（M12，slide 2-6）
• 主持人：材料未明确标注主持人与嘉宾的角色区别。（M12，slide 2-6）
• 讨论内容与结论限制：M12 只有议题与人员页，没有逐人发言、对话或结论记录；因此现有材料不足以判断各嘉宾的具体观点、共识、分歧或圆桌核心结论。（M12，slide 1-7）

五、全场总结

1. 贯穿全场的主线

全场主线是把设计从“产出界面”推进到“构建可执行智能能力”：底层通过模型美学、知识与 Design Spec 建立约束，中层通过 Skill、Harness、Agent 和协作流程完成生产，顶层通过 AI 原生应用与基于意图的度量检验结果；在此过程中，人仍负责意图、边界、审美选择和质量责任。（M1，slide 8；M3，slide 28；M5，slide 46、54-55；M9，slide 15、23）

2. 最有信息量的 3 个片段

1. 重磅发布｜刘骏：ADI 把设计方法、设计生产和体验度量合为一体，并分别落成 AI Experience Grammar、AI Design Production 与 AI Experience Measurement，使设计经验能够被人和 Agent 共同调用、执行和验证。（M4，slide 29-30；M3，slide 1-28）
2. 主题演讲｜谭啸：阿里云百炼从设计原型走向生产级代码，单人 40 多次、38 万行以上提交的案例说明 AI Coding 已进入真实交付；与此同时，演讲又以 AI Slop/Taste Slop 警示风格复制并不等于品位。（M5，slide 21-22、44-49）
3. 主题演讲｜吴烽琪：SmartAdapt 在明确规则和人工把关下报告 70%-80% 的具体场景提效，展示了“规则可读—重复执行自动化—经验进入 Skill Hub”的团队化落地路径。（M9，slide 19、25-26）

3. 跨形式呼应

• 致辞方向：汪晓鸣提出从模型到 AI 原生应用的五层设计栈，并把“Design to Build”落在可执行设计和真实产品能力上。（M1，slide 2、8）
• 演讲验证：刘骏用数字员工、Context Loop 与 DAG 验证组织协同；谭啸用模型美学、生产代码和 Design Skill 验证从模型到应用的纵向实践；吴烽琪用规则、插件、Design Skill 与 Skill Hub 验证团队工作流重构。（M4，slide 10-23；M5，slide 12、21-22、40；M9，slide 6、12、17-26）
• 发布落地：ADI 将方法、生产和度量产品化，行业规范共建则把白皮书、人才认证、OPC 与案例库作为行业扩散载体。（M3，slide 28-30；M7，slide 2-3）

4. 可落地的行动建议

1. 面向设计团队：先选择一个真实、高频卡点，把目标、边界、Token/组件规则和验收标准整理成最小 Design Skill，再通过任务反馈修正规则；不要从“全能设计 Agent”起步。（M9，slide 11-15、26-27）
2. 面向产品与研发团队：按探索、精修、交付三个阶段分别采用 Prompt/多模态、Canvas 直接操作和组件原生工作空间，并让 Spec/Context Contract 与正式代码库承接上下文，降低跨工具的信息损失。（M3，slide 5-22；M5，slide 21）
3. 面向 AI 产品负责人：把评价重点从功能点击迁移到意图达成、高价值意图覆盖、主动服务质量和信任，同时保留过程可见、人工介入、接管和结果验证机制。（M3，slide 25-27；M4，slide 26）

【AI 时代的可观测与智能开发运维】材料摘要

二、重磅发布

M2｜云监控 2.0 Agentic Observability 全新升级 · 徐葛（阿里云智能集团产品专家）

• 发布内容：云监控 2.0 将 Agentic Observability 分为两部分：Observability by Agents，为 Agent 提供完整事实、统一语义和任务级接口；Observability of Agents，把 Agent 的轨迹、成本、质量与风险纳入观测。两者共享 Integration、Telemetry、UModel、Dashboard、Alert 与统一存储底座。【M2，slide 1-2】
• 核心亮点：面向 Agent 的事实供给侧增加智能接入、数据治理 Pipeline、UModel 智能建模，以及 Skill、CMS2 CLI、CMS MCP Server 三类入口；页面口径为 500+ 云服务与组件接入、UModel 3,300+ 内置模型定义、10 大观测域与 214 个模型分组、200+ 工具和 21 个一级域。【M2，slide 5-8】
• Agent 可观测能力：覆盖用户端、Agent Runtime、模型服务、PaaS 和 AI Infra，以 Session/Trace 关联执行轨迹、Token、成本、工具调用、推理服务与 GPU，并支持会话回放、语义聚类及性能、成本、质量、安全归因。【M2，slide 9-11】
• 阶段边界：材料以“全新升级”和多处“NEW”描述能力，但备注明确表示端到端 Agent 可观测中的 Token 成本、Agent 健康巡检、评测等能力档位仍待确认；因此现有材料不足以统一判断各项是已上线、大会发布、灰度还是路线图。Demo 也要求真实链路未就绪时使用预录 Trace 或静态截图，不应视为全部能力已现场可用。【M2，slide 5-13】
• 口径提示：slide 8 页面写“200+ 工具、覆盖 95% 功能”，讲者备注写“172 条命令”；两处口径不一致，不能合并成同一已核定数据。【M2，slide 8】

M7｜云效研发智能体正式发布 · 崔力强（阿里云智能集团高级技术专家）

• 发布内容：正式发布基于 STAROps 打造的云效研发智能体，以用户“数字分身”驱动需求拆分、编码、CI 修复、代码评审、功能验收和发布风险检测，形成智能体驱动的研发交付闭环。【M7，slide 1、8-10】
• 核心亮点：数字分身自动继承用户的云效资源权限，无需另行维护智能体权限；支持内置研发技能和自定义技能，并可并行执行多项工作，在需要时请求人工介入。【M7，slide 9、27】
• 主动工作：支持定时任务和事件触发，可用于迭代进展总结、流水线健康检查、线上错误分析与修复、需求澄清、MR 评审和架构风险检查。【M7，slide 18-20】
• 团队知识闭环：智能体在交互和任务执行中提炼知识并回写代码库式团队知识库，后续按渐进式披露方式召回；验收测试可录制脚本并沉淀，下一次提测复用配置和脚本。【M7，slide 21-25】
• 阶段与效果边界：标题明确为“正式发布”；材料只定性描述复用知识后测试更快、人工介入与积分消耗更少，没有给出可核验的量化提效数据，不外推具体收益。【M7，slide 1、25】

M8｜UModel 与 AgenticOps Benchmark 开源建设 · 张乎兴、温希道（阿里云云原生高级技术专家）

• UModel 发布：材料称 UModel 于 2026 年 5 月正式开源，以 Apache-2.0 许可证开放模型、服务、查询、Web 与测试代码，并提供本地服务、umctl、MCP、OpenAPI、Web UI、SDK 和示例；同时发起企业通用语义标准 USS 倡议。【M8，slide 16】
• 联合发布：UModel 联合发布机构列有小鹏汽车、卓驭科技、畅捷通、嘉立创科技和神州商龙。【M8，slide 16】
• Benchmark 已发布内容：材料明确 RCA100/200 已发布，覆盖指标、日志、请求、事件、告警、性能和拓扑；截至 2026-09-01，访问来源覆盖 36 个国家或地区。材料同时提醒独立来源 IP 不等于用户数，HTTP 2xx GET 也不等于下载量。【M8，slide 23】
• 后续建设规划：社区贡献流程及四条 Track——Bad Case 仿真复现、离线/Replay Benchmark、故障发现到处置闭环、云原生 Benchmark 工厂——是持续建设安排；页面分别列出当前基础与拟对外产物，不能将拟发布题集、恢复验证器或任务生成器视为现已全部发布。【M8，slide 24】

三、主题演讲

M1｜杨钊 · 易点天下高级系统工程总监 · AI 驱动 IT 运维组织提效实践

• 核心观点：个人 AI Agent 能带来局部效率提升，但仍存在个体差异、写操作与密钥安全、组织流程未重塑及长期质量不稳定等问题；组织级提效需要把业务流程、数字员工与持续运营结合起来。【M1，slide 4-5、13】
• 客户实践数据：易点天下基于 2026 年 Q2 实践统计，称成本、容量、IT 支持与故障排查四类场景平均提效约 68%—87%；其中 EMR 成本分析预计降本约 5 万元/月，容量巡检覆盖 100+ 集群，VPN 问题由约 70 条/周降至 13 条/周，15 次故障排查合计节省 4.7 小时。以上均是该客户材料中的特定实践结果，不代表通用产品效果。【M1，slide 4】
• 故障案例：一次 Aerospike 连接池耗尽导致集群雪崩，HPA 扩至 40/40、CA 扩节点 80+；AI 用 8 分钟穿透表象定位到单点连接池耗尽，对照人工基线 40 分钟，材料计算提效 80%。【M1，slide 4】
• 组织架构实践：方案以 SRE Leader Agent 负责意图识别、路由、编排、协作和发布门禁，专业 Worker Agent 负责数据库、构建、容器和阿里云运维诊断；云监控 2.0、SLS、CMDB 与内部 MCP 系统提供事实，AgentLoop 记录 Trace、会话、Token 和执行轨迹，形成“感知—分析—决策—执行—验证—沉淀”闭环。材料同时标注部分 AgentCore 纳管和 STAROps 集成为待开发或待集成，不能视为全部完成。【M1，slide 6-7】
• STAROps 实践：材料展示通过智能会话把客户侧 30+ 云账号中指定标签的 ECS 指标批量接入托管 Prometheus，并按地域聚合、投递；后续新增云账号通过对话快速接入属于材料描述的未来操作方式。【M1，slide 9】
• 评估与演进证据：参考实验记录正确率由 7.1% 提升至 36.1%、Token 降低 6.8%，但页面明确称“参考实验”，不能外推为易点天下全场景生产收益；另一次工具调用评估中，首次成功率为 0.93，修复 kubeconfig 后再次评估 44 条、综合 0.83，低于 0.5 的记录消失，材料特别说明两次数据集时间段不同，不能用综合分直接比较优劣。【M1，slide 10-11】
• 一句话结论：运维 Agent 要从个人工具升级为有统一事实、职责隔离、证据门禁、安全审计和持续评估的“数字员工”。【M1，slide 6-7、10-13】

M2｜徐葛 · 阿里云智能集团产品专家 · 云监控 2.0 Agentic Observability

• 核心观点：当 Agent 成为软件操作主体，可观测系统要从面向人浏览的“展示系统”升级为面向机器调用的“事实供给系统”；完整遥测、统一语义和受控上下文接口缺一不可。【M2，slide 3-4】
• 关键技术路径：全栈、多云接入补齐事实；治理 Pipeline 统一字段、标签、关系和结构并控制采样与存储成本；UModel 将指标、日志、调用链、事件和剖析组织为对象、关系、知识与操作语义；Skill、CLI、MCP 再把能力交给 Agent 调用。【M2，slide 5-8】
• 责任边界：材料明确云监控 2.0 提供事实和接口，模型推理与执行编排属于外部 Agent；因此不能把 Agent 最终行动效果直接归因于云监控产品。【M2，slide 4】
• 趋势证据边界：材料引用 IDC，称 2029 年全球活跃 Agent 超过 10 亿、约为 2025 年的 40 倍；约 2,500 万这一 2025 数字是由该比例反推，并非 IDC 披露的逐年序列。【M2，slide 3】
• 一句话结论：既要让 Agent 看见系统，也要让人看见 Agent，并以同一套可信观测事实贯通两者。【M2，slide 1-2、10-12】

M3｜夏明 · 阿里云智能集团高级产品专家 · AgentLoop：Agent 观测与优化

• 核心观点：生产级 Agent 的效果不是一次调出来的，而是通过真实运行、观测、评估、归因、优化与回归持续形成；AgentLoop 以 Trajectory 为主线建设企业 Agent 自进化数据飞轮。【M3，slide 2-7】
• 采集与观测：LoongSuite × AgentSight 提供 Python、Java、Go、Node 四类语言探针及 eBPF 零代码插桩，材料称去重覆盖 40+ 框架；平台围绕 Trace、Metrics 和 Alert 观察 LLM、Tool、RAG、Token、TTFT、错误、延迟与缓存命中。【M3，slide 8-9】
• 数据与治理：原始 OTel Trace 经去重和标准化转为 ATIF Trajectory，聚合 I/O、Agent、Token、Step、模型与工具，并通过 extra 保留业务增强字段；审计 Pipeline 将行为事实、规则命中和语义判定聚合成可解释、可复核、可处置的风险事件。【M3，slide 10-11】
• 评估优化闭环：Agent-as-a-Judge 可加载 Skill、工具和企业私域知识，输出评分、理由与证据；低分会话再归因到 Prompt、Tool、Knowledge、Planning、Memory、Model 或 Policy，并通过离线回归、小流量 A/B、变更门禁和灰度发布验证，任一核心指标未达阈值即阻断或回滚。【M3，slide 12-14】
• 客户案例一：UGC 游戏生成场景在 3 天内跑通采集、评估、Skill 调优和实验回测闭环；示例数据对 16 项 API 做事实性检查，得到正确 5、错误 9、无核验 2、分数 0.4。材料没有给出调优后的最终分数，不能据此声称质量已经提升到某一水平。【M3，slide 15】
• 客户实践汇总：材料列举电商客户满意率提升 7%+、升级率降低 3%+，标注周期由 T+1/3 降至 30 分钟内，人工抽检覆盖由 5% 升至 100%；另列单租户每日 Trace 近千万级、单数据集超千万标注数据、Agent-as-a-Judge 经专家复核准确率 90%+。这些是材料汇总的客户实测口径，不应视为所有客户或所有模块的统一效果。【M3，slide 16】
• 一句话结论：把运行轨迹加工成可评估、可归因、可回归的数据资产，才能让 Agent 在效果、性能、成本和安全上持续改进。【M3，slide 5-7、17】

M4｜钟雨 · 瓴岳科技 AI 中台工程团队负责人 · Skill 全生命周期管理

• 核心观点：Skill 数量增加不等于资产价值增加；需把散落、低复用且质量黑箱化的工具转为可发现、可衡量、可迭代的企业资产，即以 SkillOps 管理“AI 时代的 SKU”。【M4，slide 4-6】
• 客户背景与现状：瓴岳科技材料称全球注册用户 1.9 亿+、服务金融机构 116 家+、累计交易金额 5,700 亿元+；内部已沉淀数百个高频 Skill。AI 基建包括 50+ 模型、90+ MCP、400+ Skill 和 100+ Plugin，均为该企业内部建设口径。【M4，slide 3-4、7】
• 生命周期方案：闭环依次为发现、创建、发布、采集加工、评测、迭代。发现阶段给出直接复用/继承改造/全新创建建议；创建阶段称可消除约 80% 重复配置；首次上架零审批，后续核心 Skill 更新由评测门禁拦截显著劣化，长尾 Skill 只告警。【M4，slide 8-15】
• 与 AgentLoop 共创：LoongSuite 本地 Hook 无感采集并做 PI/PII 脱敏，服务端执行 Skill 归因；规则粗筛后再判定 Skill 是否真正影响决策、处理多 Skill 主次和低置信样本，人工确认样本组成黄金子集。离线实验与生产增量评测共用正确性、能力增益、成本三维指标。【M4，slide 16-23】
• Coding Skill 技术实践：采集 repo、branch、base commit，还原历史代码基线；关联后续合入 PR 作为 Ground Truth 候选，再比较代码 diff、编译和测试信号。材料明确 PR 可能混入人工改动，因此只是候选真值，仍需开发者二次确认。【M4，slide 17、22】
• 规划边界：skill-iterator 自动读取 Bad Case、优化 Prompt/编排并循环实验仍标为“规划中”；候选版本由机器生成，但发版决策保留给开发者，并受最大轮数和指标收敛双重停止条件约束。【M4，slide 15】
• 一句话结论：SkillOps 的价值不在多造 Skill，而在用真实流量、可信归因和版本门禁让 Skill 成为可复用、可增值的组织资产。【M4，slide 24-27】

M5｜李田莉 · 阿里云智能集团产品专家 · STAROps：构建 Agentic Ops 智能运维闭环

• 核心观点：智能运维正在从人工规则、AIOps 数据辅助和问答助手，走向以运维目标为驱动、可持续规划与执行的 Agentic Ops；关键不是只给建议，而是把发现、诊断、处置、验证和经验沉淀连成闭环。【M5，slide 2-5】
• 产品能力：STAROps 被定位为阿里云智能运维统一入口，提供控制台、OpenAPI、页面、Skill/MCP、IM 等接入方式；Agentic Ops Engine 负责长期任务、问题发现、调查诊断、处置计划、分级执行与结果验证，并连接可观测数据、资源资产、成本、发布变更和代码。【M5，slide 4、17】
• 技术底座：Connector 通过云上直连和环境代理连接跨账号、企业 IDC、其他云及外部系统；Fabric 统一建模指标、日志、链路、事件、变更、代码，以及业务、应用、实例、容器、数据库和网络关系，持续维护语义与动态拓扑。【M5，slide 6-7】
• 诊断与闭环：Agent 先锁定对象、影响范围和时间窗口，再关联指标、日志、链路、事件、变更和代码，持续验证假设并输出根因、传播路径、证据与建议；长期任务持续观察系统、创建或更新问题对象，处置后验证并沉淀经验。【M5，slide 8-10】
• 安全边界：查询、分析和报告可自动放行，配置、重启、扩缩等关键动作需人工确认，命中禁止规则则强制拦截；执行策略与 RAM 权限双重校验，完整记录访问、调用、审批、执行和恢复验证。【M5，slide 11】
• 演示与状态边界：材料列出智能接入、告警根因定位、跨云资源巡检和应用变更异常四个演示标题，但对应页面没有结果数据；不能把演示目录当作已证明的技术效果。材料也未明确 STAROps 整体处于公测还是已全面上线。【M5，slide 12-16】
• 一句话结论：STAROps 以统一上下文、跨域诊断、长期任务和受控执行，把“AI 能回答”推进为“问题能闭环”。【M5，slide 4-5、10-11】

M6｜邹良 · 吉利汽车集团数智化质量高级经理 · 基于 STAROps 的全域智能运维实践

• 核心观点：吉利汽车面临的瓶颈不是缺监控工具，而是跨云、跨机房、跨业务线的数据无法形成统一故障上下文；目标是把“1 分钟发现、5 分钟定位、30 分钟恢复”变成可执行链路。【M6，slide 3-6】
• 客户基线：材料称过去用户反馈常比监控早 5+ 分钟，跨数百系统定位需 30—60 分钟，告警精准度约 30%，恢复依赖人工经验且需 1—2 小时；原因包括日志格式、CMDB、统一看板、跨系统 Trace、依赖关系和响应 SOP 不完整。【M6，slide 3-5】
• 落地方案：以云监控 2.0 承载指标、日志、链路、事件和变更，以 UModel、ARMS、SLS、Prometheus 与 CMDB 构造统一上下文；数字员工分别承担告警治理、根因定位和故障自愈，并以预案、SOP、验证结果和案例库形成反馈闭环。【M6，slide 7-9】
• 客户实战：一个演示故障从 10:00 告警开始，数字员工依次识别 504 占比 80%、调用耗时由 50ms 升至 5s、QPS 放大 100 倍，10:04:05 定位 CPU 耗尽，提出容器由 10 扩至 100 的方案，经运维确认后于 10:05 恢复。【M6，slide 10】
• 客户效果：材料汇总告警噪音降低 70%、查询提速 20 倍、数字员工效率提升 15 倍、人力节省 80%；发现从 5+ 分钟降至 1 分钟，根因定位从 30—60 分钟降至 5 分钟，恢复从 1—2 小时降至 30 分钟。【M6，slide 8、11-13】
• 指标口径差异：slide 8 写告警精准度从 30% 提升至 90%、根因准确率 ≥95%；slide 12 又写告警精准度从 30% 提升至 95%。材料未解释统计范围差异，因此保留原口径，不将 90% 与 95% 合并为单一结果。【M6，slide 8、12】
• 规划边界：将高频故障、容量趋势和拓扑风险转成预案优化、SOP 自动生成、代码质量反哺、模型/Runbook 维护和风险收益优先级队列，是后续运维规划方向，不是上述客户效果的已完成项。【M6，slide 14】
• 一句话结论：该案例展示的是吉利汽车特定环境中以统一上下文和数字员工推进 1-5-30 体系的客户结果，不能外推为 STAROps 对所有客户的保证值。【M6，slide 8-15】

M7｜崔力强 · 阿里云智能集团高级技术专家 · 智能体驱动的研发交付闭环

• 核心观点：智能化 DevOps 不仅是让 Agent 编码，还要让它按团队 SOP 处理需求、测试、评审、发布和稳定性工作，并自动维护可复用的团队知识。【M7，slide 3-6】
• 全链路工作流：从一句话需求生成标准需求与用例，自主定位代码库、提交代码和 MR；CI 失败后分析并修复，MR 创建或更新触发智能评审，随后进行功能验收与发布风险评估。【M7，slide 10-16】
• 人机协同边界：代码由智能体生成并提交，但评审由人类通过后才部署到验收环境；数字分身需要时向用户求助。材料没有宣称研发流程完全无人化。【M7，slide 10、27】
• 一句话结论：把被动问答升级为事件/定时触发的数字分身，再用团队知识沉淀降低后续人工介入，形成可持续的研发协作闭环。【M7，slide 19-27】

M8｜张乎兴、温希道 · 阿里云云原生高级技术专家 · 面向 AgenticOps 的开源底座

• 核心观点：AgenticOps 进入生产要越过“采不到、读不懂、验不准”三道墙，分别依靠标准化采集补齐事实、UModel 围绕对象组织上下文、BRiSE 固定环境/Case/评分口径。【M8，slide 3、12、17、25】
• 采集标准化：以 OpenTelemetry 为共同底座，组合 Go 编译期插桩、Java/Python 运行时插桩、OBI/eBPF 和 LoongSuite Pilot；OBI 面向不可改代码的闭源、第三方和存量应用，在 TLS 边界内采集并恢复 HTTP/Provider/Model/Token/Tool/MCP 等语义，输出 OTel Trace/Metric。【M8，slide 4-5、10】
• 社区建设效果：Dubbo 从生产 Issue、上下文传播、指标和独立语义规范逐步进入 stable 支持，并扩展到 MyBatis、XXL-JOB 等方向；材料汇总三年 432 条贡献，包括 259 个 PR（205 个合并，79.2%）和 173 个 Issue，并拥有 5 个社区治理席位。【M8，slide 6-7、11】
• 推理与 Agent 轨迹：SGLang 请求级追踪采用 Root→Thread→Slice 三级 Span，覆盖排队、Prefill、Decode 与跨节点传播；Entry/Step 组织长程轨迹，Skill 语义记录 name、id、description、version。材料只说明建设与可观测范围，没有给出普遍性能提升数字。【M8，slide 8-9】
• UModel 调查示例：checkout-service 成功率由 99.6% 降至 92.1%，10:01 发布 V2.4、10:04 MySQL 连接数上升、10:06 payment 超时只是时间相近的三条线索；UModel 围绕 09:58—10:06 的对象、关系、状态和证据生成只读调查路径，材料明确这些线索尚不能直接证明因果。【M8，slide 13-15】
• Benchmark 体系：BRiSE 让仿真应用复现故障、OpsAgent 查询和推理、评分器在固定环境与数据下验收。任务按数据查询、巡检与异常分析、故障诊断分层，材料列出 1,360 道数据查询任务、418 个异常分析任务、764 个故障 Case，覆盖 150+ 故障类型和 20+ 云产品。【M8，slide 18-22】
• 范围与规划：当前任务覆盖中 LLM/Agent、变更发布仍属长尾，材料明确未来继续补齐；社区可提交环境、任务、故障、评测和基线，但拟形成的公开题集、处置任务集和 Benchmark 工厂仍需后续版本建设。【M8，slide 23-24】
• 一句话结论：开源建设的目标不是给出一次诊断答案，而是让运行事实、对象上下文和能力评测都可跨团队复用、复查与版本回归。【M8，slide 19、25】

五、全场总结

1. 贯穿全场的主线

论坛围绕同一条生产闭环展开：先用 OpenTelemetry、云监控 2.0、SLS/ARMS 等采集完整运行事实，再由 UModel/Fabric 把指标、日志、链路、事件、资产、变更和代码组织成 Agent 可理解的上下文；Agent 通过 Skill、CLI、MCP 和 STAROps 执行诊断或研发任务；AgentLoop、SkillOps 与 BRiSE 再把轨迹转成数据集，以评估、归因、实验、门禁和审计驱动持续改进。【M2，slide 5-11；M3，slide 6-14；M4，slide 9、16-23；M5，slide 4-11；M8，slide 3-25】

这条主线在材料中始终保留两类边界：一是事实供给不等于执行效果，云监控提供数据与接口，模型和编排由外部 Agent 负责；二是自主执行不等于无条件放权，关键变更需权限校验、人工确认、门禁、回滚和结果验证。【M2，slide 4；M3，slide 14；M4，slide 15；M5，slide 11；M7，slide 10、27】

2. 最有信息量的三个片段

1. 客户案例｜邹良，吉利汽车：材料完整给出从告警到恢复的 5 分钟时间线，并把客户基线与 1 分钟发现、5 分钟定位、30 分钟恢复的体系结果并列展示；这是“统一上下文→数字员工诊断→人工确认执行→恢复验证”的具体证据，但仅适用于该客户案例。【M6，slide 3、8、10-12】
2. 主题演讲｜夏明，AgentLoop：把 Agent 轨迹从 OTel Trace 加工为统一 Trajectory，再接入 Agent-as-a-Judge、归因分析、A/B、变更门禁和回滚；UGC 案例还保留了初始 16 项 API 检查中 5 正确、9 错误、2 未核验的 Bad Case，而未用不完整证据宣称最终提升。【M3，slide 11-15】
3. 主题演讲/开源建设｜张乎兴、温希道：checkout-service 案例明确区分“时间相关”与“因果成立”，随后用 UModel 固定对象、09:58—10:06 时间窗和证据来源，再交由 BRiSE 在固定环境、Case 与评分规则下复跑，体现 AgenticOps 对可追溯证据和可重复验证的要求。【M8，slide 13-19】

3. 跨形式呼应

• 发布落地：云监控 2.0 升级负责“看见系统、看见 Agent”的统一观测底座；云效研发智能体把 Agent 推进需求、编码、CI、评审、验收与发布流程；UModel 和 RCA Benchmark 则把语义模型与评测资产开放给社区。【M2，slide 1-13；M7，slide 1、8-27；M8，slide 16、23】
• 技术验证：AgentLoop 提供轨迹、评估、归因和实验闭环，STAROps 提供统一运维上下文、长期任务与分级处置，SkillOps 把同样的数据闭环应用于企业 Skill 的发现、发布、评测和迭代。【M3，slide 5-14；M4，slide 8-24；M5，slide 4-11】
• 客户结果：易点天下展示成本、容量、IT 支持和故障诊断的组织实践，瓴岳科技展示数百 Skill 的资产化治理，吉利汽车展示 1-5-30 运维体系。三者均为具体客户自身口径，不能直接当作产品普遍承诺。【M1，slide 4-13；M4，slide 3-27；M6，slide 3-15】
• 规划区别：易点天下部分 Agent 纳管、瓴岳 skill-iterator、吉利运维规划、M8 的四条 Benchmark Track，以及 M2 若干 Agent 可观测能力档位仍处于待开发、规划或待确认状态；这些不与已正式发布的云效研发智能体、2026 年 5 月已开源的 UModel、已发布的 RCA100/200 混写。【M1，slide 6-7；M2，slide 11-13；M4，slide 15；M6，slide 14；M7，slide 1；M8，slide 16、23-24】

4. 可落地的行动建议

1. 运维平台团队：先为一个高频故障链路固定对象、关系、时间窗和证据来源，统一接入指标、日志、链路、事件、CMDB 与变更数据；先开放只读查询，再按“自动放行—人工确认—强制拦截”分级接入执行，并要求执行后验证与留痕。【M5，slide 7-11；M8，slide 13-15】
2. Agent/Skill 工程团队：把 Session、LLM、Tool/MCP、RAG、Token、耗时和结果统一采集为 Trajectory；建立可信归因的数据集，以正确性、能力增益、成本和安全为门禁指标，在离线回归与小流量 A/B 通过后再放量，失败则回滚到稳定基线。【M3，slide 8-14；M4，slide 13-23】
3. 研发与组织负责人：将 Agent/Skill 视为持续运营的数字员工和组织资产，明确 Leader/Worker 职责、最小权限和人工兜底；把真实 Bad Case、成功轨迹、SOP、测试脚本及知识更新纳入日常流程，同时为“已上线、客户实测、参考实验、规划中”分别维护证据标签，避免把单点案例外推为通用效果。【M1，slide 5-13；M4，slide 25-27；M7，slide 19-27；M8，slide 24-25】

【AI 短漫剧工业化：版权、制作与平台协同】材料摘要

> 证据范围：8/8 份材料。 下文仅依据本地 TXT 所对应的完整 PPT/PPTX 提取内容；“企业自述”指企业演讲材料中的经营、产品或案例数据，“报告引用”指研究报告注明外部来源的数据，“预测”指材料中的预测值。未核验材料所列外部链接，亦不将不同口径的数据直接合并。

>

> - M1：2332-1-美化-云栖大会-杨翼_掌阅科技-已修改.txt（16 页）

> - M2：2529-1-美化-大模型时代的数字叙事工业实践_1-2026云栖大会分享材料-时刻互动_美化0917_.txt（20 页）

> - M3：2739-1-美化-井英科技分享.v4-案例与阿里云合作补充版-已修改-第14页中文化.txt（18 页）

> - M4：3039-1-美化-为创意加速_阿里云短漫剧行业解决方案分享_云栖分论坛917_美化0918_.txt（28 页）

> - M5：3931-1-6-26云栖大会-山海星辰v6.txt（15 页）

> - M6：3998-1-5-_最终稿_--26云栖大会-跳跃视界分享-梁彪-终稿.txt（25 页）

> - M7：4017-1-8-_ALL_IN_AI_26云栖大会-920版.txt（20 页）

> - M8：4032-1-2-调整-赵晖_AIGC微短剧产业发展报告-更换模版-已修改.txt（73 页）

二、重磅发布

1. Wan3.0 视频生成模型与短漫剧生产方案

• 介绍人：潘奕如，阿里云智能集团公共云事业部高级解决方案架构师；井英科技材料同时记录其生产接入情况。（M4 第6—14、18—24页；M3 第6页）
• 发布/能力内容：面向真实生产场景的视频生成模型，以及由统一模型调用、万镜一刻创作工具和 Agent 工作流构成的短漫剧生产方案。
• 核心亮点：原生支持 30 秒生成；支持图、文、视频、音频参考并进一步支持文档与网页输入；强调角色、道具、声音和空间关系的一致性；批量剧工作流覆盖剧本理解、自动分镜、提示词、资产、视频生成、成片质检。（产品材料自述，M4 第6—14、17—24页）
• 阶段：M3 第6页明确标注 Wan3.0 于 2026年8月24日正式上线发布；井英科技称已参与前期测试并接入真实短剧生产流程。（企业合作材料自述）
• 边界：M4 所列“4.5k tokens、10px 小字、12+语种、100种艺术风格”等均为产品材料自述；现有材料没有提供统一第三方测评结果。

2. HappyOyster 1.0 开放式世界模型

• 介绍人：潘奕如，阿里云智能集团公共云事业部高级解决方案架构师。（M4 第15—16、25—26页）
• 发布/能力内容：面向可探索、可导演、可持续生成内容的主动式实时交互开放世界模型，服务互动短剧、游戏/影视概念创作、数字人陪伴和直播互动。
• 核心亮点：Adventure 模式支持 1分钟以上实时位移与镜头控制；Directing 模式主张 3分钟长程一致性；支持文本、首帧图和多图参考驱动。（产品材料自述）
• 阶段与案例：珀乐互动案例称 4月启动合作、6月完成灰测和接口接入、8月在 ChinaJoy 演示。（企业案例自述，M4 第25页）HappyOyster 1.0 是否已全面公测或商业上线，材料未说明。

3. 千问办公“短剧创作专家”套件

• 发布人：梁彪，跳跃视界副总裁。（M6 第20页）
• 发布/能力内容：将跳跃视界已跑通的短剧创作范式封装为千问办公专家套件，降低剧本、分镜与成片工作流的使用门槛。
• 阶段：材料明确写明“正式上线”；具体上线日期、收费方式、开放范围和用户数据未说明。

4. 点众科技“双十亿”AIGC 全球共创计划

• 发布人：于博文，点众科技 AI 产品负责人。（M7 第18页）
• 发布/计划内容：以专项基金奖励兼具商业潜力与艺术价值的原创故事，吸引成熟 IP 成品，并支持专业制作团队升级技术和扩充产能。
• 核心资源：点众科技同时开放 8万部存量优质小说 IP，并以剧创平台、自有渠道和全网发行承接生产与分发。（企业自述，M7 第8—18页）
• 阶段与数字边界：材料未说明计划启动日期、申请条件、执行进度，也未解释“双十亿”的具体资金或资源口径；不能仅依据计划名称推断投入规模。

三、主题演讲

1. 赵晖｜教授、博士生导师；中国电视剧制作产业协会短视频内容工作委员会主任、中国传媒大学视听艺术研究中心主任

• 核心观点：AI 微短剧已从技术试验进入产业化窗口，但技术成熟显著快于内容成熟；下一阶段竞争将从产能和单一模型指标，转向精品内容、全链路生态与合规能力。（M8 第20—27、61—69页）
• 关键论据/案例/数字：
• 报告称 2026年上半年全平台微短剧约36.7万部，AI 微短剧与漫剧合计占比超 74%；抖音端 AI 剧漫剧新增 22.19万部。（报告引用 DataEye、CVB，M8 第20、26页）
• 抖音端新剧中约 2886部（1.3%）达到按5000万播放定义的盈亏平衡线，约 1065部（0.48%）播放破亿，说明供给增长没有自动转化为传播增长。（报告测算/引用，M8 第56页）
• 报告预测 2026年中国微短剧市场约1210亿元、同比增长约21%；这是预测值，不是已实现收入。（报告预测，M8 第8页）
• 版权与合规建议包括素材合规库、肖像权授权链、保留 prompts/参数/修改记录、先备案后上线和 AIGC 标识；对换脸、声音克隆、改编权与二次转授权提出风险警示。（M8 第13—14、64—66页）
• 结论：工业化不能只追求“生成更多”，而应把人的叙事与价值判断、可审计的版权链路、平台反馈和多维评价体系共同纳入生产系统。

2. 潘奕如｜高级解决方案架构师｜阿里云智能集团公共云事业部

• 核心观点：AI 视频正在从“可生成片段”走向“可完成叙事”；生产级能力取决于工程效率、运动与物理、音画同步、复杂指令、多模态一致性和叙事表达六项能力同时成立。（M4 第3—5页）
• 关键论据/案例/数字：
• 材料概括行业效率变化为成本降低 70%—80%、周期压缩 50%—90%、纯生成成本约 1元/秒、分镜可用率 70%—90%。（行业/产品材料口径，M4 第4页；具体样本和测算方法未说明）
• 连续叙事方法先锁角色身份、场景结构和人物站位，再按画面、光影、声音、台词、风格、衔接六层逐镜控制，并用180度轴线和“上一镜终点=下一镜起点”保持空间连续。（M4 第18—22页）
• 批量生产方案将小说/剧本结构化后，串联分镜、提示词、资产、批量生成、人工精修和质量处理，并通过资产库、Prompt 规则和镜头规范反哺产线。（M4 第24页）
• 结论：模型能力只有被封装为可干预、可批量、可质检、可复用的端到端工作流，才构成短漫剧工业化基础设施。

3. 杨翼｜职位材料未说明｜掌阅科技

• 核心观点：AI 的价值不只是降低单个镜头成本，而是把“版权—生产—分发—转化”接成一条链路，使长尾 IP 可以先低成本验证、再依据真实用户数据追加投入。（M1 第5—8页）
• 关键论据/案例/数字：
• 掌阅称拥有 200万部正版版权、每年自有实拍剧产能 1000+部、累计 AI 成片上百万条；这些均为企业自述。（M1 第4页）
• 传统改编单次投入为百万量级、周期以年计，资源因而集中于 Top 1%，百万部 IP 中每年只能推动几十部；材料据此提出“投入在前、判断在后”的低成本试片模式。（企业经验判断，M1 第5—7页）
• 同一套角色、场景和美术资产可复用于短漫剧、游戏、有声、广告 TVC、文旅大屏等形态；首次承担建模成本，后续主要承担生成成本。（企业方法论，M1 第8—9页）
• 新交易标的包括演员真人建模授权、建筑/场景建模授权和 AI 产出物确权凭证；授权期限、衍生形象、权利主体和可核验凭证均尚无统一答案。（M1 第13—14页）
• 结论：版权价值应从“一次成交”转向可合规复用和多次转化，但前提是产业共同建立新型授权、定价、分成与凭证标准。

4. 付磊｜AI 产研负责人｜山海星辰

• 核心观点：AI 辅助仍是“人用 AI 做”，真正的 AI 原生应由 AI 承担重复执行、人负责审美和关键判断，并把流程、资产和经验沉淀为组织能力。（M5 第2—7、14页）
• 关键论据/案例/数字：
• 材料称 2026年上半年上线22万部 AI 短剧、爆款率0.47%，由此论证工具数量和产量增长没有同步提高内容成功率。（企业材料引用口径，M5 第2页；来源与爆款定义未说明）
• 山海星辰自述 Nova AI 实践达到 TikTok 短剧分成榜连续 5个月 TOP1、5人=原40人产能、爆款命中率 30%+。（企业自述，M5 第5页；统计样本与命中定义未说明）
• 生产数据包括 3小时生成剧本初稿、3天定稿；5小时生成60集；一部剧制作 3天交付、约 90%集数一次生成即可成片、集均算力成本低于 100元；资产成本下降 30%。（企业自述/案例口径，M5 第8、10—13页）
• 结论：工业化壁垒不在更多单点工具，而在可自动续接、自动质检、失败重试、资产复用和经验沉淀的一体化 AI 剧组。

5. 庞恩辽｜CTO｜时刻互动

• 核心观点：短漫剧生产与全球发行要形成从题材评估、内容制作、本地化、渠道分发、数据运营到变现回收的闭环，大模型则应进入真实制作环节解决一致性和返工问题。（M2 第6、9—17页）
• 关键论据/案例/数字：
• 《风水天师》材料一处称上线 12小时播放破亿、全网累计超6亿，同页图示又写“全网总播放量10亿+”；两种口径在材料内不一致，现有材料不足以判断最终准确值。（企业案例自述，M2 第5页）
• 时刻互动称传统真人剧已上线 1000+部、覆盖 30+发行平台；FreeShort 采用 IAA+IAP，HotDrama 面向北美采用 IAP。（企业自述，M2 第7、12页）
• Wan3.0 被用于剧本、分镜参考图到漫剧片段生成，企业称其单次最长可输出 30秒叙事片段并降低调参与返工成本。（企业生产实践自述，M2 第6页）
• “AI 镜界”将编剧、人物、场景、分镜、提示词和运镜能力组织为智能体，并强调资产从一次性工具输出转为可沉淀的“数字资产银行”。（M2 第15—17页）
• 结论：模型落地的衡量标准不是展示效果，而是能否提高真实生产可用率，并通过自有发行和数据反馈持续优化选题及本地化。

6. 林俊凯｜CreativeFitting 合伙人兼 CFO｜井英科技

• 核心观点：多模态能力仍在快速发展，短剧应采用 Agent-first、Hybrid、Human-first 的任务分工；要做出头部内容，关键是由人发现好题材，再用 Agent 做发行验证。（M3 第8—17页）
• 关键论据/案例/数字：
• 井英科技称 2024 年推出全球首款 AI 短剧 App，2025 年《Five Brothers》使 AI 短剧首次进入短剧票房畅销榜，《The Billionaire’s Return》首次登顶；均为企业自述，具体榜单、市场和统计周期未说明。（M3 第3—5页）
• 与阿里云合作分为上线前真实任务测试、生产接入和持续反馈，评价重点是角色特写、人脸细节、成片稳定性与生产可用率。（M3 第6页）
• 工作分配框架强调：明确、可验证、可并行任务适合 Agent；高上下文且涉及归属、判断的开放任务应由人主导。（M3 第9页）
• 材料中的短剧渗透、用户时长、流失原因和题材系数图没有提取出具体数值，现有材料不足以复述相应统计结果。（M3 第11—16页）
• 结论：Agent 不应替代创意归属与题材判断，而应把可验证的制作、分析和发行任务并行化，加快市场验证。

7. 梁彪｜副总裁｜跳跃视界

• 核心观点：当供给不再稀缺，竞争重心转向内容质量、综合成本和持续生产；工具要理解剧本、组织分镜并保留创作者的最终判断，生态则负责商业化。（M6 第4—13、22—24页）
• 关键论据/案例/数字：
• 材料引用 DataEye 称 2026 年国内短剧市场 1200亿元人民币、海外市场 60亿美元、国内月活 7.18亿、海外月活 2.66亿，国内外单月上剧量 10万+部、产业从业者 200万+。（引用数据，M6 第4页；是否为预测及统计方法未进一步说明）
• 跳跃视界称其剧本分镜理解与提示词能力可使“抽卡可用率”达到 80%。（企业自述，M6 第13页；样本和评测标准未说明）
• 企业生态材料称累计制作微短剧 2000+部、全网曝光百亿级、奖项 50+，并覆盖 200+语种及地区。（企业自述，M6 第22页）
• 与 Wan3.0 的分工是平台组织剧本和资产、模型生成片段、创作者判断调整。（M6 第18—19页）
• 结论：生产工具应减少创作环节之间的断点，而长期收益仍依赖内容机构、发行平台、版权方和创作者生态协同。

8. 于博文｜AI 产品负责人｜点众科技

• 核心观点：“ALL IN AI”需要同时改变选人标准、资源投入和工作方式，把个人使用 AI 的能力转化为组织能力；故事工厂则要贯通 IP、制作、分发和激励。（M7 第2—7页）
• 关键论据/案例/数字：
• 人才要求包含多模型理解、Codex/CLI/Skills 工具流和 Vibe Coding 落地能力；政策侧通过培训和 Token 资源推动普遍提升与重点选拔。（M7 第3—6页）
• 点众开放 8万部存量小说 IP；剧创平台包含剧本生成与优化、无限画布、快速生产和全链路管理，并允许官方或用户自定义 Skills。（企业自述，M7 第8—13页）
• 分发侧自述拥有 1亿+累计粉丝、150亿+月均内容曝光；河马剧场、繁花剧场、叮当短剧及外部平台共同构成渠道。（企业自述，M7 第17页）
• 第14—16页仅写“Wan3.0 测评”和案例名称，未提取出测评指标或结果，现有材料不足以判断其评价结论。
• 结论：AI 原生组织的核心不是采购模型，而是把内容方法沉淀为可复用 Skills，并用版权库、生产平台、渠道和激励形成闭环。

五、全场总结

1. 贯穿全场的主线

论坛材料共同把“工业化”定义为四层闭环：合规版权与可复用资产是输入，模型与 Agent 工作流承担规模化执行，人保留题材、审美和价值判断，平台以分发数据和商业化反哺下一轮生产。 多份材料同时指出，生成成本和供给数量已不再是唯一瓶颈，精品率、流量转化、跨镜一致性、本地化和权利凭证才是下一阶段约束。

2. 最有信息量的 3 个片段

1. 主题演讲｜赵晖：报告把供给与转化放在同一漏斗中——抖音端上半年新增 22.19万部，仅约 1.3%达到材料定义的盈亏平衡线、约 0.48%播放破亿。（报告测算/引用，M8 第56页）它直接解释了为何行业必须从“上新量”转向“留存与精品”。
2. 主题演讲｜付磊：Nova AI 展示了 Agent 工业化的具体形态——统筹表、资产入库、批量分镜、自动生成、质检失败重试和站位续接；其 5小时60集、90%集数一次成片为企业案例自述，虽缺乏第三方评测，但提供了可检验的产线指标。（M5 第7—13页）
3. 主题演讲｜杨翼：掌阅把版权问题推进到新交易标的层面：真人建模、场景/建筑建模、AI 产出物凭证均已进入业务，却缺少统一的期限、权利主体、衍生权益与证据标准。（M1 第13—14页）这使“版权”从前置采购问题变成贯穿生产和复用全周期的基础设施问题。

3. 跨形式呼应

• 研究判断 → 产品发布：赵晖指出行业由数量竞争转向精品、生态与合规竞争；Wan3.0、HappyOyster、千问办公短剧专家套件和点众共创计划分别从模型、互动叙事、工具普及、IP与激励侧回应。
• 模型能力 → 企业生产验证：阿里云强调30秒、多模态参考和一致性；时刻互动、井英科技、山海星辰、跳跃视界分别把这些能力放入真实制作、Agent 产线、内容理解和发行反馈场景。
• 版权供给 → 多形态转化 → 平台回流：掌阅与点众提供大规模 IP 入口，生产平台把 IP 转为多形态资产，时刻互动、跳跃视界和点众的渠道材料强调发行及商业化，研究报告则提出分钟级数据回流的智能飞轮。
• 现有 8 份材料没有欢迎致辞或圆桌逐人发言证据，因此无法判断主办方致辞口径、嘉宾现场共识或分歧；上述呼应仅建立在发布与主题演讲材料之间。

4. 3 条有证据支撑的行动建议

1. 给制作机构：把 KPI 从“生成量”改为“有效内容漏斗”。 在立项时定义生成可用率、一次成片率、完播/互动、盈亏平衡和长效 IP 运营指标；用多版本小样和 A/B 数据决定追加投入。依据是 M8 第56页的低转化漏斗、M1 第7页“先试片后放大”以及 M3 第9、17页“人定题材、Agent 做验证”。
2. 给技术与内容团队：建设可审计的 Agent 产线，而非继续堆叠孤立工具。 统一剧本结构、角色/场景资产、站位与镜头规范，设置人工审美节点，并保留自动质检、失败重试和版本回溯。依据是 M4 第19—24页、M5 第7—12页及 M2 第15—17页展示的共通工作流。
3. 给版权方、平台和产业联盟：优先共建“授权对象—使用范围—生成记录—交付凭证—收益分配”标准。 合同需单列真人形象、声音、建筑/场景、衍生形象和跨形态复用；生产系统保留素材来源、prompt、参数和修改记录；上线端落实备案与 AIGC 标识。依据是 M1 第13—14页的新交易标的，以及 M8 第13—14、64—66页的合规证据链要求。

【AI+校园：算力普惠与人才培养新实践】材料摘要

材料索引（按 M1–M9）

• M1｜开场：从数十万学生到一个生态的生长｜李贝（阿里云高校合作总经理）｜3页
• M2｜洞察 AI 人才供需变革：高校产教协同演进与大学生 AI 应用能力发展路径｜王晨晖（弗若斯特沙利文中国主管合伙人兼总裁）｜16页
• M3｜阿里云高校合作伙伴年度颁奖｜6页
• M4｜考古陶片快速采集装置，AI 重构陶片断代研究工作流｜沈熙晨（浙大城市学院）｜17页
• M5｜AI 时代的青年社会参与：千校青年成长新范式｜王跃军（志愿汇创始人/CEO）｜13页
• M6｜AI 通识课在高校的落地实践｜卓薇（超星尔雅产品总监）｜50页
• M7｜大模型驱动系统化科教科研｜李瑀旸（中国科学院大学天文与空间科学学院、国科大他山学科交叉创新协会、他山科学智能社区）｜8页
• M8｜阿里云飞天青年伯乐奖颁奖｜斯荣喜（浙大城市学院教授）｜2页
• M9｜AIGC 影像未来：产业洞察与人才培养（特邀分享）/“云工万象·青年 AI 影像计划”｜钟雅琴（数智猿娱乐科技集团总经理）｜41页

一、欢迎致辞

M1｜李贝：从数十万学生到一个生态的生长

• 论坛定位与主题：以阿里云高校支持计划“云工开物”为底座，围绕高校教学、科研与实践形成课程、比赛、创新实践、证书、实训和算力资源等组合支持，推动高校 AI 教育从单点资源走向生态化协作。（M1，slide 1–2）
• 覆盖规模：材料列示学生参与 1,500,000+、覆盖高校 3,000+、科研团队 8,000+。（M1，slide 2）
• 重点方向：课程侧包括 AI 通识课、“学科+AI”和专项技能；竞赛侧包括天池大赛及全国性合作赛事；认证侧包括 ACA 大模型认证、Clouder 专项认证和工程师认证；实训侧包括高校 AI DAY、师资培训及技术沙龙；算力与模型侧包括云计算能力、千问、DeepSeek、FLUX 等开源模型。（M1，slide 2）
• 普惠口径：学生可获得“300元/年云资源”，教师享“教育优惠50%”。材料未进一步说明适用条件。（M1，slide 2）

二、重磅发布

M2｜高校 AI 人才发展灯塔计划

• 发布名称与主体：沙利文、阿里云、头豹研究院联合发布“高校 AI 人才发展灯塔计划”；本场分享者为王晨晖，发布页未单列具体发布人。（M2，slide 1、15）
• 发布内容：一项面向大学生、高校与企业的长期 AI 人才观测与培养计划，包含持续更新的《中国高校 AI 人才发展与产教协同跟踪报告》、生成式 AI 认知与应用基准调查问卷、AI 应用能力评测智能体和“AI+场景”人才实训项目。（M2，slide 15）
• 发布状态：材料明确使用“联合发布”；未说明公测阶段或已上线状态。（M2，slide 15）
• 时间节点：材料未给出后续明确日期，仅说明报告“持续更新”。（M2，slide 15）

M3｜阿里云高校合作伙伴年度颁奖

材料公布五项“云工开物金牌合作伙伴奖”，未说明颁奖人：（M3，slide 1–6）

1. 超星集团：与华东五校名师及阿里云共创“真模型、真算力”的 AI 通识课程，从 1门示范课扩展至10门课程，采用线上学习、线下实践和证书激励。（M3，slide 2）
2. 志愿汇（中青益信〔杭州〕科技有限公司）：联合十省团省委发起“用 AI 守护珍贵记忆”数字公益行动，组织青年学生修复家庭与历史老照片。（M3，slide 3）
3. 头豹研究院：沙利文、头豹研究院与阿里云联合发起第四届全国大学生“预见未来”AI+行业研究大赛，以阿里云百炼为指定 AI 平台，并在大会共同发布“AI 人才灯塔计划”。（M3，slide 4）
4. 他山协会：携手阿里云推动“他山科研 IDE”上线云工开物服务官网，以可追溯知识流贯通文献、数据、分析和写作，并通过科学大模型、MCP 工具链及 18项科研 Skills 降低智能科研门槛。（M3，slide 5）
5. 到梦空间：携手阿里云共同发布全国大学生 AI 智能应用普及实践大赛，将学分激励、真实课题和智能技术学习连接起来。（M3，slide 6）

M8｜阿里云飞天青年伯乐奖

• 获奖人：浙大城市学院教授斯荣喜；材料未说明颁奖人。（M8，slide 1–2）
• 获奖理由：长期投入人工智能人才培养与产教融合，推动高校人才优势与企业技术、平台优势衔接。（M8，slide 2）
• 后续合作口径：阿里巴巴与浙大城市学院将围绕人才培养、课程建设和科研创新深化协同，共育高素质 AI 应用人才。材料未给出量化目标或时间表。（M8，slide 2）

M9｜正式发布“云工万象·青年 AI 影像计划”

• 发布名称与主体：“云工万象·青年 AI 影像计划”，由阿里云“云工开物”与电影《天工开物》创作团队联合发起；分享材料署名钟雅琴，正式发布页未单列发布人。（M9，slide 1、41）
• 发布内容：面向全国高校，以阿里云算力与视频生成模型为工具，以陆川导演经验沉淀形成的积木智学课程为核心，帮助有志于 AI 与影视行业的大学生完成技能转型，形成“成片、成课、成人”三类成果。（M9，slide 28–29）
• 核心机制：阿里云提供每名学生 300元算力代金券、AI 模型与技术师资、AIGC 技能认证及云上创作评审环境；创作团队提供命题、授权素材、导师、终审和展映资源；合作院校提供教学场景、学分认定、教师共建及校内选拔展映场地。（M9，slide 28）
• 培养与展映链路：规划“粹精·公开课—锤锻·训练营—丹青·大师讲席—杀青·AI影像展”四层路径；公开课口径为 100小时课程、100万大学生学习实践，训练营定期线下结营交片，大师讲席按“一校一站”巡回，影像展覆盖征片、评审、创投、展映周和高校巡展。（M9，slide 30、32）
• 院校与产业合作计划：材料提出首批覆盖 8所标杆院校深度共建，合作方式包括课程共建与学分认定、大师进校、校内分赛场；同时向产业方、IP 方和技术伙伴开放真实命题、创投评审、招聘、工具链、算力模型生态及认证体系合作。（M9，slide 31、38）
• 发布状态：末页明确标注“正式发布”。材料未说明上述覆盖规模和课程目标是否已经完成，也未给出统一启动或完成日期。（M9，slide 41；目标与规划见 slide 30–31）

三、主题演讲

M2｜王晨晖：从“会用 AI”转向专业判断、人机协同与结果负责

• 核心观点：AI 已重写高校学习、科研和治理中的人才培养任务。产业要求正从“了解 AI”转向“用 AI 解决专业问题”，培养目标应同时覆盖专业理解、问题定义和结果核验；效率提升不能替代学生主体性。（M2，slide 3–4）
• 教育供给框架：高校需要同时建设课程教学、师资能力、技术平台与基础设施、实践场景、能力评价认证，以及组织治理和协同生态六类供给，单点接入课程或平台不足以形成培养闭环。（M2，slide 5）
• 课程与算力投入数据：AI 相关课程在不同统计口径下分别为虚拟仿真实验 31/500门、6.20%，社会实践课程 4/449门、0.89%，一流本科课程 115/5,994门、1.92%。高校 AI 相关招投标有效记录为2024年 16项、2025年 69项、2026年1—8月 47项；材料强调2026年为前8个月，不能直接解释为全年增速，并称算力底座类记录达到 53项。（M2，slide 6–7）
• 真实命题与协同数据：2025产业命题中核心 AI 命题占 19.5%、扩展 AI 相关命题占 26.7%；2026“挑战杯”揭榜挂帅官方 AI 命题占 22.4%，三者口径不同、不可合并。在50所典型高校公开信息样本中，平台和工具支持覆盖 80%、项目实训 64%、联合实验室 62%、课程共建/师资培训 56%、产业学院 34%、能力认证 26%，另有 58% 的样本覆盖5项及以上建设内容。（M2，slide 8–9）
• 产教协同案例：材料把协同分为资源赋能、教学嵌入、组织共建、生态引领四层。阿里云案例强调横向扩散：联盟覆盖 120+所职业院校，“云工开物”覆盖 200+高校并提供统一算力和开发资源，五校共建面向全国开放的 AI 通识课程；华为案例强调纵向深化：“智能基座”连接 72所重点高校。材料注明该分类不代表企业教育成效排名。（M2，slide 10）
• 人才标准与学生能力现状：提出专业能力、AI认知与伦理、过程管理、高阶认知与人机协同、应用成效评估五维胜任力。页面正文数据显示，每周使用 AI 5天及以上的学生占 42.3%，主要通过线上材料自主学习的占 60.3%，修读相关课程占 17.9%，参加系统培训或项目训练占 5.1%；认为输出不够准确或稳定的占 55.1%，难以判断信息、数据与引文可靠性的占 52.6%，生成机制认知题均值 4.01。这两页备注与页面正文存在不同数值，本摘要不作合并或推算，采用页面正文口径。（M2，slide 11–13）
• 一句话结论：工具熟练和任务提速不能单独代表成长；只有单项改善进一步促进自主学习、独立判断、责任意识与人机协同，才构成长期成长。（M2，slide 14）