8 月 21 至 22 日，由极客邦科技旗下 InfoQ 中国主办的 2026 AICon 全球人工智能开发与应用大会·深圳站圆满举办。两天会程中，近 1000 位开发者、技术专家与产业一线实践者齐聚现场，围绕 AI 工程落地、Agent 创新实践、大模型效率工程、软件研发全流程重构等多个前沿方向深度交流，共探 AI 应用边界的无限可能。
本次大会邀请到来自腾讯、阿里巴巴、快手、蚂蚁集团、群青智能、智象未来 (HiDream.ai) 、涛思数据、深开鸿、平安科技、数新智能、Google Cloud、华为、EvoMap、京东、OPPO、网易游戏、范式智能、网龙网络、NoDesk AI、去哪儿、Zilliz、乐享科技、阿里云、TokenSpeed、TTC（True Talents Connect）、中软融鑫、荣耀、GoodaBrand 桔大出海、TraceLite AI、平凯数据库（TiDB）、Dify、阿加犀智能科技、腾讯云、Cloudflare、汇丰科技、云器科技、vivo、 Clipto.AI、Yuzo.AI、百度、Inferact、RadixArk、深圳市人工智能与机器人研究院、天府绛溪实验室交互人形机器人前沿研究中心、浙江大学等 40+ 家企业与研究机构的 70+ 专家与实践者同台分享，他们围绕智能体技术体系、AI 底层基础设施、AI 工程实践与产业场景落地、具身智能等方向展开深度分享，多维度拆解 AI 落地路径，推动前沿技术与产业需求深度对接。
主题演讲精彩回顾，输出产业关键洞察
在大会开场致辞中，极客邦科技总编辑赵钰莹围绕「AI 时代的企业进化：重新思考组织、人才与价值创造」展开解读。她表示，AI 转型正从工具部署转向生产关系重构，企业真正的差距不在于是否使用 AI，而在于 AI 能否进入业务闭环并重塑组织与人才。
她指出，当前 AI 应用落地呈现 "百团大战" 后的价值分化，重数量堆砌、轻效率落地是普遍痛点。 有明确日均 Token 消耗量感知的企业尚属少数，更多企业是被迫关注成本。绝大多数长尾应用价值稀薄且持续消耗算力，产研开发后无业务部门买单，成本由公司承担。同时，AI 很少颠覆原有业务逻辑，核心作用在于扩大服务半径；企业普遍采用双轨制考核，存量业务以 ROI 衡量，增量创新由一把手驱动。
赵钰莹强调，人才变革的关键在于团队化能力建设。 中大型企业正积极起用更年轻的 AI 领导者，FDE 交付人才与全栈工程师价值持续走高。但她提醒不应神化 FDE 角色 ——“即便个人能力再强，大企业组织架构也不允许”，FDE 能力建设应面向团队而非个人。她进一步提到，组织削减层级的核心逻辑是让一把手意志有效穿透，转型路径因企业规模与物理依赖度而异。 削减层级并非简单减员，而是层级越少一号位意志越能有效落地，“一号位不一定是 CEO，也可能是团队 leader”。
赵钰莹在最后指出，AI 原生组织的本质是重构生产关系，企业与人才将走向平台化共生。 未来企业提供品牌、数据、算力与合规基础，人才提供判断、创新与责任，智能体负责规模化执行。
吴哲明《从真实产线定义智能 —— 工业具身智能的物理 AI 闭环》
群青智能联合创始人兼 CEO 吴哲明在主题演讲中表示，人工智能已经在数字世界取得显著突破，但要让机器在真实物理环境中稳定完成任务，仍面临感知、工艺、安全和持续运行等多重挑战。
“判断工业具身智能是否成立，关键不在于机器人能否完成一次演示，而在于它能否独立承担一项具有明确经济价值的劳动。”吴哲明表示，如果机器人比人更贵、更慢，并且仍需人员持续照看，就还没有真正成为生产力工具。
相较家庭环境，工业现场存在粉尘、强光、反光、装配偏差等复杂因素，对精度、稳定性和安全性的要求也更高。但工业任务边界相对明确，质量、节拍、换产效率和设备利用率均可量化，因此更适合率先验证具身智能的商业价值。
围绕真实产线需求，群青智能已推动机器人从辅助作业迈向自主作业，并在真实工业场景中持续实现规模化落地。公司通过在工业机械臂末端配置 3D 视觉等传感设备，构建由自主感知、自主规划、端侧执行和闭环学习组成的工业智能体系统，减少对传统逐点编程和规则堆叠的依赖。
吴哲明介绍，群青自主研发的青金石物理 AI 架构，将物理约束、工艺机理、专家知识与真实生产数据融合，使机器人不仅能够识别工件和焊缝，还能够理解装配偏差、工艺窗口和安全边界，并判断何时应当调整作业方案。
专家在环是该体系的重要组成部分。老师傅对焊缝、轨迹、姿态和工艺参数的每一次修正，都会与修改原因及执行结果共同记录，转化为可复用的垂域知识。系统对 corner case 经过训练、历史回放和版本验证后完成数据闭环和能力更新，在满足安全与质量要求的前提下持续进化。
在产品落地方面，群青智能已形成覆盖光笔交互、模型驱动与自主作业的具身智能产品体系，以智能感知与决策能力降低机器人使用门槛，让机器人适应复杂、非标的真实工业场景。目前其产品已在交通运输、能源装备和工程机械等行业持续实现规模化应用，覆盖 30 多家企业，客户复购率达到 90%，累计沉淀 300TB 以上真实焊接过程数据，典型项目投资回报周期约为 0.5 至 1.5 年，单厂累计完成超过 10 万条焊缝。
目前，群青智能已加入西门子 Xcelerator 生态体系，并持续推进工业智能在切割、喷涂、检测等更多工艺场景中的应用。
吴哲明表示，焊接不是工业具身智能的终点，而是验证物理 AI 能力的重要起点，具身智能的价值不在替代，而在解放：让机器承接劳动，让实践沉淀知识，把人的时间还给判断与创造。
周经森《AI for Performance，Performance for AI：人工智能时代的性能工程》
浙江大学软件学院周经森博士在主题演讲中表示，大模型训练与推理资源消耗巨大且昂贵，性能工作不是变得不重要而是更加重要；AI 性能优化需贯穿模型、运行时与系统硬件三层，而数据采集的严谨性是一切优化的前提。
他指出，大模型训练与推理的资源消耗已达到必须严肃对待的量级，性能优化直接关系碳排放与企业成本。 当下，推理侧 ChatGPT 日成本约 70 万美元，中小企业月均支出可达 2 万美元。IEA 预测 2030 年 AI 数据中心年耗电达 465 TWh，仅 10% 优化即可节省 46.5 TWh。
对此，周经森认为，AI 性能优化必须贯穿模型、运行时、系统硬件三个层次。 模型层可通过量化和稀疏激活降耗；运行时层需解决 KV Cache、调度协同与 HBM/CPU 内存分层问题，在某些场景将非关键 KV 移至 CPU 内存可显著降本；系统硬件层差异更大，同一算法从 Python 改为 C 再用 AVX 向量化指令可获数量级提升，但 AVX 在 ARM 平台需换 SVE，跨硬件通用优化仍是难题。
周经森强调，数据采集的严谨性是性能优化的前提，microbenchmark 的高提升不等于端到端收益。他提醒 FlashAttention 微基准提升 3 倍但端到端仅 30%（Amdahl 定律），且同一模型不同指标结论可能翻转，例如 DeepSeek-V3 训练能耗是 Llama 的十五分之一，但单次推理能耗反高约两倍。最后他表示，性能工作正从数据中心走向工厂与边缘。他建议对任何人给出的性能数据应先怀疑准确性，建立最小验证集，保留优化数据作为下一代模型燃料。
陶建辉《从模型竞赛到数据基建：工业 AI 的落地拐点》
涛思数据创始人 & CEO 陶建辉在主题演讲中直言，工业企业谈 AI“雷声大、雨点小”，大模型真正进工厂的很少；根源在于数据烟囱、标准不统一、情景化缺失三大问题导致 AI 所需的数据基础设施绝大部分企业没有准备好。他总结企业竞争力四要素：持续打磨的工业本体数据底座、沉淀 know-how 的 Skills、统一知识库、系统无缝对接。
他指出，数据烟囱、标准不统一、情景化缺失是制约工业 AI 落地的三大核心痛点。工厂里 DCS、SCADA、ERP 等系统彼此孤立；同一事物不同名称、计量单位混乱（厘米与米、升与立方米），AI 最怕 "同物不同名、同名不同物"。他强调自己公司从 1 月起已无人手写代码，但大模型在真实生产场景根本用不上。
对此，陶建辉认为，从时序数据库到工业本体再到柔性界面，工业 AI 需要完整的技术栈而非一个 MCP 接口。底层时序数据库负责数据接入、ETL、流计算与实时预警；其上工业本体层通过数据目录解决测点查找难题，通过数据标准化统一名称与计量单位，通过情景化为数字赋予上下文和阈值。原子应用将画图、算 KPI、规则引擎等确定性任务固化为工具，智能体运行时管理模型、Skills 与多轮 Loop，并把所有页面变成按钮，工人无需输入一句话。
陶建辉表示，AI 最大的价值是将隐性知识变为可复用资产。 他将企业隐性知识归纳为数据知识、文档知识、规则知识、模型知识、流程知识五种形态，固化为 Skills 和知识库。 他介绍到，TDengine 特色功能 “无问自推”主动推送用户该关心的问题，让数据分析不再依赖行业知识；面板智能解读一键生成分析，事件根因分析可将老师傅几小时的工作压缩到几分钟。他还提出 "柔性界面" 概念，用户可通过飞书、微信甚至命令行交互，页面由 AI 即时生成。
陶建辉在演讲最后提到，让最缺资源的中小企业用得起完整工业 AI，是数据基建的真正价值。 他现场宣布带工业本体与智能体的完整软件对全球中小企业永久免费、永久免费升级，不阉割功能与性能。其商业逻辑是免费带来更多用户、真实场景暴露真实问题、跨行业反馈持续打磨，最终将 TDengine 做成行业标准，挑战西门子、施耐德等巨头垄断。
潘滢炜《从 Token 预测到状态预测：迈向世界模型的原生全模态之路》
智象未来（HiDream.ai）技术合伙人 & 算法科学家潘滢炜博士在主题演讲中梳理了大模型十年演进，指出大语言模型架构已逐渐收敛并走向 Agent 化，多模态模型路径更为多元、正从多模态迈向全模态，而世界模型正从 VLA 预测动作升级为理解并合成物理世界；智象未来以原生全模态 UiT 架构为基座，从多模态生成迈向世界模型。
他指出，大模型三条技术路线呈现不同收敛态势。大语言模型技术架构已逐渐收敛，并从通用的预训练向 vibe coding、办公助手等 Agent 演进；多模态大模型的技术架构较为多元，从 GAN 到 Diffusion、DiT 再到 UiT，正从多模态跨向全模态，实现 any-to-any 的跨模态转换；世界模型则从早期 VLA 预测动作，走向 world action model 理解世界，世界建模和行动生成逐步融合。智象未来也经历了好几代的架构迭代：2017 年 TGANs-C 用 GAN 生成 低分辨率的视频，2023 年 UNet 在隐式空间探索语义相关性，2024 年扩散自回归架构（DiT+AR）在生成质量与效率间找极致的平衡，2026 年跳脱 DiT 推出 UiT 原生全模态架构。
同时，他对比三种不同的模态编码范式，指出从原始信号出发直接交互，是突破生成质量天花板的关键。独立编码中视觉经 VAE 有损编码不可避免丢失细节；交互式编码摘掉文本编码器但视觉仍用 VAE，重建误差仍在；UiT 则扔掉所有独立编码器，视觉切分为 patch 直接在 pixel space 进行交互和统一建模，训练更难但天花板更高，可实现双向甚至于多向的 any-to-any 转换。潘滢炜介绍到，基于该架构的 HiDream-O1-Image 开源版发布即达开源第一，闭源版在 Artificial Analysis 竞技场取得国内第一、全球第二，画面质量与文字渲染准确率均居 top 水平。
潘滢炜表示，最新发布的 DreamWorld 和 HiDream-O1-World，这些世界模型的核心是利用例如完整的 3D 先验等知识来引导实现时空与物理的一致性。
DreamWorld 针对单图生成世界时相机移动导致物体畸变的问题，先用 3D 基础模型生成完整几何结构先验（补齐缺失深度信号），再注入视频扩散模型做外观生成，在大视角变化场景下结构稳定性显著提升。HiDream-O1-World 支持漫游、编辑、交互三种模式，物理一致性评测位列第一。两大难题 —— 时空一致性（物体漂移、穿模、多轮失忆）通过 3D 先验注入 Memory 加 Test-Time Training 解决；物理一致性（碰撞、流体、形变反规律）通过难例数据加强化学习来解决。
他最后提到未来架构升级的四大方向：从单一生成模型升级为大小脑双脑架构，构建长时程记忆与持续学习能力，Agent 群体智能协同与同步完善安全治理。
唐武琛《让 AI 拥有身体：从大模型迈向物理 AI》
深开鸿 AI 平台部部长唐武琛博士在主题演讲中表示，当前 AI “有大脑、缺身体”，Agent 商业化较好的仍集中在 Coding 领域，工业场景落地不充分的根源在于从数字世界到物理世界的感知与控制链路尚未打通。他强调，物理 AI 真正落地需要一套连接万物、汇聚高质量数据、支撑分布式协同、保障安全可信的统一数字底座。
他指出，统一数字底座必须解决连接、数据、协同、安全四个问题，工业场景对可靠性的要求远高于消费级产品。底座首先要解决海量异构设备的跨厂商跨协议连接；其次是数据采集的格式对齐与时间对齐，如多模态训练中机械手数据与人眼视觉必须毫秒级同步；第三是支持多机协同以复用能力、弥补单机算力不足；第四是安全可信，在操作系统层面把小概率事件压到更小。他进一步强调，高质量数据八要素（真实性、完备性、实时性、一致性、相关性、安全性、可追溯与业务闭环）与原生 AI 全栈，是让 Agent 真正触达物理世界的前提。
针对以上行业痛点，唐武琛介绍到，KaihongOS 以四大能力构建物理 AI 统一数字底座：统一 OS 弹性部署，支持从 20KB 到 GB 级灵活适配，让非数字化设备出厂即联网；分布式软总线，实现无线传输低时延、自组网和多协议支持（WiFi、星闪、蓝牙等），打造空间分布式 Agent 集群；原生 AI 全栈，保障毫秒级状态反馈的完整链路；以及多等级安全防护体系，已通过中国安全审查技术与认证中心及公安部安全检测认证。
唐武琛着重介绍了开源鸿蒙机器人操作系统项目 M-Robots OS。他指出，该系统致力于推动机器人由单体智能走向群体智能，将算力与感知从本体卸载至空间基础设施。例如，机器人若本体承载大脑、视觉、地图及全栈算力，功耗占比接近 50%；M-Robots OS 允许机器人复用周边设备（如固定摄像头、麦克风等），获得“上帝视角”，实现上下游环境信息的共享。目前，该系统已适配乐聚、数字华夏等二十余家厂商，累计下载量接近 10 万，未来将联合国内机器人厂商共建具身技术体系。
唐武琛表示，深开鸿始终以推动开源鸿蒙生态建设为己任。面向万物智联时代，一个统一、安全、高效的数字底座不是可选项，而是必选项；而深开鸿的开鸿安全数字底座，正是这个必选项的最优答案。目前，开鸿安全数字底座已在数字城市、燃气、电力、水务、地铁、港口等十余个关键场景落地应用。他在演讲最后表示：“希望有一天，华强北出售的每一台终端，都搭载中国人自己的操作系统。”
多维研讨，全方位剖析 AI 工程化议题
分论坛方面，本届大会精心设置了多个技术专题，围绕智能体工程、大模型基础设施、AI Native 研发、机器人与具身智能、超级 App 原生化等方向展开，邀请来自多家企业的一线技术专家，分享 AI 技术在真实业务场景中的工程实践。
专题体系涵盖：「Harness Engineering：模型之外的智能体工程」、「AI Infra、推理工程与异构计算」、「超级个体与蜂群智能的共生进化」、「Agent 安全：从风险到可控」、「智能体时代的数据供给与治理」、「迈向机器人 AGI 的关键技术与产业实践」、「大模型效率工程与 Agent 系统实践」、「AI 原生新范式：Coding Agent 重构软件研发全流程」、「AI Agent 高价值商业场景实战」、「超级 App 的 AI 原生化：端智能与用户体验重构」，以及由 Google Cloud 团队出品的「动手实验室：AI 智能体工程实践」、由阿里云 PolarDB Agent Lakebase 共创的「Agent-Native 多模态数据底座与实践」。
关于本次大会的精彩 PPT 内容可于三个工作日后在官网下载：https://aicon.infoq.cn/2026/shenzhen/
展区联动，共筑技术生态全景
除主题分享外，大会展区同样人气高涨，众多技术厂商集中展示 AI 应用、开发工具与云服务平台等最新成果，并设互动体验环节，让前沿技术落地可感可及。
本届 AICon 深圳站的成功举办，离不开众多合作伙伴的鼎力支持！
大会特别感谢阿里云、TDengine、汇丰科技、Google Cloud、科大讯飞、硅基流动、Cloudflare、云器科技、CodingFlow、模力方舟对本届大会的倾情赞助，同时感谢众多社区和媒体伙伴的支持。正是因为有这样一群与开发者同行的伙伴，AICon 才能持续成为推动技术创新与工程落地的核心舞台。
随着 AICon 2026 深圳站顺利收官，技术探索的热度将接力至 10 月上海 QCon（https://qcon.infoq.cn/2026/shanghai）。期待与更多开发者再相聚，共赴智能时代的下一程探索。
会议推荐
QCon 全球软件开发大会·2026（上海站）现已正式启动。本届大会聚焦 Harness AI 时代的工程实践，从「构建 AI」到「驾驭 AI」，围绕 AI Native 架构、Agent Runtime、AI Infra、Agent 安全与可观测、Loop Engineering、具身智能与世界模型等热门技术方向，邀请全球技术社区与产业一线实践者，共同分享 AI Native 时代最具价值的工程经验。
