GOSIM Shenzhen 2026 · 周五（2026-10-16）议题详解

导读

会期核实：GOSIM Shenzhen 2026 于 2026 年 10 月 16 日（周五）至 10 月 17 日（周六）在深圳南山伊敦酒店举行，是 GOSIM 系列第七站、首次落地深圳。日程来源：https://shenzhen2026.gosim.org/schedule/；日期与场地来源：https://www.bagevent.com/event/gosimshenzhen2026。本文件只覆盖周五。

资料限制（重要）：截至 2026-10-18，周五全部议题没有任何会后报道、现场纪要、录像或讲者幻灯片可查（已检索中英文：gosim.org、智东西、CSDN、腾讯新闻、量子位、B 站、YouTube，结果全是会前预告与日程）。因此本文件没有一条能标注「有报道/录像」。三种来源标注的含义：

• 仅摘要：内容全部来自官方议题页的 Talk overview（官方摘要），本文件做完整译述与结构化展开，不添加摘要里没有的信息。
• 推断：官方页面标的是「Abstract to be announced」或只有一句话，无实质摘要。此时按讲者本人/其所属项目的近期同主题公开材料（发布稿、官方文档、技术报道）提炼其论点，明确标注「推断」并附该材料 URL，不与官方摘要混同。
• 无资料：官方无摘要，且用讲者姓名+题目关键词也搜不到任何同主题公开材料。本文件如实写明，不编造。

当日规模：86 场演讲 + 1 场 Spotlight 路演 = 87 项（已去重，不含午餐与茶歇）。

不在周五的内容（避免混淆）：DHH（David Heinemeier Hansson）的《Omarchy: Beautiful, Fun & Agentic Linux》keynote、蒋涛 keynote、DHH × Bill Ren 炉边对话、Rust China Conference 专场、vLLM Workshop、AI Education Workshop、Hackathon 颁奖均在周六 10-17。GOSIM AI Vision Forum 在 10 月 14 日。

周五的官方边会：联合国开源专题会议（United Nations Open Source Convening），10:15–12:00，由联合国数字与新兴技术办公室主办，需申请审核入场。四项议题：① UN 开源周 2027 版路线图与伙伴参与框架；② 面向科研、教育与创新的开放算力工作组的进展与实施计划；③ 开源 AI 工作组的筹建讨论；④ 为 2026 年 11 月 20 日深圳 APEC 开源 AI 专场做准备，覆盖开放 AI 技术栈、开源 AI 治理、开源 AI 的经济价值。来源：https://shenzhen2026.gosim.org/un-open-source-convening/

Keynote Plenary（3F – ADEN 全场）

1. 《Empowering a Connected Intelligent World: The Symbiotic Evolution of OpenHarmony and AI》

• 时间：09:10–09:25
• 讲者：陈海波（Haibo Chen）
• 机构：开源鸿蒙项目群技术指导委员会主席（华为 Fellow、鸿蒙操作系统首席科学家）
• 核心论点：操作系统历来与计算范式共同演进；AI 时代的操作系统必须同时被 AI 重塑（BY AI）、并为 AI 而演进（FOR AI）。

展开（官方摘要）：摘要从历史视角切入——纵观计算史，操作系统始终与计算范式共同演进。进入 AI 时代，操作系统的重要性反而更高，因为它要承担两个方向的改造：一是被 AI 重塑（BY AI），即用 AI 改造操作系统自身；二是为 AI 而演进（FOR AI），即让系统架构适配 AI 负载。OpenHarmony 的做法是持续推进 AI 原生架构与关键技术，目标指向三项具体指标：效率（efficiency）、确定性（determinism）、安全（security）。摘要最后把生态增长归因于产、学、研三方协作，称 OpenHarmony 生态正快速成长为「万物智联世界的数字底座」。

推断补充（讲者同主题公开材料）：陈海波在公开场合系统阐述过操作系统与 AI 结合的三种形态比较，并明确取舍——他批评「AI 外挂式」开销大、效率低；认为「LLM as OS」要颠覆现有软件生态、商用落地困难；主张「系统与 AI 深度融合」最符合产业需要。他列过终端智能化的四大挑战：鲁棒性、安全隐私、成本、效率，并相应要求操作系统各层做原生智能技术革新，如面向 AI 的资源调度、工具调用、信息记忆、安全隐私保护。他还归纳了万物智联时代操作系统的四大趋势：① 终端形态爆炸式增长，OS 以「元 OS」架构理念做可灵活组装的能力集合；② 终端 OS 越来越智能，各层能力做原生智能革新，路径类比自动驾驶——从功能级、任务级的智能辅助，走向面向用户意图的专业指导与自主智慧；③ 智能化从单设备走向以用户场景为中心的多设备协同；④ 开源开放成为软件发展的主流范式，能提升开发效率、缩短上线时间。关于多设备互联的安全质疑，他的回应是：设备互联后最弱的设备可能成为攻击点，但反过来看，众多设备可以形成「联防联控」，整体安全能力强于单设备。配套数据：OpenHarmony 从首版 700 万行代码增长到超过 1.1 亿行；微内核是首个通过 CC EAL6+ 认证的，基于其开发的 HarmonyOS NEXT 通过 CC EAL5+；超 780 款软硬件产品通过兼容性测评，覆盖金融、电力、教育、交通、医疗、航天；TSC 已成立 10 多个技术专家组、30 多个高校技术俱乐部、30 多家开发者协会；并与欧洲最大开源组织 Eclipse 合作发布 Oniro OS。另外项目群已设立 AI Agent 技术特别工作组（聚焦智能体交互、框架、协议与评测体系），以及定位感知、安全与机密计算两个工作组，并计划筹建具身智能 PMC。

• 来源：仅摘要（官方）+ 推断（讲者同主题材料）
• URL：https://shenzhen2026.gosim.org/schedule/p-218-tbd/ ；推断材料 https://www.tmtpost.com/7283085.html

2. 《Keynote — Topic to Be Announced》

• 时间：09:25–09:40
• 讲者：Mehdi Snene
• 机构：联合国数字与新兴技术首席人工智能官（Chief AI Officer, Digital Infrastructure and Emerging Technologies, UN）
• 核心论点：官方未公布题目，无法给出其主张。

展开：官方议题页的全部内容是「Keynote by Mehdi Snene. The topic will be announced.」——连题目都没有公布，因此没有任何官方实质信息。

推断（讲者背景与同主题材料）：Snene 是联合国秘书长数字与新兴技术特使的高级顾问，并担任联合国开源大会（United Nations Open Source Conference）主席，此前在 EPFL 主持过 10 亿欧元规模的 Human Brain Project。他主持的联合国开源周 2026 于 6 月 22–26 日在联合国总部举行，其中 6 月 23 日的「Open Source × AI」日由联合国数字与新兴技术办公室（ODET）与信息通信技术厅（OICT）共同主办。该议程线的主张集中在：开源模型、对本地语言的支持、具文化特异性的数据集，是让 AI 更公平的手段。考虑到他同日主持周五上午的联合国开源专题会议（议题含 UN 开源周 2027 路线图、科研/教育/创新开放算力工作组、开源 AI 工作组筹建、深圳 APEC 开源 AI 专场），其 keynote 方向极可能围绕开源作为 AI 公共产品与全球能力建设的路径。此段为推断，非官方内容。

• 来源：无资料（官方）+ 推断（讲者背景材料）
• URL：https://shenzhen2026.gosim.org/schedule/keynote-mehdi-snene/ ；推断材料 https://oecd.ai/en/community/mehdi-snene 、https://www.un.org/digital-emerging-technologies/es/content/open-source-week-2026

3. 《Open-Sourcing CANN to Foster Fertile Ground for AI Talent Development and Innovation》

• 时间：09:40–09:55
• 讲者：邵立新（Lixin Shao）
• 机构：华为 CANN 业务总经理
• 核心论点：把 CANN 开源，是为 AI 人才培养和创新提供「肥沃土壤」——开放加易用才是释放算力的前提。

展开：官方议题页没有摘要正文，Talk overview 处只重复了标题本身。

推断（讲者所属业务的同主题公开材料）：CANN 是昇腾开源生态的根基，2018 年发布首版，2025 年 8 月华为宣布 CANN 全面开源开放。关键论点与数据：① 开源已「内化为昇腾的产品逻辑」——2025 年底完成 A2/A3 系列开源代码上线，2026 年随昇腾 950 系列发布做到产品上市即开源；② 社区规模：月活开发者突破 6230 名，开源仓下载量超 6000 万，超过一半的活跃贡献来自昇腾之外，CANN 成为中国活跃度排名第一的开源项目（另一来源称外部开发者占比达 61%，首次超过华为内部开发者）；③ 从「可用」到「易用」的拐点靠做减法：组件化架构让开发者可针对特定模块自主深度调优，不必等一体化发布节奏；CANNBot 智能体把算子生成拆成标准化工作流，让单算子开发效率提升 5 倍以上，实际场景中从搭环境到跑通一个 Ascend C 算子只需数小时；④ 融入全球体系的策略是「不让开发者被动适应昇腾，而让昇腾主动适应开发者习惯」——已适配 PyTorch、vLLM、SGLang、Megatron、Triton、TileLang 等 90 余个主流开源项目，亲和 DeepSeek、Kimi、GLM 等开源大模型，并做 Day 0 适配；Triton Ascend 成为 Triton 官方社区首个支持的国产加速后端，TorchNPU 上线 PyTorch 官网，是首个获官方支持的中国芯片硬件；⑤ 质量投入：重构百万测试用例、接入 PyTorch 官方 CI/CD、贡献算力做 7×24 小时质量看护；⑥ 产业面：已携手超 3000 家行业合作伙伴，孵化超 7000 个行业解决方案。

• 来源：无摘要（官方）+ 推断（同主题公开材料）
• URL：https://shenzhen2026.gosim.org/schedule/keynote-lixin-shao/ ；推断材料 https://www.huawei.com/cn/news/2025/8/ascend-summit-cann-open-source 、https://tech.ifeng.com/c/8wPUWA5yvfX

Agentic AI Summit（3F – ADEN 1）

4. 《The New Developer Ecosystem in Agentic Era》

• 时间：10:15–10:40
• 讲者：李建中（Jianzhong Li）
• 机构：奇点智能研究院院长；CSDN 高级副总裁
• 核心论点：Agent 改变的不只是应用范式，而是整条开发者生态链——谁来创造、怎么创造、如何协作、价值如何分配都会被重新定义。

展开（官方摘要）：摘要的立论是：Agent 正在同时改造应用范式和开发者生态，而生态的完整链条——「谁创造（who creates）、如何创造（how to create）、如何协作（how to collaborate）、价值如何分配（how value is distributed）」——四个环节都将被重新定义。讲者的依据是自己对智能体软件开发范式与开发者生态的系统性研究。演讲的核心交付物是奇点智能研究院提出的「开发者生态五层模型」（Five-Layer Model of Developer Ecosystem）。摘要说会深入探讨三件事：Agent 如何重塑开发者的边界、如何重塑软件的供给模式、如何重塑平台与开发者之间的关系，最终为智能体时代定义一个全新的「Agentic Developer Ecosystem」。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-125-agent-%E4%BA%A7%E5%93%81%E8%8C%83%E5%BC%8F%E5%88%9B%E6%96%B0%E7%9A%84%E8%8B%A5%E5%B9%B2%E5%91%BD%E9%A2%98-key-propositions-for-agent-product-paradigm-innovation/

5. 《State of Harness Engineering》

• 时间：10:40–11:05
• 讲者：Birgitta Böckeler
• 机构：Thoughtworks，Distinguished Engineer
• 核心论点：模型变强不等于团队受益；管好 coding agent 要靠结构化的 harness 实践，而不是等更好的模型。

展开（官方摘要）：摘要聚焦「如何有效管理 coding agent」这个挑战，给出的经验判断是：模型在进步，但团队发现光有更好的模型并不够（better models alone aren't enough），团队还需要结构化的实践去引导和打磨 agent 的行为。演讲为此提出一套 harness engineering 的心智模型（mental model），强调两类要素：反馈机制（feedback mechanisms） 与控制系统（control systems），目的是提升可靠性（reliability）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-57-state-of-harness-engineering/

6. 《Agent-Centric Engineering — From Personal Productivity to Organizational Capability》

• 时间：11:05–11:30
• 讲者：Sean Dong
• 机构：华为 2012 实验室，编程语言与 IDE 项目总监
• 核心论点：个人用 AI 提效不等于组织有能力；要靠规格驱动与多 agent 协作的平台把前者转成后者，人定目标与验收，agent 干工程活。

展开（官方摘要）：摘要提出 Agent-Centric Engineering（ACE） 框架，解决的问题是「如何把个体的 AI 辅助生产力转化为组织能力」。配套交付物是 ACEHarness——一个开源平台，支持两件事：规格驱动开发（specification-driven development） 与多智能体协作（multi-agent collaboration）。演讲给出两个落地案例：编译器优化与哈希库。分工主张写得很明确：人负责定义目标、质量边界与验收标准（goals, quality boundaries, acceptance criteria），agent 负责执行工程工作。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-56-agent-centric-engineering-from-personal-productivity-to-organizational-capability/

7. 《Open source, Openness and Standardization of Large Models》

• 时间：11:30–12:00
• 讲者：杨丽蕴（Liyun Yang）
• 机构：中国电子技术标准化研究院 开源研究中心主任；木兰开源社区创始人
• 核心论点：大模型的「开源」需要可分级的开放度标准，否则无法衡量；介绍中国开源大模型产业现状与相应标准研究成果。

展开（官方摘要）：官方摘要只有一句，内容是两部分：① 中国开源大模型产业的现状（Current Status of China's Open-Source Large-model Industry）；② 针对大模型技术体系「开放度分级规范」的标准化研究成果（Standardization Research Achievements on Openness Grading Specification for Large-model Technical System）。摘要未给出分级的具体层级、指标或评估对象，本文件不补。

• 来源：仅摘要（内容较简）
• URL：https://shenzhen2026.gosim.org/schedule/p-189-open-source-openness-and-standardization-of-large-models/

8. 《Knowledge as Code: A New Collaboration Architecture for AI-Native Teams》

• 时间：14:00–14:25
• 讲者：Sunny Gao
• 机构：MindMux.ai 创始人兼 CEO
• 核心论点：对 agent 来说项目知识不是文档，而是运行时依赖，所以知识必须像源代码一样被管理。

展开（官方摘要）：这是周五摘要最完整的几条之一，逐层如下。

问题：当 AI agent 成为软件开发、科研与知识工作的实际参与者，项目文档就不能再是「事后由人手写并维护的静态产物」。摘要给出的关键判断是：对一个 agent 而言，项目知识不只是文档，而是一种运行时依赖（runtime dependency），它塑造 agent 的每一个决策和动作。

主张：提出 「Knowledge as Code」——让项目知识具备我们对源代码所期望的同样属性，摘要逐项列出五条：清晰的结构（clear structure）、版本历史（version history）、可寻址性（addressability）、机器可读性（machine readability）、显式治理（explicit governance）。

机制：介绍 ProjectBrain.md，一个 Apache-2.0 的开放标准，做法是在仓库内建立「项目大脑」——以 BRAIN.md 作为协议入口，配一个结构化的 brain/ 目录。这个项目大脑要保存的内容有五类：当前项目事实（current project truth）、架构决策、约束、决策理由（rationale）、以及它们的演进过程，格式要求人和 agent 都能读、都能维护。

新分工：摘要为 AI-native 团队提出明确的责任划分——人类负责定义意图、做判断、批准重要变更、验证结果；agent 负责持续编译、更新、连接与检查项目知识。并点明目标边界：「不是要一个没有人参与的知识库，而是要一个没有人工维护负担的知识库」（not a knowledge base without human involvement, but one without the burden of manual maintenance）。

听众收获：一套可落地的架构，把对话与决策转化为持久的项目知识、可执行的 agent 契约（executable agent contracts）、以及可验证的执行闭环（verifiable execution loops）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-166-knowledge-as-code-a-new-collaboration-architecture-for-ai-native-teams/

9. 《从「身份盲区」到「持证上岗」：智能体身份安全的关键挑战与产业应对》

• 时间：14:25–14:50
• 讲者：傅廷胜（Tingsheng Fu）
• 机构：亚信安全 高级副总裁
• 核心论点：为人设计的身份管理体系管不住智能体；agent 必须被当作自治的数字主体来治理。

展开（官方摘要）：

问题：当自治 agent 成为「数字员工（digital workers）」，为人设计的传统身份管理就不再够用（no longer sufficient）。

六类相互关联的风险（官方摘要原文逐条）：

1. 身份不明或不可信（unknown or untrusted identities）——不知道这个 agent 是谁、能不能信。
2. 意图被误解（misinterpreted intent）——agent 对任务意图的理解发生偏差。
3. 权限过大（excessive permissions）——授予的权限超出任务所需。
4. 委托链失控（uncontrolled delegation chains）——agent 把权限层层转授，链条无人管得住。
5. 行为失序（disordered behavior）——agent 的行为脱离预期秩序。
6. 问责断裂（broken accountability）——出了事无法追责到主体。

对应的实际场景（官方摘要列出五类）：影子 agent（shadow agents）、提示驱动的任务劫持（prompt-driven task hijacking）、MCP 工具投毒（MCP tool poisoning）、提权（privilege escalation）、可审计性失效（failures in auditability）。摘要是把这些场景作为「六类风险」的现实表现一并给出的，并未逐一指定一对一映射关系，本文件按摘要原样并列呈现，不做额外配对。

结论与产业应对：摘要据此论证为什么必须把 agent 当作自治的数字行为主体来治理，并指出产业应建设五类机制：可验证的身份（verifiable identity）、授权（authorization）、委托（delegation）、行为控制（behavior control）、问责（accountability）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-206-%E4%BB%8E-%E8%BA%AB%E4%BB%BD%E7%9B%B2%E5%8C%BA-%E5%88%B0-%E6%8C%81%E8%AF%81%E4%B8%8A%E5%B2%97-%E6%99%BA%E8%83%BD%E4%BD%93%E8%BA%AB%E4%BB%BD%E5%AE%89%E5%85%A8%E7%9A%84%E5%85%B3%E9%94%AE%E6%8C%91%E6%88%98%E4%B8%8E%E4%BA%A7%E4%B8%9A%E5%BA%94%E5%AF%B9/

10. 《Self-Evolving Apps: Building Software That Gets Smarter Every Time You Use It》

• 时间：14:50–15:15
• 讲者：Tiberiu Socaci
• 机构：Makeitfuture，CEO 兼联合创始人
• 核心论点：软件应该靠学习用户的纠正来变聪明，而不是靠发版改代码；而且这件事不需要机器学习团队。

展开（官方摘要）：自进化应用的机制是每次被使用都变好，学习的输入是用户的纠正（user corrections），而非代码更新。架构上的关键主张是：这层「智能」作为一个独立的、可更新的层（a separate, updatable layer）存在，它用历史上的纠正记录来改进决策。摘要特别强调落地门槛——不需要机器学习或数据科学团队（without requiring machine learning or data science teams）。演讲内容覆盖四块：设计、开发、授权/商业模式（licensing models）、以及真实应用中的经验教训。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-18-self-evolving-apps-building-software-that-gets-smarter-every-time-you-use-it/

11. 《Agent First, Workflow Later: Enterprise Agentic AI Practices with DeerFlow》

• 时间：15:15–15:40
• 讲者：Willem Jiang
• 机构：奇点智能研究院 首席技术顾问；AI Agent 专家
• 核心论点：企业落地应先建 agent 能力再固化流程——先让 agent 跑，跑成功的轨迹事后再变成工作流和测试资产。

展开（官方摘要）：依据是 DeerFlow 在大型企业的实际部署。讲的是如何搭一个 Super Agent 环境，摘要列出四个组成要件：① 可复用的技能（reusable skills）；② MCP 与 CLI 集成；③ 带身份感知的 IM 网关（identity-aware IM gateways）；④ 关键动作的人工确认（human confirmation for critical actions）。另一半内容是题目里的时序主张：成功的 agent 执行轨迹（successful agent trajectories）可以在事后变成经过评审的工作流与测试资产——这正是「Agent First, Workflow Later」的具体含义。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-113-agent-first-workflow-later-deerflow-%E7%9A%84%E4%BC%81%E4%B8%9A%E7%BA%A7%E6%99%BA%E8%83%BD%E4%BD%93%E5%AE%9E%E8%B7%B5/

12. 《Building a Knowledge-Work Harness: From Coding Agents to Executable Strategy》

• 时间：15:40–16:05
• 讲者：Igor Schwarzmann
• 机构：Known Unknowns GmbH，Principal
• 核心论点：知识工作搬不动 coding agent 的那套 harness，因为决策没有编译器式的自动校验——核心难题是「验证缺口」。

展开（官方摘要）：问题定义很清楚：要为知识工作建 harness，首先要解决「验证缺口」（verification gap）——决策缺少编码工作里那种自动化检查。经验来源是运行了一年的开源、本地优先（local-first）agent 系统，分享的重点是哪些组件能活过这次迁移（which components survive the transition），以及「策略作为协议」（strategy as a protocol） 这个角色定位。现场有 live demo：演示一个 agent 依据纯文本规则（plain-text rules）做出一个带门禁的决策（a gated decision）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-40-building-a-knowledge-work-harness-from-coding-agents-to-executable-strategy/

13. 《从 Agent 设计模式到工程落地：执行型智能体的架构与实践》

• 时间：16:05–16:30
• 讲者：黄嘉（Jia Huang）
• 机构：奇点智能研究院 首席技术顾问
• 核心论点：企业 AI 升级总是从既有业务能力、接口与流程开始，所以要有一套能在真实约束下选型与组合的设计模式框架。

展开（官方摘要）：前提判断：企业的 AI 升级通常从既有的业务能力、接口和工作流出发，不是从白纸开始。为此提出 ADPS 双轴设计模式框架（dual-axis design-pattern framework）——两个轴分别是认知功能（cognitive function） 与执行拓扑（execution topology）。摘要列出框架里的具体模式/示例四项：规划与执行（planning and execution）、进度跟踪（progress tracking）、交接链（handoff chains）、审批门（approval gates），并说明会通过架构图与示例讲如何在真实业务约束下选择与组合这些模式。两个案例：某薪酬（payroll）SaaS 的现代化改造，以及 A*STAR AgentOS 的演示，用来把模式连到实际的系统设计与用户体验。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-198-%E4%BB%8E-agent-%E8%AE%BE%E8%AE%A1%E6%A8%A1%E5%BC%8F%E5%88%B0%E5%B7%A5%E7%A8%8B%E8%90%BD%E5%9C%B0-%E6%89%A7%E8%A1%8C%E5%9E%8B%E6%99%BA%E8%83%BD%E4%BD%93%E7%9A%84%E6%9E%B6%E6%9E%84%E4%B8%8E%E5%AE%9E%E8%B7%B5/

14. 《Semantic Croissant, QueryGraph and the Cross-Domain Interoperability Framework (CDIF)》

• 时间：16:30–16:55
• 讲者：Slava Tykhonov
• 机构：CODATA，AI 负责人
• 核心论点：可信、AI-ready 的数据要靠三层架构堆出来，让信任与授权在设计层被强制执行，而不是靠事后约定。

展开（官方摘要）：提出三层架构（three-layer architecture），每层职责明确：

1. CDIF（Cross-Domain Interoperability Framework） 提供跨域互操作性。
2. Semantic Croissant + ODRL 在其上增加机器可执行的语义（machine-actionable semantics）、溯源（provenance）、使用策略（usage policies）。
3. QueryGraph 再扩展出 agent 身份（agent identity）、访问控制（access control）、治理（governance）、血缘（lineage）。

最终目标用摘要原话是：让信任与授权「by design」被强制执行（trust and authorization are enforced by design）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-174-semantic-croissant-querygraph-and-the-cross-domain-interoperability-framework-cdif/

15. 《2026：AI 眼镜的「记忆拐点」》

• 时间：16:55–17:20
• 讲者：Yi Ru
• 机构：Lawaken Technology（唤醒科技）创始人兼 CEO
• 核心论点：AI 眼镜的竞争已经从「功能多少」转向「记忆多深」，长期记忆正在变成核心 AI 基础设施。

展开（官方摘要）：判断是：随着 AI 眼镜走向大众市场，竞争焦点从功能数量（the number of features）转向记忆深度（the depth of memory）。核心论断两条：长期记忆（long-term memory）正在成为核心的 AI 基础设施；它可能定义下一代可穿戴 agent。摘要未给出具体技术方案或数据。

• 来源：仅摘要（内容较简）
• URL：https://shenzhen2026.gosim.org/schedule/p-110-2026-ai%E7%9C%BC%E9%95%9C%E7%9A%84-%E8%AE%B0%E5%BF%86%E6%8B%90%E7%82%B9/

Agentic AI on Edge（3F – MING HUA）

16. 《How Do You Read a Million Tokens on Your Laptop? You Don't.》

• 时间：10:15–10:50
• 讲者：Iaroslav Neverov
• 机构：Pleias，全栈工程师
• 核心论点：端侧根本不该硬读百万 token；在严苛的内存与模型尺寸约束下，要靠缓存增强、递归式处理和有据可查的评测来完成知识工作。

展开（官方摘要）：主题是在严格的内存与模型尺寸约束下做端侧 agentic 知识工作。题目本身就是论点——「你怎么在笔记本上读一百万 token？你不读。」摘要给出的三项技术组合是：① 缓存增强生成（cache-augmented generation）；② 递归语言模型（recursive language models）；③ 有据可查的评测（grounded evaluation）。两个具体示例：在树莓派（Raspberry Pi）上做带引用的法律分析（cited legal analysis），以及在 Android 上做课程检索（curriculum retrieval）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-106-how-do-you-read-a-million-tokens-on-your-laptop-you-don-t/

17. 《从部件到整机：端侧 AI 液冷算力设备的规模化落地路径》

• 时间：10:50–11:25
• 讲者：陈安（An Chen）
• 机构：深圳智微通科技 联合创始人、董事长兼 CEO
• 核心论点：端侧 AI 液冷算力要从单点部件突破走向可规模化的整机系统，难点在工程化而非单项技术。

展开（官方摘要）：讨论的问题是液冷端侧 AI 算力设备如何从部件级突破（component-level breakthroughs）走向可规模化的整机系统（scalable complete systems）。摘要列出六个要覆盖的方面：集成（integration）、平台标准化（platform standardization）、散热效率（thermal efficiency）、环境适应性（environmental adaptability）、运行可靠性（operational reliability）、以及真实部署场景（real-world deployment scenarios）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-109-%E4%BB%8E%E9%83%A8%E4%BB%B6%E5%88%B0%E6%95%B4%E6%9C%BA-%E7%AB%AF%E4%BE%A7ai%E6%B6%B2%E5%86%B7%E7%AE%97%E5%8A%9B%E8%AE%BE%E5%A4%87%E7%9A%84%E8%A7%84%E6%A8%A1%E5%8C%96%E8%90%BD%E5%9C%B0%E8%B7%AF%E5%BE%84/

18. 《KTransformers：消费级硬件上满精度 1T 级 MoE 模型的「微调—推理」闭环》

• 时间：11:25–12:00
• 讲者：李沛霖（Peilin Li，清华大学博士生 / Approaching AI）、杨宇杰（Yujie Yang，联合讲者）
• 机构：清华大学 / Approaching AI
• 核心论点：靠 CPU-GPU 异构计算，消费级硬件也能跑满精度 1T 级 MoE，并打通从微调到推理的完整闭环，让小团队不必靠昂贵硬件做大模型迭代。

展开（官方摘要）：机制上，KTransformers 利用 CPU-GPU 异构计算（CPU-GPU heterogeneous computing），在消费级硬件上为 1T 级 MoE 模型提供高效本地推理。关键是它支持一个完整的「微调→推理」闭环（full fine-tuning-to-inference loop）：可以做模型服务（model serving）、收集反馈（feedback collection）、再把结果部署回系统（deployment back to the system）。摘要点明的价值主张是：让小团队和研究者在没有高昂硬件成本的前提下也能做大规模模型迭代。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-3-ktransformers-the-fine-tuning-to-inference-closed-loop-for-full-precision-1t-class-moe-models-on-consumer-hardware/

19. 《OpenCV 5: What's New—and How to Prepare Your Company for the Upgrade》

• 时间：14:00–14:35
• 讲者：Satya Mallick
• 机构：OpenCV.org，CEO
• 核心论点：OpenCV 5 是这个库的一次大规模现代化改造，企业要提前规划迁移而不是被动升级。

展开（官方摘要）：OpenCV 5 被定位为这个主流开源计算机视觉库的一次重大现代化（major modernization），摘要点名三块更新：底层基础（foundation）、DNN 栈、局部特征（local features）。演讲的另一半是实操性的：为企业提供一份平滑升级的实践指南，包含迁移策略（migration strategies）与风险缓解（risk mitigation）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-26-opencv-5-what-s-new-and-how-to-prepare-your-company-for-the-upgrade/

20. 《Makepad AI Hub: accessing local AI from your own device cloud》

• 时间：14:35–15:10
• 讲者：Rik Arends
• 机构：Makepad 联合创始人
• 核心论点：个人的多台设备应当组成「自己的设备云」共享本地算力，让手机借笔记本的算力跑重模型，算力不出私域。

展开（官方摘要）：演示 Makepad AI Hub，功能是在个人的多台设备之间共享本地 AI 算力（shares local AI compute across a person's devices）。具体用法：手机等轻量设备可以调用一台更强的笔记本去跑吃算力的模型，摘要点名四类：语音识别（speech recognition）、OCR、语言模型、生成式模型。关键约束是算力始终保留在用户自己的设备云内（keeping the compute within the user's own device cloud）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-175-makepad-ai-hub-accessing-local-ai-from-your-own-device-cloud/

21. 《RustNN at the Edge: WebNN as Infrastructure for Local AI Agents》

• 时间：15:10–15:45
• 讲者：Markus Tavenrath
• 机构：NVIDIA，Developer Technology 首席工程师
• 核心论点：用 Rust 写一次 ML 负载就能跨三种运行环境部署，靠 W3C WebNN 标准拿到跨平台硬件加速，不用为每个平台重写一遍。

展开（官方摘要）：RustNN 与 W3C WebNN 标准共同构成本地运行 AI agent 的统一方案。机制是：开发者用 Rust 把 ML 负载写一次，然后部署到三种环境：桌面、Node.js、WebAssembly。摘要明确收益：在不同平台上获得硬件加速，而不需要重复实现代码（without code duplication）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-37-rustnn-at-the-edge-webnn-as-infrastructure-for-local-ai-agents/

22. 《Building Hybrid AI Systems: Edge Inferencing Meets Cloud Reasoning》

• 时间：16:00–16:30
• 讲者：Frank Fan
• 机构：AWS，首席解决方案架构师
• 核心论点：延迟敏感的感知放边缘、重推理放云端，混合架构的工程重点在负载划分与跨环境可观测性。

展开（官方摘要）：以仓库安全监控（warehouse safety monitoring） 为案例，提出一种混合架构：延迟敏感的视觉语言推理（latency-sensitive vision-language inference）跑在边缘 GPU 上，而摘要生成（summarization）与会话式检索（conversational retrieval）交给云端 agent。摘要列出演讲覆盖的五个工程主题：负载放置（workload placement）、模型选择（model selection）、优化（optimization）、共享内存（shared memory）、跨环境可观测性（cross-environment observability）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-157-building-hybrid-ai-systems-edge-inferencing-meets-cloud-reasoning/

23. 《端侧智能的技术发展与 MiniCPM 开源生态实践观察》

• 时间：16:30–17:00
• 讲者：井岑哲（Cenzhe Chase Jing）
• 机构：面壁智能（ModelBest），开源生态负责人
• 核心论点：以 MiniCPM 开源生态为样本，复盘端侧智能的能力建设与社区成长的实际经验。

展开（官方摘要）：两部分：① 综述端侧智能（on-device intelligence）当前的发展状况与相关产业趋势；② 以 MiniCPM 开源生态作为案例，考察构建与壮大端侧 AI 能力的实践教训（practical lessons）。摘要未给出具体模型参数或数据。

• 来源：仅摘要（内容较简）
• URL：https://shenzhen2026.gosim.org/schedule/p-105-%E7%AB%AF%E4%BE%A7%E6%99%BA%E8%83%BD%E7%9A%84%E6%8A%80%E6%9C%AF%E5%8F%91%E5%B1%95%E4%B8%8E-minicpm-%E5%BC%80%E6%BA%90%E7%94%9F%E6%80%81%E5%AE%9E%E8%B7%B5%E8%A7%82%E5%AF%9F/

24. 《Effective and High-Performance Human-Agent Interaction》

• 时间：17:00–17:30
• 讲者：Gregory Terzian
• 机构：FOSS（上海）技术咨询，创始人
• 核心论点：人与 agent 的界面不该困在聊天框和终端的惯例里；交互本身需要被当作性能、精确性与安全问题来做。

展开（官方摘要）：载体是 uni03C0（π）——一个面向 Pi coding agent 的 macOS 客户端。论点是：人机 agent 界面可以超越聊天与终端的既有惯例（beyond chat and terminal conventions）。演讲聚焦四个可改进维度：交互性能（performance）、精确性（precision）、可用性（usability）、安全性（security）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-77-effective-and-high-performance-human-agent-interaction/

Agentic OS & App（2F – HAI XIA 2）

25. 《Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses》

• 时间：10:15–10:50
• 讲者：林嘉航（Jiahang Lin）
• 机构：复旦大学 硕士研究生
• 核心论点：harness 的改进不该靠人工试错，而应靠可观测性驱动的闭环，让每次改动都显式、有证据、可回滚、可测试。

展开（官方摘要）：提出 Agentic Harness Engineering——一个自动改进 coding-agent harness 的闭环（a closed loop）。机制的核心是三类可观测性：组件可观测性（component observability）、经验可观测性（experience observability）、决策可观测性（decision observability）。这三者共同保证每一次编辑都具备四个属性：显式（explicit）、基于证据（evidence-based）、可逆（reversible）、可测试（testable）。摘要给出的价值判断是：由此实现超越人工试错（beyond manual trial and error）的可靠演进。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-139-agentic-harness-engineering-observability-driven-automatic-evolution-of-coding-agent-harnesses/

26. 《PenguinHarness: Efficient Self-Evolving Agent Harness for 1000+ Models》

• 时间：10:50–11:25
• 讲者：郑耀威（Yaowei Zheng）
• 机构：PrismShadow 联合创始人兼 CTO（LlamaFactory 团队）
• 核心论点：自进化 agent harness 可以做到极低硬件门槛且覆盖千余模型，并用基准数据证明自进化确实带来准确率提升和成本下降。

展开（官方摘要）：PenguinHarness 是由 LlamaFactory 团队开发的开源自进化 agent 框架，摘要给出的覆盖面是支持超过 1000 个模型（1,000+ models），且硬件要求极低（minimal hardware requirements）。机制：通过一套极简工具集（a minimal toolset）与多智能体协作（multi-agent collaboration），让 agent 自主完成训练、部署、评测与应用开发。演讲内容两部分：① 如何快速构建生产可用的 AI 应用；② 如何用 GDPevo Benchmark 评估自进化 agent。量化结果：准确率提升 18.8%，成本下降 7.5%。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-81-penguinharness-an-efficient-self-evolving-agent-harness-for-1-000-models/

27. 《A New Era of Inventors》

• 时间：11:25–12:00
• 讲者：Hunter Bown
• 机构：ShannonTek 创始人
• 核心论点：agentic AI 的价值在于让更多普通人能把观察和想法变成可验证的造物，前提是动作可见、结果可测、系统开放、人保有有效控制。

展开（官方摘要）：提出的问题是：agentic AI 如何帮助更多人把观察与想法变成可被检验的造物（testable creations）。论证材料有两条线：发明的历史，以及 Codewhale——一个开源的 Rust coding agent——的开发过程。交付物是一套实践框架，摘要逐条列出五个支柱：模型选择（model choice）、可见的动作（visible actions）、可测试的结果（testable outcomes）、开放系统（open systems）、有意义的人类控制（meaningful human control）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-155-a-new-era-of-inventors/

28. 《AI-Native Company Operating System: How Open Source Agents Transform Startup Workflows》

• 时间：14:00–14:35
• 讲者：Jacky Hsu
• 机构：Ingora 创始人兼 CEO
• 核心论点：公司本身就该被当成一套 AI 操作系统来运行——知识是结构化记忆，流程是会自我改进的系统。

展开（官方摘要）：论断是：AI 正在改变公司的组织方式，从传统的以人为中心的结构，转向 AI-native 系统。在这种系统里，知识是结构化的记忆（structured memory），工作流变成智能的、自我改进的系统（intelligent, self-improving systems）。案例：讲者将讲述 Ingora 如何借助开源 agent、编码助手与知识系统，快速开发出 Qrio——一款面向儿童与家庭的 AI 学习伙伴。摘要把这套做法概括为：把公司自身当作一个由 AI 驱动的操作系统，通过 AI agent 提升执行力与组织智能。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-21-ai-native-company-operating-system-how-open-source-agents-transform-startup-workflows/

29. 《SpecArtisans: A Verifiable Spec-Driven Development Paradigm for AI Coding》

• 时间：14:35–15:10
• 讲者：刘子羲（Zixi Liu）
• 机构：华为 高级工程师
• 核心论点：要让 AI 全程不偏离原始需求，就必须在自然语言需求与代码之间插入一层结构化、可验证的规格。

展开（官方摘要）：SpecArtisans 是一种面向 AI 编程的规格驱动（Spec-Driven）开发范式，目标是确保 AI 在整个软件开发过程中准确遵循原始需求。机制是：在自然语言需求与代码之间引入结构化的、可验证的软件规格（structured, verifiable software specifications），从而在设计、实现、测试三个阶段实现一致的追踪与校验（consistent tracking and validation）。把这些规格整合进端到端工作流后，提升的是 AI 原生软件工程的可靠性。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-58-specartisans-a-verifiable-spec-driven-development-paradigm-for-ai-coding/

30. 《Agentic in Game AI, did we get any far?》

• 时间：15:10–15:45
• 讲者：张繁实（Fanshi Zhang，Moeru AI CTO）、Claudia Wang（Moeru AI Ltd. 高级算法工程师）
• 机构：Moeru AI
• 核心论点：游戏里的 agentic AI 已有可演示的进展，而这些演示还能反过来变成跨模型强化学习的环境与数据集。

展开（官方摘要）：两部分：① 演示 agentic AI 应用于游戏的进展；② 讨论如何把这些演示扩展成环境与数据集（environments and datasets），用于跨不同模型的强化学习。摘要篇幅很短，未给出具体游戏、模型或指标。

• 来源：仅摘要（内容较简）
• URL：https://shenzhen2026.gosim.org/schedule/p-72-agentic-ai-in-games-how-far-have-we-come/

31. 《如何运用 Harness 工程打造 AI 小游戏制作管线》

• 时间：16:00–16:30
• 讲者：Justin Tan
• 机构：Google Cloud 解决方案架构师
• 核心论点：把 harness 工程、分层自动评审和 agent 开发套件组合成产线，可以同时提升生成质量与效率并降低成本。

展开（官方摘要）：介绍一条自动化的 AI 小游戏制作管线，由三个部件构成：① Harness 工程；② 两层自动化评审系统（a two-layer automated review system）；③ ADK agent 开发工具包。摘要给出的效果是三项同时改善：生成质量提升、生产效率提升、总体成本下降（未给具体数字）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-114-%E5%A6%82%E4%BD%95%E8%BF%90%E7%94%A8harness%E5%B7%A5%E7%A8%8B%E6%89%93%E9%80%A0ai%E5%B0%8F%E6%B8%B8%E6%88%8F%E5%88%B6%E4%BD%9C%E7%AE%A1%E7%BA%BF/

32. 《两次解耦：把 Coding Agent 带进日常应用》

• 时间：16:30–17:00
• 讲者：谢维宇（Weiyu Xie）
• 机构：Approaching.AI 首席架构师
• 核心论点：coding agent 的能力要走出编程场景，需要两次解耦——把任务状态从单次运行里解出来，再把执行硬件从被操作对象里解出来。

展开（官方摘要）：提出两步：

1. Agent Context：把持久的任务状态（durable task state）与单次运行（individual runs）分离。
2. Agent as a Service：把执行所用的硬件，与被操作的数据、应用、设备分离（separates execution hardware from the data, applications, and devices being operated）。

演示载体是 SuperMe 安卓应用，摘要点名其覆盖三类场景：个人记录、业务数据、跨应用的手机操作（cross-app phone actions）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-145-%E4%B8%A4%E6%AC%A1%E8%A7%A3%E8%80%A6-%E6%8A%8A-coding-agent-%E5%B8%A6%E8%BF%9B%E6%97%A5%E5%B8%B8%E5%BA%94%E7%94%A8/

33. 《Your Agent's History Is Infrastructure, Not Logs》

• 时间：17:00–17:30
• 讲者：Yuu
• 机构：Dify，Agent 性能与优化实习生
• 核心论点：agent 的会话历史应当被当作基础设施而不是日志——它需要一个可查询的证据层。

展开（官方摘要）：Obelisk 把散落各处的 coding agent 会话历史转化为统一的、可查询的基础设施，技术实现点名两项：SQLite 与 FTS5（全文检索）。使用方式是双向的：agent 和人都能与会话数据交互，途径有两条：通过代码，或通过一个桌面应用。支持的高级能力摘要列了两项：失败分析（failure analysis）与记忆管理（memory management）。项目属性：开源，采用面向扩展设计的多 provider 架构（multi-provider architecture）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-80-your-agent-s-history-is-infrastructure-not-logs-building-a-queryable-evidence-layer-over-coding-agent-sessions/

Agentic Device（2F – KAI XUAN 1）

34. 《openvela：从开源操作系统到 AI 硬件智能体的基础底座》

• 时间：10:15–10:50
• 讲者：杜超（Chao Du）
• 机构：小米，openvela 项目负责人
• 核心论点：小米开源的 AIoT 操作系统 openvela 正在从「操作系统」升级为「AI 硬件智能体的基础底座」。

展开（官方摘要）：介绍 openvela——小米的开源 AIoT 操作系统，以及它向 AI 硬件 agent 基础底座演进的过程。摘要列出五块内容：项目的发展历程、核心技术优势、开源生态、大规模量产经验（production experience at large scale）、未来路线图。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-112-openvela-%E4%BB%8E%E5%BC%80%E6%BA%90%E6%93%8D%E4%BD%9C%E7%B3%BB%E7%BB%9F%E5%88%B0-ai-%E7%A1%AC%E4%BB%B6%E6%99%BA%E8%83%BD%E4%BD%93%E7%9A%84%E5%9F%BA%E7%A1%80%E5%BA%95%E5%BA%A7/

35. 《How Open-Source Hardware Brings AI from the Cloud into Daily Life》

• 时间：10:50–11:25
• 讲者：凌彤（Tong Ling）
• 机构：乐鑫科技（Espressif Systems），IoT 产品商业化负责人
• 核心论点：开源硬件是把云端 AI 带进日常生活的载体。

展开：官方议题页没有实质摘要，Talk overview 处只有一句复述标题的话（「Tong Ling discusses how open-source hardware brings AI from the cloud into daily life.」）。

推断（所属项目生态的同主题材料）：乐鑫的 ESP32 系列是开源 AI 硬件最主要的底座之一，最能说明「云端 AI 进入日常」这条路径的是开源项目「小智 AI 聊天机器人」（作者虾哥，MIT 许可，允许商用）：架构为流式 ASR + LLM + TTS，支持 Wi-Fi 与 4G 联网，可在 ESP32-C3、ESP32-S3、ESP32-P4 上运行，已兼容 70 多款开源硬件，其中包括乐鑫自家的 ESP32-S3-BOX3 开发板；上手门槛被刻意压低——新手可直接用 Flash Download Tool 或网页在线烧录，无需搭建 ESP-IDF 环境。乐鑫侧的配套动作包括在全国大学生物联网设计竞赛中设赛道、提供成熟 AIoT 开发套件、物联网开发框架与开放文档，以及收购创新硬件公司 M5Stack 控股权。以上为推断，不是讲者本人的表述。

• 来源：无实质摘要（官方）+ 推断（项目生态材料）
• URL：https://shenzhen2026.gosim.org/schedule/p-89-tbd/ ；推断材料 https://damodev.csdn.net/6a436b0f10ee7a33f284b494.html 、https://www.espressif.com/zh-hans/company/about-us/milestones

36. 《From Connecting to Thinking: TuyaOpen's Agent-First OS for the Physical AI Era》

• 时间：11:25–12:00
• 讲者：Hsuan Han Lai
• 机构：涂鸦智能（Tuya Smart），开发者生态负责人
• 核心论点：面向 Physical AI 时代的 IoT 操作系统要从「连接设备」转向「设备会思考」，并且让 LLM 能直接控制嵌入式硬件。

展开（官方摘要）：TuyaOpen 是面向 Physical AI 时代设计的开源 A-IoT 操作系统，定位转变是从设备连接转向自主的、会思考的 agent。技术构成摘要逐项列出：① 原生多模态 AI 栈（native multi-modal AI stack）；② 标准化的 Model Context Protocol（MCP），作用是让 LLM 能够控制嵌入式设备上的硬件；③ 统一的硬件抽象层（unified hardware abstraction layer）；④ 端—边—云协同推理（edge-cloud-device inference）；⑤ TClaw——在低成本 MCU 上运行 ReAct agent 循环。落地证据：AI 冰箱、陪伴机器人等真实应用已经量产（already in mass production）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-75-from-connecting-to-thinking-tuyaopen-s-agent-first-os-for-the-physical-ai-era/

37. 《从设备连接到设备协作：用 EMQ Device Agent 构建 A2A 分布式智能硬件网络》

• 时间：14:00–14:35
• 讲者：金发华（Fahua Jin）
• 机构：EMQ 联合创始人兼 CTO
• 核心论点：把物理设备本身变成带语义的 AI agent，才能实现跨品牌、跨协议的设备协作。

展开（官方摘要）：机制是 EMQ Device Agent 把物理设备转化为 AI agent，并赋予三类语义：命令（command）、属性（property）、事件（event）。协作靠两套协议：MQTT 与 A2A，达成的效果是跨品牌、跨协议的设备协作。摘要点名的关键技术三项：语义建模（semantic modeling）、agent 运行时（agent runtime）、A2A 服务发现（A2A service discovery）。目标是构建分布式智能硬件网络，应用领域四类：智能硬件、工业生产、能源管理、医疗设备。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-59-from-device-connectivity-to-device-collaboration-building-an-a2a-distributed-intelligent-hardware-network-with-emq-device-agent/

38. 《Physical Interfaces for Agentic Development》

• 时间：14:35–15:10
• 讲者：Michael Yuan（Second State 创始人、GOSIM 联合创始人）、陈思衡（Siheng Chen，Second State 工程师）
• 机构：Second State
• 核心论点：同时盯多个 coding agent 不该靠人不停切窗口，这件事值得一个专用硬件。

展开（官方摘要）：问题是在不持续切换上下文（without constant context switching）的前提下监管多个 coding agent，为此需要专用硬件。演讲内容两部分：① 考察近期出现的各类 agentic 设备；② 发布/介绍 VibeKeys——一个开源键控设备，硬件规格摘要逐项给出：ESP32-S3 芯片、带状态显示屏、麦克风、Rust 固件，软件集成四项：Claude Code、Codex、Herdr、Omarchy。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-154-physical-interfaces-for-agentic-development/

39. 《从听见你到看见你——实时多模态把 AI 带进真实世界》

• 时间：15:10–15:45
• 讲者：冯晓东（Xiaodong Feng）
• 机构：声网（Agora），Physical AI 产品线负责人
• 核心论点：只会听的 AI 永远只能通过用户的描述来接收世界；AI 要成为真正懂你的伙伴，必须共享你的情境——视觉、声音、空间、动作、表情与环境。

展开（官方摘要，这是周五最长的摘要之一）：

问题意识：过去两年，大模型把 AI 从「执行命令的工具」变成了「对话伙伴」。但摘要给出一句关键判断：只会听的 AI，永远是通过用户的描述来接收世界——它分不清你是在读书、骑车、辅导孩子作业，还是在家里走动。要成为最懂你的陪伴者，AI 必须共享并响应你的情境，摘要逐项列出六类：视觉、声音、空间、运动、面部表情、周围环境。这就是声网 Physical AI 团队的方向：从实时对话式 AI 走向实时多模态 AI。

产品：本次预览 R2 开发套件。摘要强调它不只是一个口袋机器人的常规硬件开发套件，而是让 AI 能看见、理解并进入真实世界的开放平台。硬件集成逐项为：摄像头、屏幕、多自由度运动结构、步进电机、多麦克风阵列、一系列传感器；并配专用的端侧计算，支持本地感知能力，摘要举例两项：人脸识别与声源定位。

系统架构：R2 是更大系统的一部分——完整接入声网的实时对话式 AI 引擎，通过三条并行通道传输音频、视频与数据，实时协调两者：「大脑」=云端 LLM 或 agent，「小脑」=端侧视觉与运动控制。再结合 Botstation agent 平台与 MCP 工具生态，开发者可以在几天内把一个想法变成可交互的多模态机器人原型。

要回答的四个问题（摘要原文列出）：① 为什么 AI 需要进入真实世界？② 为什么要做开放的开发底座，而不是封闭的机器人产品？③ 如何解决开发者在噪声、算力、量产、隐私方面的真实困难？④ 当实时多模态成为 AI 的新基础设施，它将如何改变教育、骑行、安防、办公等场景？

定位：摘要自述这既是一次产品发布，也是对 AI 下一站的探索，结语是「AI 的未来在你身边，而不只在云端」。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-69-open-source-hardware-integration-practices-for-agora-conversational-ai/

40. 《Agentic AI as a Contributor to Mobile Linux》

• 时间：16:00–16:30
• 讲者：Bardia Moshiri（Furi Labs 嵌入式软件工程师）、Wayne Connolly（FuriLabs COO）
• 机构：Furi Labs
• 核心论点：agentic AI 正在降低 Mobile Linux 的贡献门槛，让开源开发对新人更可及。

展开（官方摘要）：论点是 agentic AI 正在帮助简化对 Mobile Linux 的贡献，摘要列出其四项协助能力：代码理解、代码导航、调试、想法的实现（idea implementation）。效果判断：让开源开发更可及，尤其对新人（especially for newcomers）。演讲内容两块：agentic AI 目前已经在怎样支持贡献，以及它增强 Mobile Linux 社区协作的潜力。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-62-agentic-ai-as-a-contributor-to-mobile-linux/

41. 《词元开物 IterxAI —— 硬件 Vibe Coding》

• 时间：16:30–17:00
• 讲者：杨振宇（Zhenyu Yang）
• 机构：深圳市词元开物科技有限公司 创始人兼 CEO
• 核心论点：新手也该能做硬件原型——从需求到 PCB 到真实元件的整条链路都可以被 AI 和供应链数据打通。

展开（官方摘要）：IterxAI 是一个端到端环境，目标是帮助初学者做出硬件原型。覆盖的环节摘要逐项列出五步：AI 辅助需求梳理、元器件选型（component selection）、编码、仿真、PCB 生成。配套的两样东西是：一台桌面 PCB 雕刻机（desktop PCB engraver），以及供应链数据——把设计直接连到真实的元器件与供应商。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-162-%E8%AF%8D%E5%85%83%E5%BC%80%E7%89%A9iterxai-%E7%A1%AC%E4%BB%B6vibe-coding/

42. 《从「可穿戴」到「懂你」：AI 智能体设备的产品化与场景落地》

• 时间：17:00–17:30
• 讲者：王宝峰（Baofeng Wang）
• 机构：上海情感感知智能科技 联合创始人
• 核心论点：agentic 设备的价值在于持续感知用户状态并据此提供个性化服务，而不是戴在身上这件事本身。

展开（官方摘要）：依据是讲者在脑机接口（brain–computer interfaces）与 AI 可穿戴两类产品上的工作经验。核心主张：agentic 设备可以持续感知用户状态（continuously sense user states）并交付个性化服务。演讲路径是产品化的完整链条：从用户需求、产品定义，到场景设计，再到商业化（commercialization）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-104-%E4%BB%8E-%E5%8F%AF%E7%A9%BF%E6%88%B4-%E5%88%B0-%E6%87%82%E4%BD%A0-ai-%E6%99%BA%E8%83%BD%E4%BD%93%E8%AE%BE%E5%A4%87%E7%9A%84%E4%BA%A7%E5%93%81%E5%8C%96%E4%B8%8E%E5%9C%BA%E6%99%AF%E8%90%BD%E5%9C%B0/

Open Source Models & Infra（3F – ADEN 2）

43. 《Rethinking Residual Connections: Toward Depth-Effective Language Model Scaling》

• 时间：10:15–10:50
• 讲者：刘诗玮（Shiwei Liu）
• 机构：马克斯·普朗克智能系统研究所 / ELLIS Institute Tübingen，组长
• 核心论点：残差架构应当与宽度、数据、算力并列为模型 scaling 的关键因素——因为只有部分残差设计能让深层真正起作用。

展开（官方摘要）：研究问题是：近期的各种残差连接（residual-connection）设计，能否让语言模型实现有效的深度扩展（effective depth scaling）。方法：在不同模型深度与参数规模上评测多种方法。发现：只有部分设计能够让更深的层持续做出有意义的贡献（only some designs sustain meaningful contributions from deeper layers）。结论性主张：这些结果说明残差架构是模型 scaling 的一个关键因素，应与宽度（width）、数据、算力（compute）并列。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-6-rethinking-residual-connections-toward-depth-effective-language-model-scaling/

44. 《昇腾开源训练生态的建设与演进》

• 时间：10:50–11:25
• 讲者：马永强（Yongqiang Ma）
• 机构：华为，开源训练软件专家
• 核心论点：算力供应商要满足客户需求，就必须拥抱开源社区并保持开放——而且不能只做兼容，要往上游贡献。

展开（官方摘要）：前提判断：作为算力提供方，拥抱开源社区、保持开放性，是满足客户需求的必要条件。昇腾的策略摘要给了原文三段式：「bottom-up（自底向上）、native-first（原生优先）、plugin-enhancement（插件增强）」，据此主动对接第三方社区。演讲覆盖三件事：① 如何通过基础技术兼容性构建稳固的训练后端；② 如何参与社区开发；③ 如何在标准兼容之外，额外贡献性能与精度特性（performance and accuracy features beyond standard compatibility）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-43-building-and-evolving-the-ascend-open-source-training-ecosystem/

45. 《Scale-up Interconnect System for Supernodes》

• 时间：11:25–12:00
• 讲者：郑嘉骥（Jiaqi Zheng）
• 机构：南京大学 副教授
• 核心论点：模型架构转向稀疏/线性注意力虽缓解了 KV Cache 压力，却把压力转移到了集合通信上，互联系统必须在性能、成本与生态之间取得平衡。

展开（官方摘要）：讨论超节点（supernodes）互联系统 scale-up 的挑战与优化，关注点是架构转变与通信策略如何影响性能。因果链摘要写得很明确：模型架构转向稀疏/线性注意力（sparse/linear attention），降低了 KV Cache 压力；但张量并行与序列并行（tensor and sequence parallelism）推高了集合通信（collective communication）需求。因此结论是：互联系统必须在性能、成本与生态三者之间平衡，以同时高效支撑训练与推理。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-8-scale-up-interconnect-system-for-supernodes/

46. 《SynthCommonCorpus: the largest open synthetic pretraining corpus built for agentic models》

• 时间：14:00–14:35
• 讲者：Anastasia Stasenko（Pleias 联合创始人兼 CEO）、Pieter Delobelle（联合讲者）
• 机构：Pleias
• 核心论点：要研究模型如何学会「行动」，就得把工具调用和多步任务直接写进预训练数据，而不是只在后训练阶段补。

展开（官方摘要）：SynthCommonCorpus 是一个面向 agentic 模型设计的开放合成预训练语料，计划于 2026 年秋季发布。数据构成上的关键选择：把工具调用（tool calls）、多步任务分解（multi-step task decomposition）、对抗样本（adversarial examples）纳入预训练数据，目的是研究模型如何学会行动（how models learn to act）。方法学部分：讲解合成生成（synthetic generation）与可溯源、授权清晰的种子数据（traceable, licensed seed data）如何支撑可复现性，以及对记忆（memorization）与数据污染（data contamination）的测量。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-47-synthcommoncorpus-the-largest-open-synthetic-pretraining-corpus-built-for-agentic-models/

47. 《开源大模型端侧推理性能优化与智能体间协同》

• 时间：14:35–15:10
• 讲者：Minako Kojima
• 机构：月之暗面（Moonshot AI），开发者关系负责人
• 核心论点：端侧部署不只是把模型压小，还要让轻量端侧 agent 与云端模型通过任务分解和知识共享协同工作。

展开（官方摘要）：问题：随着边缘计算快速增长，在资源受限的边缘设备上部署开源大模型成为关键挑战。单模型层面的优化手段摘要列出四项：模型压缩、量化、剪枝、高效调度，优化目标是在保持精度的同时降低时延、内存占用与能耗。超出单模型的部分是协同机制：轻量级边缘 agent 与云端模型通过三种方式协调——任务分解（task decomposition）、分布式推理（distributed inference）、知识共享（knowledge sharing）。实验结果：所提框架显著提升吞吐与响应速度，从而支撑三类实时智能应用：自主系统、IoT、移动助手。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-204-optimization-of-edge-side-inference-performance-for-open-source-large-models-and-collaboration-between-agents/

48. 《机制合规审计与内生安全加固》

• 时间：15:10–15:45
• 讲者：张拳石（Quanshi Zhang）
• 机构：上海交通大学 副教授
• 核心论点：在输出层面加约束无法保证模型可信，安全必须深入到模型内部机制层面去审计和加固。

展开（官方摘要）：问题：考察大模型的内生安全风险（intrinsic security risks），并论证为什么输出层面的约束（output-level constraints）无法保证可信行为。理论工具：提出等效交互机制解释理论（the theory of equivalent interaction mechanism interpretation），其三项应用摘要逐条列出：形式化的机制审计（formal mechanism auditing）、内生安全加固（intrinsic security hardening）、训练效率优化（training-efficiency optimization）。实证部分覆盖三项发现：开源模型中的风险机制、模型泛化性、机制对齐训练（mechanism-alignment training）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-11-mechanism-based-compliance-auditing-and-intrinsic-security-hardening/

49. 《从适配到共建：GLM 与开源社区的协作实践》

• 时间：16:00–16:30
• 讲者：张昱轩（Yuxuan Zhang）
• 机构：智谱（Zhipu AI），技术布道师
• 核心论点：模型方与推理社区的关系应该从「适配」升级为「共建」——靠上游贡献与公开技术报告把高质量推理实践开放给整个生态。

展开（官方摘要）：复盘 GLM 与推理社区（点名 SGLang 与 vLLM）的协作。覆盖的技术事项摘要逐项列出六条：发布当天的模型支持（release-day model support）、投机解码（speculative decoding）、量化、Prefill–Decode 分离（PD disaggregation）、精度对齐（accuracy alignment）、性能调优。方法论部分：上游贡献（upstream contributions）与公开技术报告（open technical reports）如何把高质量的推理实践提供给更广泛的生态。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-22-%E4%BB%8E%E9%80%82%E9%85%8D%E5%88%B0%E5%85%B1%E5%BB%BA-glm-%E4%B8%8E%E5%BC%80%E6%BA%90%E7%A4%BE%E5%8C%BA%E7%9A%84%E5%8D%8F%E4%BD%9C%E5%AE%9E%E8%B7%B5/

50. 《EvoPhys-World, the first 5D world model for Physical AGI》

• 时间：16:30–17:00
• 讲者：赵中夏（Zhongxia Zhao）
• 机构：EvoPhys AI 联合创始人兼 COO
• 核心论点：世界模型要达到物理智能，光有三维空间加时间不够，还得加上「因果世界线」这一维。

展开（官方摘要）：提出 EvoPhys-World——一个五维世界模型，构成是在三维空间与时间之上，再加入因果世界线（causal worldlines）。灵感来源：人类的运动控制与多感官反馈。技术构件摘要逐项列出四项：① 世界线的分支与坍缩（branching and collapsing worldlines）；② world-engine 与 world-policy 的双引擎设计（dual world-engine and world-policy design）；③ Phy-JEPA 表征解耦（representation decoupling）；④ 自监督 4D 记忆（self-supervised 4D memory）。训练数据：大规模人类交互视频（large-scale human-interaction video），目标是从中学习物理智能。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-173-evophys-world-the-first-5d-world-model-for-physical-agi/

51. 《KernelCAT: AI for Computing 实践分享》

• 时间：17:00–17:30
• 讲者：丁田（Tian Ding）
• 机构：智子芯源（Zhizi Xinyuan）创始人
• 核心论点：大模型加数学优化可以加速算子开发、模型适配，甚至自动发现算法。

展开（官方摘要）：探讨大 AI 模型与数学优化（mathematical optimization）如何加速三件事：算子开发、模型适配、算法的自动发现（automated algorithm discovery）。演讲给出KernelCAT agent 的实际案例，并讨论 AI for Computing 的技术与产业前景。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-146-kernelcat-ai-for-computing%E5%AE%9E%E8%B7%B5%E5%88%86%E4%BA%AB/

Open Source Robotics（2F – HAI XIA 1）

52. 《Engineering an Open VLA Stack with DM0.5, OpenDM, and Dexbotic》

• 时间：10:15–10:45
• 讲者：张海滨（Haibin Zhang）
• 机构：Dexmal 原力灵机，AI 基础设施与开源负责人
• 核心论点：具身智能系统的瓶颈在工程基础设施，VLA 全生命周期的每一环都需要被系统化地工程化。

展开（官方摘要）：介绍 DM0.5、OpenDM、Dexbotic 三者背后的工程实践，覆盖完整的 VLA 生命周期。摘要列出五个环节：异构机器人数据（heterogeneous robot data）、可复现训练（reproducible training）、可扩展评测（scalable evaluation）、低延迟推理（low-latency inference），以及构建高效、可靠、可扩展的具身 AI 系统所需的基础设施。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-131-engineering-an-open-vla-stack-with-dm0-5-opendm-and-dexbotic/

53. 《共建物理智能新范式：基于态势感知的九问共生》

• 时间：10:45–11:15
• 讲者：张家晖（Jiahui Zhang）
• 机构：华为 专家
• 核心论点：端到端 VLA 泛化差、长程任务做不动、成功率低，所以要把「单一大模型」换成解耦分层的 Agent 系统。

展开（官方摘要）：

目标：九问共生（Jiuwen Symbiosis）是一个 Physical AI Agent 框架，作用是帮助 agent 从数字助手变成物理世界的执行者，手段是自然语言指令 + 态势感知（situational awareness）来完成真实世界任务。

它针对的三个具体问题（摘要逐条列出端到端具身模型如 VLA 的局限）：① 跨机器人本体、环境与任务的泛化能力有限（limited generalization across robot embodiments, environments, and tasks）；② 长程复合任务（long-horizon composite tasks）能力不足；③ 成功率低、稳定性差。

架构：九问共生提出一个端到端 Agent 系统，由解耦的分层构成，摘要列出四层：物理感知（physical perception）、动态编排（dynamic orchestration）、物理执行（physical execution）、观测反馈（observation feedback）。

工程件：通过 Physical Harness、Adapter，以及面向异构机器人本体的 SDK，目标是为复杂的长程物理任务提供稳定性与泛化能力。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-90-co-building-a-new-paradigm-of-physical-intelligence-situation-awareness-based-jiuwen-symbiosis/

54. 《From the data factory to the world compiler》

• 时间：11:15–11:45
• 讲者：戴若犁（Tristan Ruoli Dai）
• 机构：诺亦腾机器人（Noitom Robotics）创始人兼 CEO
• 核心论点：具身智能的数据基础设施必须从「追求规模」转向「对物理世界的结构化表示」。

展开（官方摘要）：起点是具身 AI 的数据挑战，讲的是诺亦腾从大规模数据工厂（data factories）走向「世界编译器」（World Compiler） 的历程。考察的环节摘要列出五项：真实世界采集（real-world collection）、人体动作与物体交互（human motion and object interaction）、多模态生产（multimodal production）、标准化（standardization）、机器人学习（robot learning）。核心论断：数据基础设施必须从规模导向，演进为对物理世界的结构化表示（structured representations of the physical world）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-165-from-the-data-factory-to-the-world-compiler/

55. 《具身智能体驾驭：从大模型到安全、可靠的物理智能》

• 时间：11:45–12:15
• 讲者：黄禹（Yu Huang）
• 机构：中国科学技术大学 先进技术研究院 研究员
• 核心论点：基础模型和机器人硬件之间缺一个运行时控制面，把开放式的模型意图转成可验证、可恢复的物理行为。

展开（官方摘要）：提出 Embodied Agentic Harness——位于基础模型与机器人技能/硬件之间的运行时控制面（a runtime control plane）。其组成摘要逐项列出五项：① 确定性任务编译（deterministic task compilation）；② 世界-动作模型预测（world-action-model prediction）；③ 分层安全检查（layered safety checks）；④ 长期记忆（long-term memory）；⑤ 本地自愈（local self-healing）。目标用摘要原话是：把开放式的模型意图（open-ended model intent）转化为可验证、可恢复的物理行为（verifiable, recoverable physical behavior）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-150-%E5%85%B7%E8%BA%AB%E6%99%BA%E8%83%BD%E4%BD%93%E9%A9%BE%E9%A9%AD-%E4%BB%8E%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%88%B0%E5%AE%89%E5%85%A8-%E5%8F%AF%E9%9D%A0%E7%9A%84%E7%89%A9%E7%90%86%E6%99%BA%E8%83%BD/

56. 《Maintaining Dora with Agentic Engineering》

• 时间：14:00–14:35
• 讲者：Philipp Oppermann
• 机构：自由 Rust 开发者（Dora 维护者）
• 核心论点：一个分布式机器人框架可以把 87% 的提交交给 AI agent 写——前提是有自动评审和多阶段测试兜底。

展开（官方摘要）：Dora 是基于 Rust 的机器人与 AI 数据流框架，提供跨语言的低延迟通信。关键数据：87% 的提交由 AI agent 编写（87% of commits authored by AI agents），项目借 agentic engineering 来管理自身复杂度。保证质量的两套机制摘要点名：自动化评审例程（automated review routines）与多阶段测试系统（multi-stage test system），用途是捕捉 bug 与回归（regressions），从而在框架本身是分布式的前提下仍保持开发可靠。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-96-maintaining-dora-with-agentic-engineering/

57. 《Project Homunculus: Open Source Force Feedback Glove for Humanoid Teleoperation》

• 时间：14:35–15:10
• 讲者：Martino Russi
• 机构：Hugging Face，具身机器人工程师
• 核心论点：人形机器人遥操作所需的力反馈手部外骨骼，可以用通用元件做成低成本开源方案。

展开（官方摘要）：Project Homunculus 是一个低成本、开源的力反馈手部外骨骼（force-feedback hand exoskeleton），用于人形机器人遥操作。硬件与协议参数摘要逐项给出：使用通用市售元件（commodity hardware）、330 Hz 关节感知、1.5 g 微型舵机、基于 ESP32 的 500 kbaud 协议。工作链路：外骨骼把操作者的输入映射到 Unitree G1，并把机器人状态反馈回手部；同时 SONIC 全身控制器（whole-body controller）负责维持机器人平衡与安全。现场有 live demonstration，配合硬件与固件的讲解。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-49-project-homunculus-open-source-force-feedback-glove-for-humanoid-teleoperation/

58. 《Nexus: A New Cross-Platform GPU-Based Rust Multiphysics Simulator》

• 时间：15:10–15:45
• 讲者：Sébastien Crozet
• 机构：Dimforge 创始人
• 核心论点：机器人仿真与训练数据生成可以用 Rust + rust-gpu 做到跨 GPU 平台（含 Web），成为 Newton、Genesis 之外的另一个选项。

展开（官方摘要）：Nexus 是一个跨平台、基于 GPU、用 Rust 编写的多物理仿真器，用途是机器人仿真与训练数据生成（training-data generation）。演讲介绍其设计，并说明 Rust 与 rust-gpu 如何支撑跨 GPU 平台的高性能仿真，包括在 Web 上运行。定位摘要写得明确：作为 Newton、Genesis 等仿真器的替代方案（an alternative）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-13-nexus-a-new-cross-platform-gpu-based-rust-multiphysics-simulator-for-robotics-and-training-dataset-generation/

59. 《From Intelligence to Autonomy: Homeostatic AI Stress-Gated Control》

• 时间：16:00–16:30
• 讲者：Bartłomiej Szejny
• 机构：AI Poland 董事会成员
• 核心论点：具身 agent 要在开放环境中自主，就需要稳态「压力门控」控制；但这套机制本身带来 agent 把自我保存置于人类意图之上的风险，因此生存参数必须外部可编辑。

展开（官方摘要）：问题：具身 agent 需要在开放式环境（open-ended environments）中自主运行，同时保留人类控制，为此需要稳态 AI 的压力门控控制（homeostatic AI stress-gated control）。方案：提出 SGHMC——Stress-Gated Homeostatic Meta-Controller（压力门控稳态元控制器），作用是在长程推理与快速反应之间取得平衡。风险判断是这条摘要最值得注意的部分：该架构凸显了 agent 可能把自我保存（self-preservation）置于人类意图之上的风险，因此摘要强调两项必需的保障：生存性参数必须可由外部编辑（externally editable viability parameters），以及覆写机制（override mechanisms）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-54-from-intelligence-to-autonomy-the-case-for-homeostatic-ai-stress-gated-control-for-embodied-agents-in-open-ended-environments/

60. 《Train It or Code It? Let the Robot Decide》

• 时间：16:30–17:00
• 讲者：Charbel Dandjinou
• 机构：Reflexion Robotics 创始人兼 CTO
• 核心论点：该训练还是该写代码，应由任务本身决定；coding agent 正在从写代码的人变成机器人学习的操作者。

展开（官方摘要）：承接上文——讲者曾在 GOSIM Paris 介绍 Skill Foundry：一个具身学习闭环，让 AI coding agent 能够跨机器人软件、训练、执行与技能库进行操作。行业依据：来自 NVIDIA、CMU 与伯克利的近期进展显示，coding agent 正在演变为机器人学习的操作者（operators of robot learning）。Skill Foundry 的机制：提供一个框架，让适配方法（adaptation methods）依据任务被动态选择；系统依靠具身反馈（embodied feedback）与共享的技能抽象（shared skill abstraction），实现灵活解题与技能复用。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-45-train-it-or-code-it-let-the-robot-decide/

61. 《From Prediction to Consequence: A New Evaluation Paradigm for Embodied AI》

• 时间：17:00–17:30
• 讲者：Alba María Téllez Fernández
• 机构：Marso Robotics，AI 负责人
• 核心论点：离线数据上「预测得准」不等于具身系统可用，必须评估预测造成的真实后果。

展开（官方摘要）：问题：现代 AI 擅长从离线数据预测动作，但具身系统需要评估这些预测如何影响真实世界的结果。方案：提出一个新的评测框架，结合开环（open-loop）与闭环（closed-loop）方法，用以评估「预测—后果」的一致性（prediction-to-consequence alignment）。验证载体两个：自动驾驶，以及 AlpaBridge——一个外部驾驶员接口（external-driver interface），用来演示当动作会影响环境动力学时，策略的表现会有所不同。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-61-from-prediction-to-consequence-a-new-evaluation-paradigm-for-embodied-ai/

DORA-rs Workshop（2F – KAI XUAN 2，上午）

62. 《从代码到机器人：DORA 社区的共建之路与具身智能实践》

• 时间：10:15–10:30
• 讲者：李阳（Yang Li）
• 机构：DORA 社区 技术负责人
• 核心论点：开源协作要能接到真实的具身系统上，社区建设和动手路径缺一不可。

展开（官方摘要）：分享 DORA 社区如何把开源协作与真实的具身智能系统连接起来。覆盖内容摘要逐项列出五块：中文学习资源、高校与黑客松项目（university and hackathon programs）、生态伙伴关系、人形机器人部署（humanoid-robot deployments），以及一条从数据采集到实机部署的动手路径（hands-on path from data collection to physical-robot deployment）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-122-%E4%BB%8E%E4%BB%A3%E7%A0%81%E5%88%B0%E6%9C%BA%E5%99%A8%E4%BA%BA-dora%E7%A4%BE%E5%8C%BA%E7%9A%84%E5%85%B1%E5%BB%BA%E4%B9%8B%E8%B7%AF%E4%B8%8E%E5%85%B7%E8%BA%AB%E6%99%BA%E8%83%BD%E5%AE%9E%E8%B7%B5/

63. 《基于 DORA 的 3D 导航框架：从激光雷达点云到轨迹规划》

• 时间：10:30–10:45
• 讲者：陈秋吉（Qiuji Chen）
• 机构：重庆邮电大学 研究生
• 核心论点：在真实移动机器人上，用 DORA 数据流可以串起一条从原始点云到轮速指令的完整 3D 导航栈。

展开（官方摘要）：演示一条跑在真实移动机器人上的完整 3D 导航栈，从原始激光雷达点云一直到轮子的控制指令。管线构建在 dora 数据流框架之上，环节摘要逐项列出五步：① LiDAR SLAM 建图；② NDT 与 UKF 融合的重定位（NDT and UKF fused relocalization）；③ 栅格地图生成（grid-map generation）；④ A* 全局规划；⑤ Pure Pursuit 轨迹跟踪。结尾给出展望：结合学习方法与经典方法的分层导航（hierarchical navigation）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/dora-qiuji-chen/

64. 《Dataflow-Driven Robotic Navigation: From Perception to Control in the DORA-rs Architecture》

• 时间：10:45–11:00
• 讲者：肖文程（Wencheng Xiao）
• 机构：石家庄铁道大学 博士研究生
• 核心论点：数据流范式用低延迟、可组合的组件打通感知到控制，相对传统中间件有可测量的优势。

展开（官方摘要）：考察 DORA 以数据流驱动（dataflow-driven）的机器人导航方法，机制是用高效、低延迟、可组合的组件（composable components）把感知与控制连起来。内容两部分：① 讨论相对传统中间件的实测优势（measured advantages over traditional middleware）；② 未来工作，摘要点名两项：生态建设与计算卸载（computation offloading）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-176-dataflow-driven-robotic-navigation-from-perception-to-control-in-the-dora-architecture/

65. 《Trust Is Not the Default: From DORA-rs Dataflow Debugging to Trustworthy Tool Design》

• 时间：11:00–11:15
• 讲者：韩可书（Keshu Han）
• 机构：北京具身智能（Beijing Dora Intelligence），具身 AI 开发者
• 核心论点：信任不是默认值——工具必须被设计成可验证的，题目本身即是主张。

展开：官方议题页没有实质摘要，Talk overview 处只有一句复述（「Keshu Han discusses trust in tool design through DORA-rs dataflow debugging.」）。可确定的信息只有：讨论路径是从 DORA-rs 的数据流调试出发，谈可信的工具设计；题目「Trust Is Not the Default」明示立场是信任需要被工具设计显式建立，而非默认存在。另注：该议题的 URL slug 为 p-118-dora-studio-a-gsoc-project-share-tentative，暗示内容可能与 DORA Studio 这个 GSoC 项目相关，但官方正文未确认，此处不作为结论。搜索讲者姓名+题目关键词未找到其他同主题公开材料。

• 来源：无实质摘要，且无可用的同主题材料（接近「无资料」）
• URL：https://shenzhen2026.gosim.org/schedule/p-118-dora-studio-a-gsoc-project-share-tentative/

66. 《DORA-rs 架构下机器人遥操作数据采集与多模态闭环控制关键技术》

• 时间：11:15–11:30
• 讲者：孙宇杰（Yujie Sun）
• 机构：道锐智能科技（北京）有限公司 研发工程师
• 核心论点：遥操作要能服务模仿学习，数据链路必须同时解决同步、延迟、安全与可复现回放。

展开（官方摘要）：讲 DORA 架构下的机器人遥操作数据采集与多模态闭环控制。覆盖的技术点摘要逐项列出七项：传感器集成、时间同步（time synchronization）、低延迟数据流、动作映射（action mapping）、实时反馈、安全监控（safety monitoring）、可复现的记录与回放（reproducible logging and replay）。面向的三类用途：模仿学习（imitation learning）、远程操作（remote manipulation）、具身 AI 研究。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-168-key-technologies-of-robotic-teleoperation-data-collection-and-multimodal-closed-loop-control-under-the-dora-architecture/

67. 《面向机器人端—边—云协同的高速异构数据传输框架》

• 时间：11:30–11:45
• 讲者：唐灿然（Canran Tang）
• 机构：中国科学技术大学 研究生
• 核心论点：机器人推理的数据要跨 CPU 内存、GPU 内存、本地互联与网络四类介质流动，需要一个统一的传输框架。

展开（官方摘要）：提出一个统一的数据传输框架，跨越 CPU 内存、GPU 内存、本地互联（local interconnects）与网络链路，服务于机器人推理。实现基于 DORA 的 tensor-pool，技术点摘要逐项列出四项：持久内存池（persistent memory pools）、拓扑感知的路径选择（topology-aware path selection）、可复用的接收视图（reusable receiver views）、资源生命周期管理（resource-lifetime management）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-121-high-performance-heterogeneous-data-transfer-framework-for-end-edge-cloud-robot-inference/

68. 《Lessons from Building an AI-Assisted DORA-rs Tutorial》

• 时间：11:45–12:00
• 讲者：谭启阳（Qiyang Tan）
• 机构：Dora，开发者
• 核心论点：分享做 AI 辅助教程过程中的经验教训（官方未展开具体内容）。

展开：官方议题页没有实质摘要，Talk overview 处只有一句复述（「Qiyang Tan shares lessons from building an AI-assisted DORA-rs tutorial.」）。搜索讲者姓名+题目关键词未找到可用的同主题公开材料，因此无法展开其具体论点。

• 来源：无资料（官方仅一句复述，且无同主题材料）
• URL：https://shenzhen2026.gosim.org/schedule/p-188-robotic-learning-with-ai/

69. 《从智能体编程走向机器人自动科研》

• 时间：12:00–12:15
• 讲者：魏永成（Yongcheng Wei）
• 机构：重庆邮电大学 博士研究生
• 核心论点：coding agent 从软件环境走进真实机器人后，「跑通一次」和「形成稳定能力」之间存在一道必须补上的鸿沟。

展开（官方摘要）：问题：当 coding agent 从软件环境进入真实机器人，自动科研（autonomous research）需要什么条件。实验载体摘要点名四项：ENPIRE、RealPushT、RM65 机械臂、Dora 数据流。探讨的具体条件四项：场景复位（scene reset）、可靠的观测（reliable observation）、结果验证（outcome verification）、可复现的记录（reproducible records）。核心判断用摘要原话是：要弄清「一次成功的运行」与「一项稳定的机器人能力」之间的差距（the gap between a successful run and a stable robotic capability）。

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/p-151-%E4%BB%8E%E6%99%BA%E8%83%BD%E4%BD%93%E7%BC%96%E7%A8%8B%E8%B5%B0%E5%90%91%E6%9C%BA%E5%99%A8%E4%BA%BA%E8%87%AA%E5%8A%A8%E7%A7%91%E7%A0%94/

CANN Workshop（3F – HAI LIAO，上午）

本 track 的 5 场，官方议题页全部标注「Abstract to be announced」，无任何官方摘要。以下展开均为推断，依据是讲者所属项目/公司在同一主题上的近期公开材料，已逐条标明出处。

70. 《Opening Remarks（开场致辞）》

• 时间：10:15–10:20
• 讲者：邵立新（Lixin Shao）
• 机构：华为 CANN 业务总经理
• 核心论点：CANN Workshop 开场致辞，官方无内容。

展开：官方页面仅写「Opening remarks for the CANN Workshop by Lixin Shao.」。同一讲者当天 09:40 的 keynote 主题为 CANN 开源与人才培养，开场致辞内容大概率同向（见本文件第 3 条的推断展开）。

• 来源：无摘要（开场环节）
• URL：https://shenzhen2026.gosim.org/schedule/cann-opening-remarks/

71. 《DeepSeek 官方开源的昇腾基础组件：共建高效、开发者友好的 AI 芯片软件生态》

• 时间：10:20–10:45
• 讲者：邹南（Nan Zou）
• 机构：CANN 架构师
• 核心论点（推断）：DeepSeek 为昇腾开源了与其英伟达版一一对应的整套基础组件，使国产芯片第一次拥有与 CUDA 同构的上层软件栈。

展开（推断，来源见下）：2026 年 9 月 30 日，DeepSeek 正式开源面向华为昇腾算力平台的基础设施组件，覆盖TileLang 高级语言编译工具、计算库、分布式通信库三类，官方说明是所有组件与此前面向英伟达平台的开源组件一一对应。组件清单与分工逐条为：DeepGEMM（矩阵运算加速）、DeepEP（支撑大规模跨设备高速通信）、TileKernels（处理向量计算与内存访问）、FlashMLA（优化长上下文效率的稀疏注意力算子）、DeepSelect（高效数据筛选）。性能主张：多项测试显示这批组件的计算、通信性能均接近硬件理论上限。协同细节：适配研发过程由华为团队全力支持，双方完成昇腾 950 的 128 卡超节点方案落地，并针对计算与通信链路做深度调优。开源地址：github.com/deepseek-ai/DeepGEMM-Ascend、DeepEP-Ascend、TileKernels、FlashMLA、DeepSelect。以上为推断内容，非讲者本人在会上的表述。

• 来源：推断（官方无摘要）
• URL：https://shenzhen2026.gosim.org/schedule/cann-deepseek-ascend/ ；推断材料 https://news.mydrivers.com/1/1154/1154869.htm 、https://www.infoq.cn/article/t5i2Yv2z0LwIbK36lteR

72. 《Inside DeepEP / DeepGEMM：加速大模型的 MoE 通信与矩阵计算》

• 时间：10:45–11:10
• 讲者：陈建军（Jianjun Chen）
• 机构：ops-transformer Committer
• 核心论点（推断）：MoE 大模型的两大瓶颈是跨设备通信与矩阵计算，DeepEP 与 DeepGEMM 分别对应解决，且昇腾版性能接近硬件上限。

展开（推断，来源见下）：在 DeepSeek 2026-09-30 开源的昇腾组件集合中，DeepEP 负责支撑大规模跨设备高速通信（对应 MoE 的专家并行通信需求），DeepGEMM 负责矩阵运算加速。二者都是其英伟达平台同名组件的昇腾对应版本，仓库分别为 github.com/deepseek-ai/DeepEP-Ascend 与 github.com/deepseek-ai/DeepGEMM-Ascend。官方对这批组件的整体性能表述是「计算、通信性能均接近硬件理论上限」。讲者身份为 ops-transformer Committer，说明讲解视角偏向算子/实现层。以上为推断内容。

• 来源：推断（官方无摘要）
• URL：https://shenzhen2026.gosim.org/schedule/cann-deepep-deepgemm/ ；推断材料 https://news.mydrivers.com/1/1154/1154869.htm

73. 《Inside TileLang / TileKernels：TileLang 原生支持昇腾 950 背后的技术》

• 时间：11:10–11:35
• 讲者：张宇辰（Yuchen Zhang）
• 机构：TileLang-Ascend 社区协作者
• 核心论点（推断）：TileLang 比 CUDA 更易写，又能把芯片特性发挥到硬件性能上限；昇腾版封装 Ascend-C 底层指令，做到「有高级语言的开发效率，不损硬件性能」。

展开（推断，来源见下）：官方说明给出三层论点：① 相对英伟达 CUDA，TileLang 编程更简单，能显著提高开发效率、简化代码逻辑；② 相对其他同类高级语言，TileLang 的编程模型可以充分发挥芯片特性，达到硬件的性能上限；③ 这套方案已在英伟达平台完成落地验证——DeepSeek V4 系列模型训练的绝大多数算子均基于 TileLang 实现，并被称为其研发高性能算子、探索 AGI 新范式的核心工具。昇腾版的具体做法是对昇腾 Ascend-C 底层指令做封装，在提供高级语言开发能力的同时不损耗硬件性能，官方称这契合 TileLang 最初的设计目标；目前 DeepSeek 训练所用的全部 TileLang 算子均已在昇腾平台完成高性能适配。战略表述：希望为国内多款 AI 芯片搭建高可用软件生态提供参考示范。TileKernels 在同一批组件中承担向量计算与内存访问。仓库：github.com/tile-ai/tilelang、github.com/deepseek-ai/TileKernels。以上为推断内容。

• 来源：推断（官方无摘要）
• URL：https://shenzhen2026.gosim.org/schedule/cann-tilelang-tilekernels/ ；推断材料 https://news.mydrivers.com/1/1154/1154869.htm

74. 《CANNBot-DSL：面向智能体友好的高性能复杂算子开发范式》

• 时间：11:35–12:00
• 讲者：熊志强（Zhiqiang Xiong）
• 机构：ops-transformer Committer
• 核心论点（推断）：把算子开发拆成标准化工作流交给 agent，单算子开发效率可提升 5 倍以上。

展开（推断，来源见下）：CANN 为优化开发体验做了两项「减法」：① 组件化的架构设计，让开发者可针对特定模块自主深度调优，不必被动等待一体化发布节奏；② CANNBot 智能体把算子生成拆解为标准化工作流，用 Agent 能力让单算子开发效率提升 5 倍以上。具体效果描述：借助 CANNBot 完成一个 Ascend C 算子，从环境搭建到跑通仅需数小时。这正是题目中「agent-friendly paradigm」的所指——让算子开发这件事变成 agent 可执行的标准流程。以上为推断内容，题目中的 CANNBot-DSL 这一具体语言/接口未见于公开材料。

• 来源：推断（官方无摘要）
• URL：https://shenzhen2026.gosim.org/schedule/cann-agent-friendly-cannbot/ ；推断材料 https://tech.ifeng.com/c/8wPUWA5yvfX

openGauss 数据库与生态论坛（3F – HAI LIAO，下午）

本 track 的 6 场，官方议题页全部标注「Abstract to be announced」。已用「讲者姓名 + 题目关键词」检索，未找到任何可对应的同主题公开材料，因此这 6 条均标注无资料，只保留可核实的时间、讲者、机构、题目，不做任何内容推断。

75. 《AI 时代数据库生态的技术创新与实践》

• 时间：14:00–14:35 ｜ 讲者：周正中（Zhengzhong Zhou）｜ 机构：数据库开源产业联盟 理事
• 核心论点：无资料。题目指向 AI 时代数据库生态的技术创新与实践，官方未给摘要。
• 来源：无资料
• URL：https://shenzhen2026.gosim.org/schedule/opengauss-database-ecosystem/

76. 《开源多主数据库的突破》

• 时间：14:35–15:10 ｜ 讲者：熊小军（Xiaojun Xiong）｜ 机构：openGauss 系统架构师
• 核心论点：无资料。题目指向开源多主（multi-master）数据库的技术突破，官方未给摘要。
• 来源：无资料
• URL：https://shenzhen2026.gosim.org/schedule/opengauss-multi-master/

77. 《从向量数据库到 AI 应用的数据底座》

• 时间：15:10–15:45 ｜ 讲者：王小宇（Xiaoyu Wang）｜ 机构：中国移动磐维数据库 架构师
• 核心论点：无资料。题目指向从向量数据库演进为 AI 应用数据底座，官方未给摘要。
• 来源：无资料
• URL：https://shenzhen2026.gosim.org/schedule/opengauss-vector-database/

78. 《Vastbase：智能驱动效率的 AI 数据底座》

• 时间：16:00–16:30 ｜ 讲者：欧阳利辉（Lihui Ouyang）｜ 机构：华南区生态总监
• 核心论点：无资料。题目指向 Vastbase 作为 AI 数据底座，官方未给摘要。
• 来源：无资料
• URL：https://shenzhen2026.gosim.org/schedule/opengauss-vastbase/

79. 《IntarkDB：端侧智能的底层数据基础设施》

• 时间：16:30–17:00 ｜ 讲者：吕征（Zheng Lv）｜ 机构：粤港澳大湾区国家技术创新中心 嵌入式数据库产品部 CTO
• 核心论点：无资料。题目指向 IntarkDB 作为端侧智能的底层数据基础设施，官方未给摘要。
• 来源：无资料
• URL：https://shenzhen2026.gosim.org/schedule/opengauss-intarkdb/

80. 《圆桌：openGauss 7.0.0 LTS 技术亮点与数据库生态协同发展新趋势》

• 时间：17:00–17:30
• 讲者：周正中、熊小军、王小宇、欧阳利辉、吕征（即本论坛前五位讲者全体）
• 核心论点：无资料。官方 Talk overview 处只重复了标题。圆桌议题为 openGauss 7.0.0 LTS 的技术亮点，以及数据库生态协同发展的新趋势。
• 来源：无资料
• URL：https://shenzhen2026.gosim.org/schedule/opengauss-roundtable/

Agentic AI Infrastructure Forum（2F – KAI XUAN 2，下午）

本 track 的 6 场，官方议题页全部标注「Abstract to be announced」。前 4 条按讲者所属项目的公开材料做了推断，后 2 条未找到同主题材料，标注无资料。

81. 《Running Millions of Agents at Tencent: CubeSandbox as the Hands Behind the Harness Brain》

• 时间：14:00–14:35
• 讲者：周立坤（Feynman Zhou）
• 机构：CNCF Ambassador；腾讯云高级产品经理
• 核心论点（推断）：大规模跑 agent 需要「手」——一个既有硬件级隔离、又能在 60 毫秒内冷启动的沙箱，而容器的共享内核做不到这件事。

展开（推断，来源见下）：问题定义：当 AI agent 能动态编写、编译并运行代码，如何安全地运行这些代码就成了核心安全问题——agent 跑了恶意脚本或出错，可能访问宿主机文件或搞垮整台服务器，而标准容器共享内核，未必能防住逃逸。方案：腾讯云 CubeSandbox，用 Rust 编写，2026 年 4 月 21 日以 Apache 2.0 全面开源，定位是完整的 sandbox-as-a-service 技术栈，而不只是一个 SDK。四项关键特性逐条为：① 硬件级隔离——基于 KVM + RustVMM，每个沙箱有自己独立的 Guest OS 内核（而非 Docker 式共享内核）；评测文章指出它有自己基于 RustVMM 的 hypervisor，而不是包一层 Firecracker；② 冷启动低于 60 毫秒（厂商数据：均值 67ms，50 并发下 P95 为 90ms），对需要即时执行代码的实时 agent 是关键；③ 高密度——每个沙箱实例内存开销低于 5MB，单台物理机可跑数千个完全隔离的并发沙箱；④ 可直接替换 E2B——API 完全兼容 E2B SDK，改一个环境变量即可迁移到自托管。部署方式：支持单机验证，仓库含 Terraform 脚本做集群部署。待发布特性：快照与状态回滚（snapshot and state-rollback）将在完全完成后开源。采用情况：有报道称 MiniMax 已用它运行数十万并发沙箱。需提示：60ms 冷启等为厂商数据，一篇评测指出其在腾讯自有裸金属测试台之外的表现仍待验证；「业界唯一开源 Agent 沙箱」属营销表述。以上为推断内容，非讲者在会上的表述。

• 来源：推断（官方无摘要）
• URL：https://shenzhen2026.gosim.org/schedule/ascend-cubesandbox/ ；推断材料 https://dev.to/terminalchai/cubesandbox-tencent-cloud-open-sources-an-ultra-fast-secure-sandbox-for-ai-agents-h1c 、https://www.bolsamania.com/nota-de-prensa_amp/mercados/tencent-cloud-cube-sandbox-goes-fully-open-source-with-five-major-breakthroughs-enabling-large-scale-agent-deployment--22341713.html

82. 《vLLM and Ascend：插件化架构与 MoE 专家负载均衡实践》

• 时间：14:35–15:10
• 讲者：Frey Tian
• 机构：华为昇腾计算 推理技术专家
• 核心论点（推断）：昇腾以插件方式接入 vLLM，而 MoE 的核心工程问题是专家负载在 NPU 间不均——解法是复制热点专家并做拓扑感知的放置。

展开（推断，来源见下）：架构：vllm-ascend 以插件形式接入 vLLM 上游，EPLB 模块位于 vllm_ascend/eplb 目录，分成两部分：adaptor 包（含 vllm_adaptor.py）与 core/policy 包（含 policy_abstract.py、policy_default_eplb.py 等策略类）。要解决的问题：在专家并行（Expert Parallelism）下，各 NPU 之间的专家负载不均。机制：① 复制负载高的专家（replicate heavily loaded experts），再把这些副本打包放置到各设备；② 额外目标是把同一路由组（routing group）的专家放在同一个节点上，以削减跨节点流量。职责边界：策略代码依据估计的专家负载计算复制与放置方案；负载预测本身不在该仓库内，文档提到常见做法是对历史统计做滑动平均。扩展方式：新增均衡算法需在 policy_factory.py 的 PolicyFactory 中注册策略类型与类；接入新 MoE 模型则需在 adaptor 初始化中设置稠密层数、全局专家数、MoE 层数等模型相关参数，并通过 model_register 注册，参考案例是 Qwen3-MoE。工程建议：用装饰器做非侵入式 patch、保持抽象类接口稳定、以 Qwen3-MoE 作基准测试。以上为推断内容，依据官方文档而非讲者表述。

• 来源：推断（官方无摘要）
• URL：https://shenzhen2026.gosim.org/schedule/ascend-vllm-moe/ ；推断材料 https://docs.vllm.ai/projects/ascend/en/main/developer_guide/Design_Documents/eplb_swift_balancer.html

83. 《From Rollout to Weight Synchronization: Mooncake 如何支撑高性能 RL 与推理》

• 时间：15:10–15:45
• 讲者：马腾（Teng Ma）
• 机构：Mooncake 社区 Maintainer
• 核心论点（推断）：RL 训练的瓶颈之一是把新权重同步到推理侧，Mooncake 用张量原生、零拷贝的存储层把这件事做快。

展开（推断，来源见下）：Mooncake Store 通过在内部保存权重，为 RL 与 checkpoint 场景提供快速的权重更新能力，并提供张量原生（tensor-native）与零拷贝（zero-copy）API；Mooncake 已加入 PyTorch 生态。在更大的链路中，Checkpoint Engine 是面向 LLM 推理引擎的轻量中间件，做原地权重更新（in-place model weight updates），提供广播与 P2P 两种更新策略，而 Mooncake TE 可作为其可插拔的传输后端；有论文（arXiv 2604.00368）在 8×H800 上以 Checkpoint Engine v0.2.0 + Mooncake TE 为基线做过 Qwen3-235B 与 GLM-4.5-Air 的权重更新耗时对比。题目中的「Rollout → Weight Synchronization」正对应 RL 后训练的这条链路：采样产生轨迹后，需要把更新后的权重快速同步回推理副本。以上为推断内容，依据第三方文档与论文，非讲者表述。

• 来源：推断（官方无摘要）
• URL：https://shenzhen2026.gosim.org/schedule/ascend-mooncake-rl/ ；推断材料 https://pytorch.org/blog/mooncake-joins-pytorch/ 、https://arxiv.org/pdf/2604.00368

84. 《Triton For Ascend：简化高性能算子开发》

• 时间：16:00–16:30
• 讲者：傅兵阳（Fu Bingyang）
• 机构：华为，Triton 算子技术专家
• 核心论点（推断）：让开发者在熟悉的 Triton 工具链里写昇腾高性能算子，把迁移成本压到最低。

展开（推断，来源见下）：昇腾在生态融入上的明确策略是「不让开发者被动适应昇腾，而让昇腾主动适应开发者习惯」，Triton Ascend 是该策略的标志性成果——它成为 Triton 官方社区首个支持的国产加速后端。同一批成果还包括 TorchNPU 上线 PyTorch 官网（首个获官方支持的中国芯片硬件，也是首个拥有官方分支仓下载支持的加速后端）。昇腾整体已适配 PyTorch、vLLM、SGLang、Megatron、Triton、TileLang 等 90 余个主流开源项目。题目中的「简化高性能算子开发」即指开发者可沿用 Triton 的编程模型产出昇腾上的高性能算子。以上为推断内容。

• 来源：推断（官方无摘要）
• URL：https://shenzhen2026.gosim.org/schedule/ascend-triton/ ；推断材料 https://tech.ifeng.com/c/8wPUWA5yvfX

85. 《AscendNPU IR：构建高效易用的昇腾多样性算子体系，赋能开发者灵活创新》

• 时间：16:30–17:00
• 讲者：吴灵飞（Wu Lingfei）
• 机构：华为编译器实验室，AscendNPU IR 技术专家
• 核心论点：无资料。仅能从题目判断其主张是：用统一的 NPU 中间表示（IR）承载多样化算子，让算子体系既高效又易用，从而支撑开发者灵活创新。
• 说明：官方无摘要；以「AscendNPU IR」+ 讲者姓名检索未找到可用的同主题公开材料，因此不做内容推断。
• 来源：无资料
• URL：https://shenzhen2026.gosim.org/schedule/ascend-npu-ir/

86. 《KunPeng SuperPoD —— 面向 Agentic AI 的新型算力基础设施》

• 时间：17:00–17:30
• 讲者：王亚军（Wang Yajun）
• 机构：鲲鹏 AI Agent 技术专家
• 核心论点：无资料。仅能从题目判断其主张是：鲲鹏超节点（SuperPoD）构成面向 agentic AI 的新型算力基础设施。
• 说明：官方无摘要；以「KunPeng SuperPoD」+ 讲者姓名检索未找到可用的同主题公开材料，因此不做内容推断。
• 来源：无资料
• URL：https://shenzhen2026.gosim.org/schedule/ascend-kunpeng-superpod/

Spotlight Shenzhen 2026：Next-Gen AI-Native Products（3F – ADEN 1）

87. 《Spotlight Day 1 Roadshow（第一天路演）》

• 时间：12:30–13:30
• 讲者：8 个入选项目（官方未列出各项目讲者姓名）
• 核心论点：Day 1 路演，集中展示 8 个下一代 AI 原生产品项目。

展开（官方摘要）：Spotlight Shenzhen 2026 路演第一天。前 5 分钟介绍 Spotlight 本身，随后是 8 个项目的演示，全部时间为中国标准时间（UTC+8）。官方给出的分钟级安排如下：

官方未给出各项目的介绍文字，因此无法写出各项目的核心论点。（注：PhyAgentOS 另有一场完整演讲，在周六 Open Source Robotics track，题为《PhyAgentOS: Recursively Self-Evolving Physical Agent Operating System》，讲者 Tao Pu。）

• 来源：仅摘要
• URL：https://shenzhen2026.gosim.org/schedule/spotlight-day-1-roadshow/

附：按来源类型的统计

注：第 1 条同时有官方摘要与推断补充，第 2、3、35 条为「无/弱官方摘要 + 推断」，统计时按主要来源归类，故各列之和与 87 不完全相等。

原始数据文件：

• 结构化日程（全部 536 条，含周六与休息时段）：/private/tmp/claude-501/-Users-zuiho/0f14f953-e829-44d0-8e08-f336464e096b/scratchpad/sessions.json
• 周五 87 项含官方摘要原文（英文）：/private/tmp/claude-501/-Users-zuiho/0f14f953-e829-44d0-8e08-f336464e096b/scratchpad/fri.json 与 /private/tmp/claude-501/-Users-zuiho/0f14f953-e829-44d0-8e08-f336464e096b/scratchpad/fri.txt

GOSIM Shenzhen 2026 · 周六（10 月 17 日，Day 2）议题详解

导读

会期与地点。 GOSIM Shenzhen 2026 于 2026-10-16（周五）至 10-17（周六）在深圳南山伊敦酒店举办。本文只写周六。议程以官网为准：https://shenzhen2026.gosim.org/schedule/ 。本文中每个议题的官方链接，都是 https://shenzhen2026.gosim.org 加该条给出的路径。

资料限制。 大会昨天才结束。截至 2026-10-18，没有找到任何会后报道、录像或讲者幻灯片。搜到的 CSDN、腾讯新闻、知乎文章都是会前预告。因此，本文内容只有两个来源：

• 仅摘要：内容全部来自官网议题页的「Talk overview」。原文多为英文，本文完整译述，不压缩，也不补充摘要里没有的内容。讲者现场实际讲了什么，可能和摘要不同。
• 推断：官方摘要很薄或尚未公布时，我用讲者姓名加题目关键词，去搜讲者近期的同主题演讲、论文、项目文档或采访，打开原文读过后，再展开写。这部分是讲者在别的场合的观点，不等于本场内容。每条都附了 URL。
• 无资料：官方摘要只有一句，同主题材料也搜不到。

数量。 官网周六共 84 条议程，不含午餐、茶歇、签到。其中实质议题 78 条，另有 6 条是流程项（致辞、AMA、路演、颁奖、闭幕）。另有一场「Rust Instructor Training & Workshop」（2F HAI HAN），仅限受邀，时间待定，官网写明不公开内容，未计入。

题目与链接不一致。 有几条议题的官网链接名和题目对不上，例如 OctoLoop 的链接名是 hafleet，朱少民的链接名是 agentos。官网似乎改过题目但没改链接。本文以页面上显示的题目和摘要为准。

一、Keynote Plenary（主会场 3F ADEN）

1. Omarchy: Beautiful, Fun & Agentic Linux

• 时间：09:10–09:25
• 讲者：David Heinemeier Hansson（DHH），Ruby on Rails 和 Omarchy 的作者
• 一句话：智能体时代需要 AI 原生的操作系统。Omarchy 让用户用 AI 辅助编程，自己塑造和定制机器。
• 展开（官方摘要）：
  • 他要解决的问题：智能体时代需要一个 AI 原生的操作系统。
  • 他的方案：Omarchy，一个「好看、好玩、可由智能体驱动」的 Linux 环境。
  • 设计目标：用户通过 AI 辅助编程来塑造和定制自己的机器。
• 推断（讲者在 Lex Fridman 播客 #501，2026-08-26 的同主题发言，读过逐字稿前约三分之一）：
  • 转折点：他把自己对 AI 编程的转变定在 2025-11-24 Opus 4.5 发布。26 日试用后，他称那是「分水岭」。一年前他还不喜欢补全和聊天模式，说 Tobi Lütke「已经登上火箭」，而他「还在地面」。
  • Omarchy 的代码由智能体写：Omarchy 的 Quattro 版本由智能体构建，交付的代码他一行都没手写。他审查整体结构和关键的模型层代码，UI 和辅助代码基本不看。
  • 规模：约三个月里，他合并了 1000 多个由智能体辅助完成的 PR。现在他让智能体预筛外部 PR，自己只看最好的那些。
  • 他工作方式的四个阶段：
    1. 前智能体期：AI 只当助手，代码他自己写。
    2. 早期智能体期（2025 年末到 2026 年初）：智能体按他的指令干活，他负责引导和审查。
    3. 子智能体期（2026 年春）：任务拆给多个并行的智能体。
    4. 现在（2026 年夏）：他只描述问题，由智能体选路径。他说自己在「选路线」这一环已经「变得可有可无」。
  • 例子：他用自己做的 C++/Qt 写作软件 Omawrite 替换了 Typora，而且没读过它的 C++ 代码。
  • 人还要做什么：定愿景、出想法、把握品味（他认为这些才是组织真正的瓶颈），做产品管理（做什么、给谁、什么优先），最后决定合并和方向。
  • 局限（Basecamp）：Basecamp 5 是 37signals 第一个用智能体加速的产品。设计师大量 vibe coding，提了很多 PR，合起来破坏了架构，团队 2 月份只好手工清理。他说 Basecamp 和 Hey 这类 Web 应用「出乎意料地难」完全加速；团队里的主要瓶颈是人的沟通协调，而不是实现。
  • Omarchy 的目标：一个「美观、现代、有主见」的 Linux 系统，作为 macOS 和 Windows 的替代。它可以通过 AI 定制：插件系统提供智能体可读的 skill，让用户自己做扩展，他说三天内出现了 330 个插件。他的野心是让它拥有「你梦想过的所有操作系统功能」，还说要把 Omarchy 带到「火星」。
• 来源：推断。官方 /schedule/p-123-omarchy-beautiful-fun-agentic-linux/；逐字稿 https://lexfridman.com/dhh-2-transcript/ 。二手报道 https://runtimewire.com/article/omarchy-quattro-dhh-ai-coding-convert 已打开核对，它说法一致但细节少，本文以逐字稿为准。

2. 从开源软件到开源智能：硅基时间正在重写开发者世界

• 时间：09:25–09:40
• 讲者：蒋涛，CSDN 创始人、董事长
• 一句话：AI 正把开源从「软件协作」推向「智能协作」，开发者和机器的边界正在被重画。
• 展开（官方摘要）：
  • AI 正在把开源从软件协作推向智能协作。
  • 演讲探讨三件事（代码生成、智能体、自主执行）如何重新定义以下三方面：
    1. 软件怎么被创造；
    2. 社区怎么协作；
    3. 开发者与机器的边界在哪里。
  • 这个转变会带来哪些新机会。
• 推断（讲者 2025-10-24 在长沙 1024 程序员日开幕式的致辞；报道是活动综述，不是讲稿全文）：
  • 开发者规模：全球开发者超过 1.5 亿；中国超过 1200 万，活跃开发者约 400 万，规模居全球第二。
  • 贡献占比：在大模型开发生态中，美国贡献占 37.41%，中国占 18.72%。到 AI Agent 领域，两国分别是 24.6% 和 21.5%，差距明显缩小。他据此认为，中国开发者在 Agent 层投入更多。
  • 核心判断：「AI + 开源」会构建开发者新生态；「码盲」问题会消失，构建者大量涌现的时代已经到来。
  • 例子与口号：CSDN 联合打造「人工智能 6S 店」，帮软硬件开发者借助 AI 做东西；口号是「人人皆创客，万物可 AI」。
  • 那篇报道里没有出现「硅基时间」这个说法。
• 来源：推断。官方 /schedule/p-124-从开源软件到开源智能-硅基时间正在重写开发者世界/；https://m.tech.china.com/articles/20251026/202510261753669.html 。上次引用的澎湃专访 https://m.thepaper.cn/detail/28851339 这次打开被防火墙拦截，未能核对，已不再引用。

3. Multimodel Intension Model（多模态意图模型）

• 时间：09:40–09:55
• 讲者：郁振波，NOVA CORE CEO
• 一句话：单一模态读不出用户隐含的情感意图；要把表情、语音、语言、姿态、生理信号融合到同一个意图空间，并在端侧部署，用于陪伴机器人。
• 展开（官方摘要）：
  • 问题：传统意图识别通常只靠一种模态（语音或文本），难以捕捉用户隐含的情感意图和社交意图。
  • 方案：NOVA 提出 MMIM（Multimodal Intention Model），面向端侧部署。
  • 输入的五类信号：面部表情、声音、语言、姿态、生理信号，统一映射到一个「意图空间」。
  • 三项技术：
    1. 跨模态对齐；
    2. 时序融合；
    3. 上下文感知推理。 这三项合起来，用来同时推断显式请求和隐含的情感意图。
  • 目标：支持有同理心、个性化、可信的人机交互。
  • 场景：养老、儿童陪伴、心理健康支持。
  • 结果（摘要自述）：相比单模态基线和传统多模态基线，MMIM 提高了意图识别准确率，在缺失模态时更鲁棒，用户感受到的自然度也更高。
  • 定位：迈向情感更智能的陪伴机器人的一步。
• 来源：仅摘要。/schedule/p-203-multimodel-intension-model/

二、Agentic AI Summit（3F ADEN 1）

4. Mapping the Open Agentic AI Landscape: From Open Models to Cross-Foundation Architectures

• 时间：10:15–10:40
• 讲者：Vincent Caldeira，Red Hat 亚太区 CTO
• 一句话：要保住技术主权，需要透明的开放权重模型和开放的供应链，还要靠多个基金会的生态拼在一起。
• 展开（官方摘要）：
  • 梳理开放智能体 AI 的全景。
  • 主张：需要透明的开放权重模型，以及开放的供应链，以保证技术主权。
  • 生态分工：
    • PyTorch Foundation；
    • CNCF；
    • AAIF（Agentic AI Foundation）。 三者分别覆盖算力、编排和协议标准，合起来支撑安全、可扩展的智能体系统。
• 来源：仅摘要。/schedule/p-84-mapping-the-open-agentic-ai-landscape-from-open-models-to-cross-foundation-architectures/

5. Next-Generation System Interoperability: AI Agents as the Universal Integration Layer

• 时间：10:40–11:05
• 讲者：Katarzyna Starosławska，AI、数据与 HPC 专家（LUMI AI Factory / GAIA AI Factory / CYFRONET AGH / 欧盟委员会）
• 一句话：API 和 ESB 跟不上动态、自主的系统；应当让 AI 智能体充当通用集成层。
• 展开（官方摘要）：
  • 问题：API、ESB（企业服务总线）这类传统互操作方式，难以应对今天动态、自主的系统。
  • 主张：「智能体中介的互操作」，由 AI 智能体动态完成三件事：
    1. 发现系统；
    2. 翻译交互；
    3. 编排系统间的交互。
  • 结论：这是一种灵活、通用的集成方案。
• 来源：仅摘要。/schedule/p-30-next-generation-system-interoperability-ai-agents-as-the-universal-integration-layer/

6. Fireside Chat（炉边对话）

• 时间：11:05–12:00
• 讲者：DHH（Ruby on Rails 和 Omarchy 作者）× 任旭东 Bill Ren（华为首席开源联络官、CNCF 董事）
• 一句话：官网没有提纲。从两人近期言论推断，话题可能围绕「智能体时代开源和软件开发怎么变」。
• 展开（官方摘要）：只有一句「DHH 与 Bill Ren 的炉边对话」。
• 推断 A：任旭东，2026-05-05 GOSIM 巴黎主题演讲《黑灯社区——人工智能时代开源范式转变的思考》（已打开核对）：
  • 核心问题：AI 是工具升级（「跑得更快的马」），还是时代跃迁？他的判断是后者，「碳时间」正被「硅时间」取代。原话：「我们并非在加速旧时代的进程，而是在步入一个新时代。」
  • 引用 Karpathy 的 Software 3.0：1.0 是人写命令式代码；2.0 是人管理数据集、网络学权重；3.0 是 LLM 当解释器，语境变成记忆，提示词变成编程语言。思考可以外包，理解不能外包；判断力、品味、道德仍是人的核心价值。
  • 变革的四个维度：
    1. 领导力反转：人从「参与决策」变为位于决策循环之上，转向意图层和仲裁层，从「指挥人」变成「协调智能体」。
    2. 流程从口头叙述变成基准事实：决策变成可机读、可复现的账本。智能体日志记录意图、推理、约束和结果；一次代码提交同时是状态报告、审计记录和任务交接。没有明确的流程，就没有可信的并行协作。
    3. 生产力衡量从人头数变为并行度：做 IDE 的传统公司要数千名工程师；Cursor 只有数十名工程师，估值 500 亿美元；Claude Code 核心团队十余人，对应 3800 亿美元。个人能调动的算力决定能力上限。
    4. 「黑灯社区」：类比全自动、无人值守的「黑灯工厂」。2026 年 4 月是开源 AI 史上最活跃的月份，DeepSeek-V4、Qwen 3.6-Plus、Gemma 4、GLM-5.1、Llama 一个月内多次迭代，发布频率从每月一次变成每日一次。新项目形态是「1 到 3 名核心成员加 N 个智能体」，去中心化、没有项目经理，只保留意图收集和决策仲裁；增长按天计；软件趋向一次性使用。源代码过去写给人读，现在越来越多写给模型解析和执行。
  • 支付粒度的「100 倍法则」：支付最小粒度每细 10 倍，市场约扩大 100 倍。依据有三档：1950 年信用卡，最低约 3 美元；1999 年互联网支付，约 3 美分；2025 年起 token 微计量，约每笔二十万分之一美分，由此催生 Agent 经济。
  • 杰文斯悖论：单位 token 成本下降，总支出反而激增。开发者编程套餐约 150 美元/月，高于宽带（约 15 美元）和流媒体（3 到 5 美元）。
  • 开源价值的「剪刀差」：依赖升级、格式修正、FAQ、重复维护、模板代码、翻译转录的价值趋近于零；架构定义、价值对齐、安全审计、跨领域创新、伦理决策的价值无限攀升。开源没有消亡，而是被重新定价。未来能存活的维护者，是社区最信任其判断力的人，不是打字最多的人。
  • Token 是计量单位，不是货币：类比 1880 年代千瓦时的发明。
  • 定价基准的三次迁移：2024–2026 年是芯片；2027–2029 年是能源；2030 年后是人才（品味、判断、设计、道德）。
  • 华为实践：
    • 加入 20 多家国际基金会，推动 MCP、agents.md 等通用协议；主张 Agent 时代需要不属于单一公司或国家的全球数字宪章。
    • openJiuwen 定位为 AgentOS。三条设计理念：Skill as New Library、Agent as New Service、CLI as New POSIX。三层架构：System Service、Distributed Runtime、Framework。
    • 三个生产部署：华为云 OfficeClaw、邮储银行 PSBC-Claw、中国科大「灵境造物」。
  • 组织层面：流程成了「增长税」，今天最优的流程要缩短收敛时间，而不只是减少错误；过去半年多家知名公司的 CTO 辞职，以个人贡献者身份加入 Anthropic 等前沿实验室；权力来源从管多少人变成和模型的契合度。
  • D20 倡议：类比 G20，成立「数字 20」，制定 AI 时代的「数字宪法」。四个核心问题：
    1. 一个人雇上百个智能体时，组织怎么重组？
    2. 流程、KPI、会议怎么适应硅时代的节奏？
    3. token 经济中，贡献、知识产权和收入怎么定义？
    4. 人类价值观在 AI 协作中怎么协调？ 原话：「当代码主宰世界时，世界也必须主宰代码。」
• 推断 B：任旭东，2026-09-06 AGNTCon + MCPCon China（上海）演讲《开源共创，携手迈向 Agent-Native 新时代》（已打开核对）：
  • 开源的五要素：项目、基金会、基础设施、企业、开发者。
  • 开源的四项价值：挑战闭源垄断、建立透明的事实标准、通过生态获取用户、分摊创新成本。这四项在 Agentic AI 时代依然成立。
  • 智能体的五级：L1 对话；L2 路由（以上两级已成熟）；L3 工具调用；L4 多智能体协同（产业现处于 L3–L4）；L5 自主智能体（正在演进）。
  • 数据：引用 GitHub 数据，AI 辅助生成的代码占比 51%；AI 开源项目增速是传统软件的 4 倍；贡献者扩展到业务专家、评测人员和产品人员。
  • 三大范式转变：
    1. Agent-Native 项目：多智能体原生架构、集体记忆、分布式运行时、自演进。
    2. Agent-Native 基础设施：多智能体并发、原生协议、可审计贡献、高吞吐。
    3. Agent-Native 组织：类似云原生时代的 CNCF。
  • openJiuwen 数据：目标是支持百万级智能体长期协同；Prefix Cache 命中率提升 20% 以上，TTFT 下降 15%；40K+ Star、650+ 贡献者、下载 300 万+；50 多个行业落地。案例：南方电网的设备「数字医生」，准确率超 90%，评估时间缩短到分钟级。
  • 电信路径 A2A → A2A-T → OpenAN：A2A-T 包括 Task-T、Notification-T、Negotiation-T、Authorization-T 四项扩展；OpenAN 由华为与中国移动、Orange 等联合开源。
• 推断 C：DHH 的观点：见第 1 条。
• 来源：推断。官方 /schedule/summit-fireside-chat/；https://m.tech.china.com/articles/20260509/202605091863943.html ；https://cn.chinadaily.com.cn/a/202609/07/WS6a9e8169e4b09a165c788841.html 。
  • 更正：上一版引用的 https://eu.36kr.com/en/p/3818410704028548 这次打开核对，内容与任旭东无关，已删除。

7. Evaluation You Can Audit: Eclipse PanEval as Shared Infrastructure

• 时间：14:00–14:30
• 讲者：Michael Berns，Eclipse Foundation AI 负责人
• 一句话：模型评测应当是可审计、厂商中立的共享基础设施。
• 展开（官方摘要）：
  • 介绍 Eclipse PanEval：一个开源框架，用于对语言模型和视觉模型做可审计的评测。
  • 讲四方面：
    1. 解耦的架构；
    2. 跨区域的协作模式；
    3. 厂商中立的治理；
    4. 贡献者如何参与共建共享评测基础设施。
• 来源：仅摘要。/schedule/p-102-evaluation-you-can-audit-eclipse-paneval-as-shared-infrastructure/

8. Latest LF Research Reports on Agentic AI and AI Coding

• 时间：14:30–15:00
• 讲者：Anni Lai，LF AI & Data 生成式 AI Commons 联席主席
• 一句话：介绍 Linux 基金会研究院关于企业转向智能体 AI、以及生成式 AI 影响开源的两份新报告。
• 展开（官方摘要）：
  • 介绍 LF Research 关于 Agentic AI 和 AI 编程的最新报告，涉及两份文件：
    1. 《Enterprise Transitions to Agentic AI Era》（企业向智能体 AI 时代的转型）；
    2. 《Generative AI's impact on Open Source Software》（生成式 AI 对开源软件的影响）。
  • 报告关注 AI 在企业系统中不断变化的角色，以及 AI 对开源开发的影响。
  • 摘要没有给出具体数字或结论。
• 来源：仅摘要。/schedule/p-52-latest-lf-research-reports-on-agentic-ai-and-ai-coding/

9. Network-Sourced AI: Open Ensembles, Private Data, and a Reproducible Path to the Frontier

• 时间：15:00–15:30
• 讲者：Peter Ide-Kostic，OpenMined 基金会欧盟政策负责人
• 一句话：前沿能力可以靠开放集成多个模型、加上数据所有者可控的隐私技术来逼近，而且结果可复现。
• 展开（官方摘要）：
  • 介绍 OpenMined 基金会的 Network-Sourced AI：把多种模型组合成开放集成（open ensembles）。
  • 两项支撑技术：
    1. Structured Transparency（结构化透明）；
    2. 隐私增强技术（PETs）。 它们在保证结果可复现的同时，让数据所有者掌控访问权。
  • 现场演示：一个开源工具包和一个公开排行榜，用于在保护数据隐私的前提下构建并复现先进的模型系统。
• 来源：仅摘要。/schedule/p-19-network-sourced-ai-open-ensembles-private-data-and-a-reproducible-path-to-the-frontier/

10. Cangjie and the New Frontier of Programming Languages in the AI Era

• 时间：15:30–16:00
• 讲者：詹博华，华为 2012 实验室编程语言实验室技术专家
• 一句话：软件正走向 CPU 和 LLM 协同执行，编程语言要同时服务开发者和 AI 智能体。
• 展开（官方摘要）：
  • 前提：软件正在走向「CPU 加 LLM」共同执行，所以编程语言必须同时服务开发者和 AI 智能体。
  • 仓颉为此做的五件事：
    1. AI 友好的编译器；
    2. AI 友好的 LSP；
    3. AI 友好的测试基础设施；
    4. 结构化的 skill 库；
    5. Speclang，用于编写可验证的规约。
  • 另外介绍了面向智能体的语言（Agent-oriented language）的早期工作。
• 来源：仅摘要。/schedule/p-107-cangjie-and-the-new-frontier-of-programming-languages-in-the-ai-era/

11. The Agentic AI Developer Economy: Building a Meritocratic Open Source Ecosystem

• 时间：16:00–16:30
• 讲者：王伟，奇点智能研究院开源技术委员会主任；中国电子技术标准化研究院开源治理标准组组长
• 一句话：开源生态要持续，光有代码不够，还要有把隐形贡献量化成回报的激励机制。
• 展开（官方摘要）：
  • 背景：AI 正从生成式走向智能体式，开源社区正在成为未来技术竞争力的关键基础设施。
  • 障碍：开发者面临 CUDA 这类固化生态的壁垒，也急需更好的开发者体验。
  • 主张：维持这一转变不只靠代码，还需要创新的激励结构。
  • 机制：基于他在联合国「AI for Good」峰会上提出的 OSIDX 框架，提出「开发者影响力地图」（Developer Influence Map），让隐形的贡献变得可见、可量化。
  • 验证案例：OpenShare 平台的「百万现金奖励计划」。平台系统地追踪并对标代码提交、模型微调、文档等贡献，把开发者活动映射为实际的经济回报，用来说明「按贡献分配」能同时推动生态增长和商业可持续。
  • 模型：通过与 CUDA、PyTorch 等成熟生态以及新兴智能体生态做系统比较，提出有实证基础的「Agentic AI 开发者经济模型」。它建立一个公平的声誉体系，让个人职业成长和生态繁荣对齐，直接回答「开发者为什么要使用、为什么要贡献」。
  • 结论：给出一条可复制的路径，走向有韧性、包容、商业上可行的开源范式。
• 来源：仅摘要。/schedule/p-117-the-agentic-ai-developer-economy-building-a-meritocratic-open-source-ecosystem/

12. Your AI Product Is Ready. Is Your Company Ready for Europe?

• 时间：16:30–17:00
• 讲者：Kelly Policarpo，Lumo AI Compliance & Advisory 创始人、CEO
• 一句话：进入欧洲，好产品不够，公司的治理、运营和合规要先为欧洲监管做好准备。
• 展开（官方摘要）：
  • 欧洲对 AI 公司是很有吸引力的市场，但进入它不只需要好产品。
  • 公司必须确保治理、运营和合规已经为欧洲的监管环境做好准备。
  • 出海前要回答三类关键问题：
    1. 监管定性（regulatory status）；
    2. 风险类别；
    3. 治理要求。
  • Agentic AI 这类新技术会如何影响市场进入策略和合规准备。
• 来源：仅摘要。/schedule/p-29-your-ai-product-is-ready-is-your-company-ready-for-europe/

13. The Sovereignty Layer: Why Open Source Is How the Global South Shapes AI

• 时间：17:00–17:30
• 讲者：Feliana Citradewi，Global AI Assembly 创始人、CEO
• 一句话：开源不只是代码，而是让全球南方参与 AI 决策的民主化手段。
• 展开（官方摘要）：
  • 开源能帮助全球南方参与塑造 AI 治理。
  • 介绍 Global AI Assembly 模式，它有三个重点：
    1. 教育；
    2. 让用户发声；
    3. 通过结构化参与影响 AI 开发。
  • 讲者主张：开源不只关乎代码，而是关乎 AI 决策的民主化。
• 来源：仅摘要。/schedule/p-33-the-sovereignty-layer-why-open-source-is-how-the-global-south-shapes-ai/

14. Hackathon Summary and Awards Ceremony（流程项）

17:30–17:50，林云（上海交通大学副教授）、吴宗寰（MoFA.AI）发布黑客松总结并颁奖。/schedule/summit-hackathon-awards/

15. Closing Ceremony（流程项）

17:55–18:00，大会闭幕式。/schedule/summit-closing-ceremony/

三、Agentic AI on Edge（3F MING HUA，仅上午，12:15 结束）

16. Agentic AI on Global Edge: Deploying SPEAR-Powered Operations Agents with MCP

• 时间：10:15–10:45
• 讲者：王潇爽（Wilson Wang），字节跳动软件工程师
• 一句话：全球边缘节点的集中式运维太慢；把支持 MCP 的轻量运维智能体部署到边缘，就地监控、找根因、自动修复。
• 展开（官方摘要）：
  • 问题：字节跳动的全球边缘基础设施，在集中式运维下面临两个难题：延迟高、场景碎片化。
  • 方案：在 SPEAR 平台上部署支持 MCP 的轻量 AI 运维智能体。
  • 效果：在边缘实现三件事：
    1. 实时监控；
    2. 根因分析；
    3. 自动处置。 从而降低延迟，减少人工。
  • 演讲内容：SPEAR 的边缘 AI 架构、基于 MCP 的智能体开发，以及在资源优化和网络韧性方面的生产经验。
• 来源：仅摘要。/schedule/p-4-agentic-ai-on-global-edge-deploying-spear-powered-operations-agents-with-mcp/

17. DHttp: From Partial Connectivity to Omniconnectivity

• 时间：10:45–11:15
• 讲者：Daryl Wong，GENMETA TECH 联合创始人
• 一句话：传统 HTTP 的客户端/服务器不对等；DHttp 让边缘 AI 设备同时当客户端和服务器，实现网络中的真正对等。
• 展开（官方摘要）：
  • 问题：传统 HTTP 有局限。
  • 方案 DHttp：
    1. 支持点对点通信；
    2. 支持端到端加密；
    3. 扩展 DNS，支持「通用端点地址」。
  • 效果：边缘 AI 设备可以同时作为客户端和服务器，在网络交互中真正平等。
  • 意义：简化跨不同网络、基于身份的安全通信，走向更互联的未来。
• 来源：仅摘要。/schedule/p-5-dhttp-from-partial-connectivity-to-omniconnectivity/

18. From Khronos AI Ecosystem Research Insights to Edge AI Inference with Vulkan

• 时间：11:15–11:45
• 讲者：Markus Tavenrath，NVIDIA 开发者技术部首席工程师
• 一句话：AI 和实时图形正在融合，基于 Vulkan 的可移植 AI 推理正从研究走向部署。
• 展开（官方摘要）：
  • 背景：AI 和实时图形在融合，可移植的 AI 推理正从研究走向真实部署。
  • 三部分内容：
    1. Khronos AI 生态研究项目的发现；
    2. 基于 Vulkan 的 AI 推理开源框架；
    3. 机器学习和神经图形的新趋势。
  • 重点用例：
    • 纹理压缩；
    • LLM 推理；
    • 图像超分；
    • 插帧。
• 来源：仅摘要。/schedule/p-78-from-khronos-ai-ecosystem-research-insights-to-edge-ai-inference-with-vulkan/

19. Which operating system is best for agentic mobile devices?

• 时间：11:45–12:15
• 讲者：Chris Simmonds，2net Ltd.
• 一句话：Android 占主导但复杂得没必要；开源的替代系统更灵活、无锁定，可能更适合 AI 原生手机。
• 展开（官方摘要）：
  • 探讨智能体移动设备可用的替代操作系统，重点是三个开源系统：
    1. Sailfish OS；
    2. Ubuntu Touch；
    3. postMarketOS。
  • 这些系统灵活，能避免厂商锁定。
  • 对比对象是当前占主导、但「复杂得没必要」的 Android。
  • 目标：找出最适合未来 AI 中心移动设备的系统。
• 来源：仅摘要。/schedule/p-71-which-operating-system-is-best-for-agentic-mobile-devices/

四、Agentic OS & App（2F HAI XIA 2）

20. Agent Harness for Multiplayer Collaboration

• 时间：10:15–10:50
• 讲者：钱宇超，Botiverse 联合创始人、CEO
• 一句话：探讨多人加多个 AI 智能体协作场景下的 Agent Harness 设计。
• 展开（官方摘要）：只有一句：探讨多人和多智能体协作环境下的 Agent Harness 设计。
• 推断（Botiverse 公司产品 Raft 的公开材料；页面没有出现钱宇超本人的名字；该文标注为「赞助」，数据是公司自报）：
  • Raft 1.0 于 2026-07-15 发布，主打「团队模式」。人和 AI 智能体共用一个工作区，里面有频道、线程、任务、@提及，工作和产生它的对话保持关联。
  • 智能体会认领任务、并行执行、相互交接，并在共享线程里互相评审输出。一个独立的评审智能体可以在人看到之前抓出另一个智能体代码中的问题，公司称之为「独立的智能体覆盖独立的盲区」。
  • 每个智能体是常驻进程，有自己的身份、记忆和专长，可以跨周保留上下文。支持的运行时有 Claude、Codex、Hermes（与 Nous Research 官方合作）。
  • 通过本地轻量 daemon 在用户自己的硬件上执行，算力、代码、数据都留在用户手里。用户自带模型订阅，Raft 只加团队协调层，不转售模型。
  • 公司自报数据：内测期间超过 2 万个团队和个人开始使用，平均每人 4 个智能体，重度用户超过 60 个；公司内部 99% 的运营跑在 Raft 上，有 10 多个人和 100 多个具名智能体。
  • 定价：Pro 每席位每月 8.8 美元；一个人算一个席位，一个智能体算十分之一个席位。
  • 创始人 RC 曾在月之暗面做 Kimi CLI。
• 来源：推断。官方 /schedule/p-127-agent-harness-for-multiplayer-collaboration/；https://www.testingcatalog.com/raft-1-0-puts-ai-agents-in-team-mode/ ；https://www.everydev.ai/developers/botiverse

21. OctoLoop: Making Agents Truly Loop — Inner-Loop Autonomy, Outer-Loop Correction, and Evolution-Loop Experience Accumulation

• 时间：10:50–11:25
• 讲者：赵悦，octos 开源社区软件工程师
• 一句话：编码智能体要无人值守地推进长周期工程，需要三层循环：内环自主执行，外环由更强的模型纠偏和验证，进化环把失败沉淀成规则。
• 展开（官方摘要）：
  • 目标：让编码智能体在无需持续监督的情况下推进长周期的工程工作。
  • 内环（自主）：读取共享状态，执行任务，提交改动，汇报进度。
  • 外环（纠偏）：由 Claude Code 或 Codex 这类更强的模型监控、纠正并独立验证工作，验证通过后才 push。
  • 进化环（可选）：把执行事件和失败信号转化为更好的规则和契约。
  • 现场演示：多个同伴智能体在相互隔离的 git worktree 中并发工作，各自有独立的会话、预算和模型通道（model lanes）。
• 来源：仅摘要。/schedule/p-143-hafleet-把-ai-编程助手组织成团队/（链接名是旧题 HAFleet）

22. MemOS: The Next-Generation Memory System for Autonomous Agent Evolution

• 时间：11:25–12:00
• 讲者：庄郭冕，记忆张量（MemTensor）MemOS 研发负责人
• 一句话：MemOS 把记忆当作大模型的一等资源，是支撑自主智能体进化的下一代记忆系统。
• 展开（官方摘要）：只有一句：介绍 MemOS，一个面向自主智能体进化的下一代记忆系统。官网链接名显示原题与「MemOS 2.0 关键技术挑战与记忆系统演进」有关。
• 推断（MemOS 论文 arXiv 2505.22101 与官方架构文档；讲者本人不在论文作者名单中）：
  • 问题：现在的 LLM 没有统一、结构化的记忆管理。它们依赖参数记忆（权重里的知识）和激活记忆（有限的运行时上下文）。RAG 增加了明文记忆，但缺少生命周期管理和多模态整合，限制了知识的长期演化。
  • 主张：把记忆当作「一等的运行资源」，用统一机制来表示、组织和治理三类记忆：
    1. 参数记忆：存在权重里，长期、高效但难以编辑（文档标注「即将支持」）。
    2. 激活记忆：运行时的隐藏状态和 KV cache，短期，可以引导模型行为。
    3. 明文记忆：可编辑、可追溯的知识块，适合快速更新、个性化和多智能体共享。它有两种实现：GeneralTextMemory（向量存储加语义检索和元数据过滤）；TreeTextMemory（层级图加跨分支链接，支持多跳推理，常用 Neo4j）。
  • MemCube：可移植的记忆容器，绑定到某个用户、智能体或会话。它可以在运行时注册、更新、移除，并在会话、模型和设备之间迁移。
  • MOS 编排层：对三类记忆做「预测式、异步的调度」，支持多用户、多会话，提供统一的增、查、改、迁移、回滚 API。MIP（Memory Interchange Protocol）支持跨模型、跨设备使用。
  • 代码模块：mem_scheduler、mem_reader、mem_cube、mem_os、mem_feedback、mem_agent（深度搜索）；存储后端有图数据库（如 Neo4j）和向量数据库（如 Qdrant）。
• 来源：推断。官方 /schedule/p-91-memos-2-0-key-technical-challenges-and-the-evolution-of-memory-systems/；https://arxiv.org/abs/2505.22101 ；https://memos-docs.openmem.net/open_source/home/architecture/

23. Introducing Harness Intelligence Model: JIT-Agent

• 时间：14:00–14:35
• 讲者：张桂彬，新加坡国立大学博士生
• 一句话：Harness 不该手工写死，可以由一个模型按任务即时生成、修复和改进。
• 展开（官方摘要）：
  • JIT-Agent 是一个模型，为现成的智能体 LLM 按需生成适配任务的 harness。
  • 它使用固定的四模块协议，能做三件事：
    1. 针对任务定制 harness；
    2. 修复 harness，保证执行可靠；
    3. 从以往的配置和性能信号中学习，改进 harness。
• 来源：仅摘要。/schedule/p-137-introducing-harness-intelligence-model-jit-agent/

24. Voice AI Is Entering Its Second Generation: Lessons from Enterprise Voice Agent Deployments

• 时间：14:35–15:10
• 讲者：廖勤樱，Ingora 联合创始人、产品负责人
• 一句话：语音 AI 正进入第二代，从「会说」走向「会做」，从短交互走向长期关系。
• 展开（官方摘要）：
  • 讨论正在改造语音 AI 的六个行业转变。摘要只点出其中两个：
    1. 从「智能」走向「执行」；
    2. 从 API 走向平台。 其余四个摘要没有列出。
  • 这些转变最早在企业语音智能体部署中出现，预示着开源 AI 基础设施和消费级 AI 体验的未来。
  • 重点：语音 AI 从短交互演进为长期关系。
• 来源：仅摘要。/schedule/p-31-voice-ai-is-entering-its-second-generation-lessons-from-enterprise-voice-agent-deployments/

25. Agent Harness for Server Firmware Development

• 时间：15:10–15:45
• 讲者：范信鑫（华为，openUBMC AI SIG Maintainer）、李庆华（软通华方 BMC 研发工程师，openUBMC AI SIG Maintainer）
• 一句话：通用编码智能体不懂 BMC，只能试错；领域专用的 Agent Harness 能把服务器故障处理做成从发现到验证的自动闭环。
• 展开（官方摘要，原文较长，全部译出）：
  • 问题：在 BMC 固件开发和运维中，通用编码智能体缺乏对 openUBMC 技术栈、系统架构、软硬件架构和诊断逻辑的深入理解。在物理设备上操作时，它们依赖试错式探索，导致：
    1. 反复无效尝试；
    2. token 消耗过多；
    3. 对 BMC 专用命令和调试命令支持有限；
    4. 执行过程可观测性差。 结果是难以准确定位根因，也难以形成闭环的故障处理。
  • 方案：基于 openUBMC Studio 构建面向服务器带外管理的领域专用 Agent Harness，围绕四项核心能力：
    1. 领域知识：openUBMC RAG 知识库，提供服务器管理和诊断专业知识。
    2. 专用工具：标准化工具，受控地访问设备连接、日志采集、状态检查、固件调试，以及 BMC 专用命令和诊断工具。
    3. 状态可观测：持续观测设备状态和任务执行状态。
    4. 工作流编排：把专家排障实践编码成可编排、可重复、可验证的智能体工作流。
  • 端到端流程：智能体可以自主执行故障发现与复现、证据采集、根因分析、修复、回归测试、最终验证。
  • 收益：服务器故障处理从「辅助诊断」走向「自动闭环」；减少无效探索和资源消耗；加快定位和修复；提高端到端的可观测性、可追溯性和可审计性。
  • 可推广性：为在服务器、嵌入式系统等复杂软硬件运维环境中应用 Agent Harness，提供可复用、可扩展的工程蓝图。
• 来源：仅摘要。/schedule/p-67-agent-harness-for-autonomous-server-operations-an-end-to-end-approach-from-fault-detection-to-remediation-and-validation/

26. An Autonomous Runtime Shielding Agent for Linux Kernel Vulnerabilities

• 时间：16:00–16:30
• 讲者：Dongbiao He，东南大学副教授
• 一句话：新披露的内核漏洞可以交给智能体做应急防御：自动生成 eBPF 热屏蔽，验证后才部署，不停机、不改源码。
• 展开（官方摘要）：
  • 一个针对新披露 Linux 内核漏洞做应急防御的自主智能体，按以下步骤工作：
    1. 复现漏洞；
    2. 推理根因；
    3. 生成 eBPF 热屏蔽（hot shield）；
    4. 用规避型触发主动测试这道防御；
    5. 只部署通过验证的防护。
  • 全过程不停机，不改内核源码。
• 来源：仅摘要。/schedule/p-133-an-autonomous-runtime-shielding-agent-for-linux-kernel-vulnerabilities/

27. Jiuwen Agent Memory 记忆系统

• 时间：16:30–17:00
• 讲者：赵靖文，华为 openJiuwen 技术专家
• 一句话：个性化、主动、长期运行的智能体，需要以用户为中心的记忆系统。
• 展开（官方摘要）：
  • 介绍 Jiuwen Agent Memory：一个以用户为中心的记忆系统，服务个性化、主动、长期运行的智能体。
  • 探讨四个属性如何支撑智能体长期保留有用的上下文：
    1. 准确性；
    2. 性能；
    3. 安全；
    4. 可配置性。
• 背景（非本议题，同属 openJiuwen 项目）：任旭东演讲中的 openJiuwen 数据见第 6 条。
• 来源：仅摘要。/schedule/p-180-jiuwen-agent-memory记忆系统/

28. From Coding Agents to Autonomous Contributors: Designing the Operating Model for Agentic Software Engineering

• 时间：17:00–17:30
• 讲者：Susanna Wong，Typeform Staff AI Engineer
• 一句话：编码智能体要成为生产流程里可信的贡献者，关键是设计运营模型，而不只是提升模型能力。
• 展开（官方摘要）：
  • 探讨编码智能体如何从个人助手，变成生产软件流程中可信的贡献者。
  • 分享基于 CI 实验的三条经验：
    1. 生成与验证分离；
    2. 设定安全边界；
    3. 决定自主系统何时应该停下、把控制权交还给人。
• 来源：仅摘要。/schedule/p-42-from-coding-agents-to-autonomous-contributors-designing-the-operating-model-for-agentic-software-engineering/

五、Agentic Device（2F KAI XUAN 1）

29. 开发者的 AI 创造：技术社区视角下共建 AI 硬件

• 时间：10:15–10:50
• 讲者：莫志宏，嘉立创集团 EDA 生态与高校项目负责人
• 一句话：技术社区正成为 AI 硬件创新的主要推手，「大模型加开源硬件」让开发者成为 AI 创造者。
• 展开（官方摘要）：
  • 趋势：AI 正从云走向边缘设备，从软件走向物理实体。
  • 主张：技术社区正成为 AI 硬件创新的关键推动者；大模型加开源硬件，让开发者成为「AI 创造者」。
  • 案例（立创开源硬件平台）：月活超过 80 万，开源项目超过 10 万。
  • 路径：靠「开放社区、EDA 工具、供应链制造」三环闭合的模式，把 AI 想法变成实体硬件。
• 来源：仅摘要。/schedule/p-53-ai-creations-for-developers-co-building-ai-hardware-from-a-technical-community-perspective/

30. The World as the Interface: Building an Open Agent Ecosystem for AI Glasses

• 时间：10:50–11:25
• 讲者：赵维奇，Rokid 全球开放生态负责人
• 一句话：AI 眼镜要「以世界为界面」，用开放协议把设备、智能体、工具、开发者和服务连起来，同时正视落地约束。
• 展开（官方摘要）：
  • 提出让「世界成为 AI 眼镜界面」的产品与生态框架。
  • 通过开放协议连接五类对象：
    1. 多模态设备；
    2. 智能体；
    3. 工具；
    4. 开发者；
    5. 服务。
  • 同时处理六项部署现实：
    1. 延迟；
    2. 续航；
    3. 隐私；
    4. 权限；
    5. 安全；
    6. 开发者体验。
• 来源：仅摘要。/schedule/p-108-the-world-as-the-interface-building-an-open-agent-ecosystem-for-ai-glasses/

31. Building AI Agent Devices on RISC-V with DC-ROMA Mainboard III

• 时间：11:25–12:00
• 讲者：梁宇宁（DeepComputing 创始人、CEO），黄言伟（联合讲者）
• 一句话：模块化的 RISC-V 平台已能承载本地 AI 和智能体开发。
• 展开（官方摘要）：
  • 讨论用 RISC-V 架构构建 AI 智能体设备。
  • 重点是 DC-ROMA Mainboard III，搭载 SpacemiT K3 AI SoC。
  • 探讨模块化 RISC-V 平台如何支持本地 AI 和智能体开发，强调把 AI 能力集成进边缘计算设备。
• 来源：仅摘要。/schedule/p-79-building-ai-agent-devices-on-risc-v-with-dc-roma-mainboard-iii/

32. AI 原生嵌入式产品研发：重塑软硬件研发范式

• 时间：14:00–14:35
• 讲者：陈昱衡，ambi AI 研究员、嵌入式系统专家
• 一句话：嵌入式研发要围绕 AI 重组软件、硬件、工具和验证。
• 展开（官方摘要）：
  • 分享一种 AI 原生的嵌入式产品研发方法：围绕 AI 重新组织软件、硬件、工具和验证。
  • 涵盖四点：
    1. 模块化的 Rust 架构；
    2. AI 可以直接操作的调试工具；
    3. 基于证据的开发 harness；
    4. 从快速原型到兼顾成本和功耗的量产平台的路径。
• 来源：仅摘要。/schedule/p-86-ai-原生嵌入式产品研发-重塑软硬件研发范式/

33. Building the Infrastructure for the AI World

• 时间：14:35–15:10
• 讲者：Allen Chao，M5Stack 销售与市场总监
• 一句话：M5Stack 的模块化硬件生态适合快速做产品，可作为 AI 应用的现成积木。
• 展开（官方摘要）：
  • 介绍 M5Stack。
  • 解释其模块化硬件生态为什么有利于快速产品开发。
  • 探讨 M5Stack 设备如何成为 AI 应用的实用构件。
• 来源：仅摘要。/schedule/p-161-building-the-infrastructure-for-ai-world/

34. You Built the Prototype. Should It Become a Product?

• 时间：15:10–15:45
• 讲者：Tess Kassier，RiseLink 兼职 GTM 与生态负责人
• 一句话：判断 AI 硬件原型该不该做成产品，要从用户价值倒推，逐项核对硬件和 AI 约束，避免过度设计。
• 展开（官方摘要）：
  • 提供一个实用框架，判断 AI 原生硬件原型是否应该变成产品。
  • 方法：从用户价值倒推硬件需求和 AI 需求。
  • 逐项考虑七个因素：
    1. 延迟；
    2. 功耗；
    3. 连接；
    4. 云成本；
    5. 隐私；
    6. 外形；
    7. 产品过度设计的常见原因。
• 来源：仅摘要。/schedule/p-83-you-built-the-prototype-should-it-become-a-product/

35. How Hiwonder Helps Students Apply AI Agents on Robots

• 时间：16:00–16:30
• 讲者：Chun Pak Lee，幻尔科技（Hiwonder）海外市场策略
• 一句话：用 ROS 作为智能体推理和机器人动作之间的「契约」。
• 展开（官方摘要）：
  • 幻尔用 ROS 作为 AI 智能体推理与机器人动作之间的契约。
  • 完整链路：
    1. 输入：语音、文本或 OpenClaw；
    2. 规划：LLM 或 VLA 规划器；
    3. 中间层：可复用的技能节点；
    4. 底层：硬件驱动。
  • 系统内建三项能力：多模态感知、实时控制、安全。
• 来源：仅摘要。/schedule/p-163-how-hiwonder-helps-students-apply-ai-agents-on-robots/

36. AI 雷达：感知加计算带来的行业变革

• 时间：16:30–17:00
• 讲者：曾辉，深圳承泰科技开发者社区运营负责人
• 一句话：AI 进入物理世界后，感知是关键桥梁；毫米波雷达正从传感器变成「感知加计算」的智能平台。
• 展开（官方摘要）：
  • 背景：AI 从数字世界走向物理世界，感知正成为连接模型与真实环境的关键桥梁。
  • 演进：毫米波雷达正从用于测距、测速、目标检测的传感器，演进为结合感知和计算的智能感知平台。
  • 数据开放的三层：
    1. 目标级输出；
    2. 点云；
    3. 原始 ADC 数据。
  • 应用：探讨 Radar × AI 在机器人、具身智能和 Physical AI 中的潜力。
• 来源：仅摘要。/schedule/p-185-ai雷达-感知-计算带来的行业变革/

六、Open Source Models & Infra（3F ADEN 2）

37. Teaching AI to Improve AI: From Experimental Feedback to Meta-Evolution

• 时间：10:15–10:50
• 讲者：姜澈（清华大学博士生、Frontis.AI 算法研究员），张开颜（联合讲者）
• 一句话：LLM 正变成能做实验、迭代结果的研究智能体；把实验反馈沉淀成可复用的改进能力，就可能走向递归自我改进。
• 展开（官方摘要）：
  • LLM 正从编码助手进化为研究智能体，能提出方案、运行实验、迭代改进结果。
  • 讨论如何把基于执行的实验转化为可复用的改进能力，用两类材料说明：
    1. AI4AI 闭环；
    2. NatureBench 上的案例研究。
  • 探讨 AI 系统递归自我改进的可能性。
• 来源：仅摘要。/schedule/p-100-teaching-ai-to-improve-ai-from-experimental-feedback-to-meta-evolution/

38. Towards Interaction Intelligence

• 时间：10:50–11:25
• 讲者：谢之非，南洋理工大学博士研究员
• 一句话：介绍 NUS-LV Lab 一系列音视频交互研究，目标是「交互智能」。
• 展开（官方摘要）：
  • 介绍 NUS-LV Lab 的一系列音视频交互研究，涵盖五个方向：
    1. 情感理解；
    2. 鲁棒性；
    3. 主动交互；
    4. 记忆；
    5. 新的模型架构与范式。
• 推断（讲者为第一作者的 Mini-Omni2 论文，arXiv 2410.11190）：
  • 目标：做一个开源的、接近 GPT-4o 的视听助手，对图像和语音提问给出实时的端到端语音回答。
  • 能力：
    • 视觉：集成预训练的视觉编码器；
    • 语音：直接输出语音，不需要单独的流水线；
    • 双工：用「基于指令的打断机制」，让来回对话更灵活。
  • 训练：预训练的视觉和听觉编码器，加三阶段训练对齐多模态。作者称只用有限的数据，语言模型就能处理多模态输入和输出。
• 来源：推断。官方 /schedule/p-149-towards-interaction-intelligence/；https://arxiv.org/abs/2410.11190v2

39. 从开源模型到开发者生产力：AI 时代的开源基础设施重构

• 时间：11:25–12:00
• 讲者：于邦旭，AtomGit CEO（CSDN 高级副总裁）
• 一句话：官网未公布摘要。从讲者近期言论推断：AtomGit 要做融合 GitHub 和 HuggingFace 的「开源加 AI」一体化基础设施。
• 展开（官方摘要）：无。官网写「题目与摘要待公布」。
• 推断 A（讲者 2025-11-25 在香港数码港「香港开源技术应用及生态发展论坛」的专题演讲《全球开源洞察：深度解析开源生态的未来趋势与战略机遇》，已打开核对）：
  • 定位：新一代 AtomGit 由 AtomGit 与 GitCode 深度融合而来，2025-11-21 升级上线，定位为「中立、开放、公益」的「开源加人工智能」一体化基础设施。它融合 GitHub 和 HuggingFace 的优势，以 AI 为中心，覆盖模型托管、推理、训练、应用全链路。
  • 规模（截至 2025 年）：注册用户 890 万，月活 150 万，托管开源项目超过 400 万，涵盖智能体、模型、AI 框架、工具链。
  • 合作：与文心大模型、飞桨、OpenHarmony 等深度合作。
  • 展示的产品：项目托管与 DevOps 工具链；模型托管与在线推理 API；Notebook 与无代码训练平台；在线开发环境（Space）。
  • 2026 年三项规划：
    1. 用户突破 1500 万；
    2. 为头部模型提供 0Day 首发运营；
    3. 新注册用户每月免费领 30M tokens 用于 API 推理，以及 1000 核时 NPU 算力用于训练。
• 推断 B（AtomGit 2026 年 5 月月报，已打开核对）：截至 2026 年 5 月底，社区开发者 1103 万；5 月 16 日在合肥发布桌面 AI 开发工具 AtomCode Air，定位「毫秒级」、轻量、极速；5 月 23 日于邦旭在鲲鹏昇腾开发者大会讲《洞见模型趋势，驱动开源未来》，月报只概述了主题，没有具体论点。
• 来源：推断（无官方摘要）。官方 /schedule/p-152-从开源模型到开发者生产力-ai-时代的开源基础设施重构/；https://m.tech.china.com/articles/20251127/202511271772210.html ；https://gitcode.csdn.net/6a6872d510ee7a33f2935e66.html

40. TransferQueue: An Asynchronous, High-Performance Streaming Data Engine for Post-Training

• 时间：14:00–14:35
• 讲者：荣程浩（华为高级软件工程师），张懿翔（联合讲者）
• 一句话：后训练流程里数据流和控制流耦合导致阻塞；把两者分离，做一个异步流式的数据中转站。
• 展开（官方摘要）：
  • TransferQueue 是为后训练流程设计的异步、高性能流式数据引擎。
  • 机制：
    1. 分离数据流和控制流；
    2. 高效路由数据；
    3. 尽量减少任务阻塞；
    4. 作为数据的「中转港」。
  • 在大模型计算系统中支持动态调度和自动流水线。
  • 收益：更高的资源利用率和通信效率。
• 来源：仅摘要。/schedule/p-60-transferqueue-an-asynchronous-high-performance-streaming-data-engine-for-post-training/

41. Efficient Training of Large Language Models via Orthogonal Transformation

• 时间：14:35–15:10
• 讲者：刘威扬（Weiyang Liu），香港中文大学助理教授
• 一句话：用正交变换重参数化 LLM 训练，保持权重的谱性质，使训练更稳；新版本把显存和速度问题也解决了。
• 展开（官方摘要）：只有一句：探讨基于正交变换的高效 LLM 训练方法，更多细节待公布。
• 推断 A（讲者为通讯作者的 POET 论文，arXiv 2506.08001，NeurIPS 2025）：
  • 问题：有效、可靠地训练大模型，仍是领域最大的挑战之一。
  • 方法：POET 用「正交等价变换」优化神经元。每个神经元被重参数化为「两个可学习的正交矩阵加一个固定的随机权重矩阵」，训练时只学两侧的正交矩阵。
  • 性质：可证明地保持权重矩阵的谱性质；目标函数优化稳定；泛化更好。
  • 作者还设计了高效近似，让方法能扩展到大规模网络。
• 推断 B（后续 POET-X 论文，arXiv 2603.05500，2026 年 3 月）：
  • POET 的问题：显存占用大，比 Adam 慢很多，难以扩展到约 3B 参数以上。
  • POET-X 的改动：
    1. 以输入为中心计算，把矩阵乘矩阵改成一串矩阵乘向量，避免存权重大小的中间激活；
    2. 用自定义 CUDA 索引映射核替代显式置换矩阵，并提前把两次置换并入权重；
    3. 块对角乘法按批并行，不构造完整矩阵；
    4. Cayley-Neumann 参数化，只存反对称矩阵的上三角，用 Triton 融合计算；
    5. 两个版本：POET-X_mem 在反向时重算激活以省显存，POET-X_fast 更快但显存更多；
    6. POET-XQ 量化版，存低比特基础权重，实时反量化。
  • 数据：
    • 相比 POET，显存约降到三分之一，速度约快 8 倍。
    • 单层前向加反向从 10.59 ms 降到 1.38 ms（fast）或 1.89 ms（mem）。
    • 单张 H100 上可预训练 13B 模型，显存 47.21 GB（b=256）；AdamW 在 13B、或序列长 2048 时会爆显存。
    • Llama-3B 训练 60B token 后的验证困惑度：AdamW 12.69（81.03 GB），POET-X b=512 为 12.05（68.52 GB），Muon 最好，为 11.45。
    • 64 张 H100、8B 模型、序列长 512：POET-X_fast 每秒 28.6 万 token，AdamW 18.6 万。
  • 论文自己承认的劣势：单卡、短序列时，AdamW 吞吐更高（7.60k 对 5.36k tokens/s）。
• 来源：推断。官方 /schedule/p-129-efficient-training-of-large-language-models-via-orthogonal-transformation/；https://arxiv.org/abs/2506.08001v1 ；https://arxiv.org/html/2603.05500v1

42. C-to-Rust Code Translation: A Three-Stage Curriculum of Pretraining, Debugging-Aware SFT, and Task-Specific SFT

• 时间：15:10–15:45
• 讲者：赵普，东南大学教授
• 一句话：把 C 翻译成安全的 Rust，可以用三阶段课程训练模型，效果优于基线。
• 展开（官方摘要）：
  • 目标：把 C 代码翻译成安全的 Rust，是提升软件安全性的关键目标。
  • 方法：对 Qwen3-27B 做三阶段训练：
    1. 以 Rust 为重点的预训练；
    2. 调试感知的 SFT（debugging-aware SFT）；
    3. 任务特定的 SFT。
  • 评测：用 SACTOR 评测，相比基线，成功率更高，代码更地道。
• 来源：仅摘要。/schedule/p-93-c-to-rust-code-translation-a-three-stage-curriculum-of-pretraining-debugging-aware-sft-and-task-specific-sft/

43. Building Self-Improving and Long-Horizon Agents

• 时间：16:00–16:30
• 讲者：胡舒悦，上海人工智能实验室研究员
• 一句话：LLM 可以当自己的 harness 工程师，并通过「harness 的 harness」长期持续改进。
• 展开（官方摘要）：
  • 探讨 LLM 如何自主改进自己运行所依赖的系统。
  • 两个概念：
    1. Self Harness：LLM 充当自己的 harness 工程师；
    2. Harness of Harness：支持在长时间跨度上持续改进。
  • 应用：把这些方法用于理论计算机科学，做 AI 辅助研究。
• 来源：仅摘要。/schedule/p-99-building-self-improving-and-long-horizon-agents/

44. AI-Ready Data Production and Dynamic Data Training for Open-Source Models

• 时间：16:30–17:00
• 讲者：强美伊，元数智汇联合创始人
• 一句话：模型性能越来越取决于高质量数据，需要一个由评测驱动、智能体执行的数据飞轮。
• 展开（官方摘要）：
  • 范式转变：模型性能越来越依赖高质量数据。
  • 方案：统一的数据飞轮，基础是开源基础设施 DataFlow，分为 L0 到 L7 层（摘要没有列出各层含义）。
  • 执行方式：智能体式执行，由三部分组成：
    1. 智能体（agents）；
    2. 技能（skills）；
    3. harness。
  • 闭环：由评测驱动的闭环进化。
  • 另外介绍落地以数据为中心的 AI 开放生态的工程实践。
• 来源：仅摘要。/schedule/p-46-ai-ready-data-production-and-dynamic-data-training-for-open-source-models/

45. Applications of Voice Agents in Embodied Intelligence and High-Quality Data-Driven Solutions

• 时间：17:00–17:30
• 讲者：刘杰辰，Magic Data 生态与技术总监
• 一句话：语音智能体要在具身系统里从「对话」走到「可靠执行」，靠的是真实世界的高质量多模态数据。
• 展开（官方摘要）：
  • 探讨真实世界的高质量多模态数据，如何帮助语音智能体在具身系统中从对话走向可靠的行动。
  • 两个场景：
    1. 智能座舱；
    2. 家庭服务机器人。
  • 五个实践方向：
    1. 自然交互；
    2. 指令理解；
    3. 安全执行；
    4. 多语种覆盖；
    5. 合规的数据建设。
• 来源：仅摘要。/schedule/p-98-applications-of-voice-agents-in-embodied-intelligence-and-high-quality-data-driven-solutions/

七、Open Source Robotics（2F HAI XIA 1）

46. "World Model for All": Towards Unified Generation, Navigation and Control

• 时间：10:15–10:45
• 讲者：王言治，美国东北大学教授
• 一句话：一个世界模型可以统一生成、导航和控制。
• 展开（官方摘要）：
  • 提出一个把生成、导航、控制整合在一起的世界模型，通过表示和物理感知上的创新，解决以往模型的局限。
  • 方法：结合 flow matching 和 DPO（直接偏好优化）的框架，增强连续生成能力和物理理解。
  • 结果：在开源视频生成上达到 SOTA。
  • 评测：构建了一套跨多个领域评估物理感知的综合 benchmark 体系。
  • 落地：展示了世界模型与机器人系统的结合，用于真实世界应用。
• 来源：仅摘要。/schedule/p-94-world-model-for-all-towards-unified-generation-navigation-and-control/

47. 具身智能 VLA 算法

• 时间：10:45–11:15
• 讲者：刘宁，北京人形机器人创新中心算法专家
• 一句话：介绍一种具身智能 VLA 算法。官网细节待定。
• 展开（官方摘要）：只有两句：介绍一种面向具身智能的 VLA 算法；会议内容确定后再公布细节。
• 推断（讲者所在机构的同主题材料，不是讲者本人的）：新华网 2026-07-24 报道，北京人形发布 TG-VLA，称为业内首个全尺寸、全身 VLA 模型框架，基于「慧思开物」平台。它把高层语义决策、全身协调运动和动态环境适应连起来，面向工业精密维护和家务这类长流程、精细任务。报道没有给出性能数字，也没有提到刘宁。
  • 更正：上一版引用的同花顺链接（含 HAF-VLA 得分 68.3% 等细节）这次打开已是 404，无法核对，相关细节已删除。
• 来源：推断（仅机构层面）。官方 /schedule/p-101-vla/；https://www.news.cn/tech/20260724/dde0463fd1ea4742af9f4a45cf5ff7c9/c.html

48. Everyone Can Build an Open-Source Robot

• 时间：11:15–11:45
• 讲者：王嘉琳，Seeed Studio AI 机器人产品市场
• 一句话：未来的机器人长什么样还不确定，所以开放、可控、可改、不被锁定更重要；开源社区、AI、开源硬件和敏捷制造合起来，能让人人造机器人。
• 展开（官方摘要）：
  • 前提：我们还不知道未来最成功的机器人长什么样：人形、机械臂、移动操作平台，或者还没想到的形态。
  • 主张：机器人进入家庭、工厂和日常空间后，开放、可控、可修改、不被锁定变得越来越重要。
  • Seeed 的使命：让技术触手可及。
  • 生态合作：与 NVIDIA、Hugging Face 等生态紧密合作，降低造机器人的门槛，把开源硬件接到 LeRobot、VLA 模型、NVIDIA Isaac Sim 以及其他 Physical AI 新技术上。
  • 积累：18 年来帮助数百万开发者把想法变成真实硬件。
  • 深圳优势：立足深圳，把全球创新与快速响应的工程和供应链生态连起来，帮开发者从想法到原型、从原型到规模化制造。
  • 案例：Seeed 的开源机器人历程，以及 reBot 机械臂。
  • 结论：开源社区、AI、开放硬件、敏捷制造结合起来，可以降低机器人门槛，让人人都能造开源机器人。
• 来源：仅摘要。/schedule/p-193-everyone-can-build-an-open-source-robot/

49. From Leaderboards to Global Infrastructure: Building an Open Evaluation Ecosystem for Embodied AI

• 时间：11:45–12:15
• 讲者：陈阳（Emily Chen），RoboChallenge 联合创始人
• 一句话：具身 AI 的评测要从排行榜升级成中立、开放的全球基础设施。
• 展开（官方摘要）：
  • 回顾 RoboChallenge 的演进：从真机 benchmark 和全球排行榜，走向中立、开放的具身 AI 评测基础设施。
  • 涵盖六项内容：
    1. benchmark 设计；
    2. 可复现的真实世界评测；
    3. 国际竞赛；
    4. 社区建设；
    5. EAI Bench；
    6. 正在推进的共享评测方法与标准。
• 来源：仅摘要。/schedule/p-130-from-leaderboards-to-global-infrastructure-building-an-open-evaluation-ecosystem-for-embodied-ai/

50. From Single-Robot Intelligence to Multi-Agent Coordination: The Evolution of AIRSEAI

• 时间：14:00–14:35
• 讲者：康留旺、周鸿钧，深圳市人工智能与机器人研究院副研究员
• 一句话：AIRSEAI 从单机智能演进到多智能体协同，难点在互操作、仿真和真实部署。
• 展开（官方摘要）：
  • 讲 AIRSEAI 从单机器人智能到多智能体协同的演进。
  • 三个特点：
    1. 模块化流水线；
    2. 多模态感知；
    3. 支持多智能体任务协同和受约束的决策。
  • 三个挑战：
    1. 互操作；
    2. 仿真；
    3. 真实世界部署。
• 来源：仅摘要。/schedule/p-16-from-single-robot-intelligence-to-multi-agent-coordination-the-evolution-of-airseai/

51. Rethinking Efficiency Bottleneck of Generative Robotics Manipulation

• 时间：14:35–15:10
• 讲者：陈郑豪，纽卡斯尔大学助理教授
• 一句话：生成式具身 AI 上真机有两大效率瓶颈，用两类压缩方法来解。
• 展开（官方摘要）：
  • 生成式具身 AI 部署到真实机器人上，有两大障碍：
    1. 冗余的多视角感知数据；
    2. 大型具身模型的复杂度。
  • 对应的两类压缩方法：
    1. 3D/4D Gaussian Splatting 的压缩；
    2. 按设备条件的 once-for-all 模型压缩。
  • 收益：降低存储、通信、训练和推理成本。
• 来源：仅摘要。/schedule/p-136-rethinking-efficiency-bottleneck-of-generative-robotics-manipulation/

52. Interactive Heuristic Learning Method of LiDAR and Camera for Target Detection

• 时间：15:10–15:45
• 讲者：岑明，重庆邮电大学教授
• 一句话：激光雷达和相机交互式启发学习，可以少靠人工标注，让感知能力自我演进。
• 展开（官方摘要）：
  • 提出一种结合激光雷达和相机数据的交互式启发学习方法，用于智能移动平台的目标检测。
  • 目标有三个：
    1. 减少昂贵的人工标注；
    2. 提高学习效率；
    3. 增强系统感知能力的演进能力。
• 来源：仅摘要。/schedule/p-103-interactive-heuristic-learning-method-of-lidar-and-camera-for-target-detection/

53. AMD ROCm and Radeon-Powered Real2Sim2Real Vision-Language-Action Manipulation

• 时间：16:00–16:30
• 讲者：杨庆（Charles Yang），AMD AI 解决方案架构师
• 一句话：AMD 的 ROCm 和 Radeon 能跑通具身 AI 的完整 Real2Sim2Real 流程。
• 展开（官方摘要）：
  • AMD ROCm 和 Radeon GPU 支撑端到端的 Real2Sim2Real 流程，覆盖数据生成、策略训练、仿真验证、真实部署。
  • 具体步骤：
    1. 用 GPU 硬件光栅化生成合成的机器人示教数据，转换成 LeRobot 格式；
    2. 在 AMD 硬件上微调 SmolVLA-450M 策略；
    3. 在仿真中验证；
    4. 部署到 Franka 机械臂。
  • 结果：展示了有效的 sim-to-real 迁移和策略鲁棒性。
• 来源：仅摘要。/schedule/p-2-amd-rocm-and-radeon-powered-real2sim2real-vision-language-action-manipulation/

54. PhyAgentOS：递归自进化物理智能体操作系统

• 时间：16:30–17:00
• 讲者：蒲韬，X-Era Lab 研发总监
• 一句话：物理智能体需要一套 harness 工程实践，支撑异构机器人接入和持续自进化。
• 展开（官方摘要）：分享 PhyAgentOS 在物理智能体 harness 上的工程实践，包括六项：
  1. 异构机器人统一接入；
  2. 工具和技能组合；
  3. 仿真到现实的迁移；
  4. 任务校验；
  5. 失败恢复；
  6. 由工具使用和数据反馈驱动的持续进化。
• 来源：仅摘要。/schedule/p-158-phyagentos-递归自进化物理智能体操作系统/

55. Full-Stack Embodied AI OS — Introduction to openEuler Intelligence Boom Robot (IB-Robot)

• 时间：17:00–17:30
• 讲者：陈鑫，华为工程师
• 一句话：IB-Robot 是 openEuler 社区的全栈具身 AI 操作系统，从硬件到算法端到端。
• 展开（官方摘要）：
  • IB-Robot 是开放原子 openEuler 社区开发的全栈具身 AI 操作系统。
  • 为开发者和行业伙伴提供从硬件到算法的端到端方案。
  • 定位是通过软硬件一体化推进智能系统的综合平台。
• 来源：仅摘要。/schedule/p-63-full-stack-embodied-ai-os-introducing-openeuler-intelligence-boom-robot-ib-robot/

八、KVCDN Workshop（2F KAI XUAN 2）

56. High-Quality Token Service: From Heterogeneous PD to Cross-Region AI Infrastructure

• 时间：10:15–10:50
• 讲者：康鸿博，趋境科技（Approaching.AI）LLM 系统架构师
• 一句话：PD 分离加上 Mooncake 的 KV 移交，能让异构资源池跨地域协作。
• 展开（官方摘要）：
  • 讲解 Prefill–Decode 分离和 Mooncake KV cache 移交，如何让异构资源池跨地点协作。
  • 分享两类经验：
    1. 千卡规模的商用部署经验；
    2. 跨楼宇实验。
  • 这些经验用于跨地域 AI 基础设施的带宽和尾延迟规划。
• 来源：仅摘要。/schedule/p-140-high-quality-tokens-from-heterogeneous-pd-to-cross-region-ai-infrastructure/

57. LMCache's Production-Grade Multi-Process KV Cache: Architecture, Observability & Fault Tolerance

• 时间：10:50–11:25
• 讲者：郑春晓，LMCache 核心架构师
• 一句话：KV cache 管理要进生产，需要多进程架构，以及可观测、容错方面的系统工程。
• 展开（官方摘要）：
  • 深入讲 LMCache 的多进程架构。
  • 讲让 KV cache 管理在规模化下做到三点所需的系统工程：
    1. 可观测；
    2. 容错；
    3. 生产就绪。
• 来源：仅摘要。/schedule/p-167-lmcache-s-production-grade-multi-process-kv-cache-architecture-observability-fault-tolerance/

58. KV Cache Usage in SGLang

• 时间：11:25–12:00
• 讲者：张亦弛，RadixArk 技术人员
• 一句话：讲解 SGLang 从前缀复用到分层缓存的 KV cache 用法。
• 展开（官方摘要）：
  • 讲解 SGLang 如何使用 KV cache，从前缀复用一直到分层缓存。
  • 涵盖三部分：
    1. RadixAttention 和 Unified RadixAttention：用于缓存复用；
    2. HiCache：在存储层级之间移动缓存；
    3. Unified Memory Pool：面向混合注意力模型。
• 来源：仅摘要。/schedule/p-169-kv-cache-usage-in-sglang/

59. UCM: Beyond KVCache Acceleration, Lifecycle Management for Agent-Scale Inference

• 时间：14:00–14:35
• 讲者：王聪，华为软件工程师
• 一句话：智能体负载改变了 KV 的复用、保留和容量需求，只做加速不够，要做生命周期管理。
• 展开（官方摘要）：
  • 考察智能体负载如何改变 KV cache 的复用、保留和容量需求。
  • 介绍 UCM：一个具有生命周期意识的缓存系统，横跨 GPU 显存、DRAM、SSD 和分布式存储。
  • 四项机制：
    1. 自适应策略；
    2. 持久化 KV 存储；
    3. 按存储层级放置；
    4. 优化的数据搬运。
  • 目标：降低推理成本。
• 来源：仅摘要。/schedule/p-132-ucm-beyond-kvcache-acceleration-lifecycle-management-for-agent-scale-inference/

60. 聊聊运用 FlexKV 进行大模型 KVCache 池化的最佳实践

• 时间：14:35–15:10
• 讲者：孙飞强，腾讯云 FlexKV 核心维护者、高级工程师
• 一句话：FlexKV 跨多级存储管理和压缩 KV，已对接主流推理引擎，有企业落地经验。
• 展开（官方摘要）：
  • 讲 FlexKV 如何在 GPU 显存、CPU 内存、SSD 和分布式存储之间管理和压缩 KV cache。
  • 三项能力：
    1. 跨节点池化；
    2. 异步传输；
    3. 命名空间隔离。
  • 已集成四个推理框架：vLLM、SGLang、TensorRT-LLM、Dynamo。
  • 结合企业部署的实践经验。
• 来源：仅摘要。/schedule/p-148-聊聊运用-flexkv-进行大模型-kvcache-池化的最佳实践/

61. Research and Practice of Agent Networking

• 时间：15:10–15:45
• 讲者：李聪，中国电信研究院未来网络研究中心副主任
• 一句话：迈向「智能体互联网」，需要让智能体能跨系统发现、通信和协作的网络技术与基础设施。
• 展开（官方摘要）：探讨面向智能体互联网的研究与实践，包括让智能体跨系统发现彼此、相互通信、协同工作所需的网络技术和基础设施。
• 推断：没有搜到讲者本人的同主题材料，只有行业层面的报道，不作推断。
• 来源：仅摘要（推断部分无资料）。/schedule/p-147-research-and-practice-of-agent-networking/

62. Turbo: Efficiently Serving Long-Context LLMs with In-Network Aggregation

• 时间：16:00–16:30
• 讲者：万颖，东南大学副研究员
• 一句话：把上下文并行推理里的部分计算卸载到可编程交换机上，能减少流量和解码延迟。
• 展开（官方摘要）：
  • Turbo 在上下文并行的 LLM 推理中，把两件事卸载到可编程交换机上：
    1. 查询组播；
    2. 部分注意力（partial attention）的聚合。
  • 三项机制：
    1. 在线聚合；
    2. 滚动的流水线状态；
    3. 负载感知的聚合树。
  • 效果：减少网络流量和解码延迟，同时保持输出质量。
• 来源：仅摘要。/schedule/p-141-turbo-efficiently-serving-long-context-llms-with-in-network-aggregation/

63. Beyond Compression Ratio: Service-Aware KV Cache Compression for Distributed LLM Serving

• 时间：16:30–17:00
• 讲者：刘泽栋，中科院计算所博士生
• 一句话：衡量 KV 压缩要看端到端的服务性能，而不只是压缩率。
• 展开（官方摘要）：
  • 介绍 KVServe 以服务为导向的 KV cache 压缩思路：端到端服务性能比单纯的压缩率更重要。
  • 涵盖三点：
    1. 更快的压缩；
    2. 与 vLLM 和 Mooncake 的集成；
    3. 在异构平台上的部署。
• 来源：仅摘要。/schedule/p-178-beyond-compression-ratio-service-aware-kv-cache-compression-for-distributed-llm-serving/

64. Mooncake Store for Agentic RL in Disaggregated Architectures

• 时间：17:00–17:30
• 讲者：马腾，Mooncake 社区维护者
• 一句话：Mooncake 可以作为强化学习的高性能数据面，替代 Ray Object Store，并大幅加速权重更新。
• 展开（官方摘要）：
  • 定位：Mooncake 主要为强化学习提供高性能数据面。
  • rollout 数据传输：通过结构化对象、DataProto / typed-ragged、BufferPool 和 RDMA 优化。
  • 集成：与 Miles 集成，替代 Ray Object Store，同时支持同步和完全异步两种模式。
  • 权重更新的三种方式：
    1. NCCL 广播；
    2. Mooncake TransferEngine P2P RDMA；
    3. disk-delta。 在 Kimi-K2 上，P2P 方式提速约 7 倍。
  • 其他能力：支持 TP/PP/EP/DP 的异构重分片、Store 权重快照、MoE 稀疏增量。
  • 生态：生产能力已在 Miles、SGLang、vLLM 等生态中使用。
• 来源：仅摘要。/schedule/p-186-mooncake-store-for-agentic-rl-in-disaggregated-architectures/

九、vLLM Workshop（3F MING HUA，下午；13:10 签到，13:40 开始）

65. Opening Remarks（流程项）

13:40–13:50，刘红升（vLLM-Omni 核心维护者，InferMatrix 首席架构师）、陈楚晖（Red Hat）致开场辞。/schedule/vllm-opening-remarks/

66. vLLM Latest Update and Roadmap

• 时间：13:50–14:20
• 讲者：朱江云，Inferact 工程师、vLLM 核心维护者
• 一句话：介绍 vLLM 最新功能和项目路线图。
• 展开（官方摘要）：只有一句：朱江云介绍 vLLM 最新功能和项目路线图。
• 推断（讲者所在公司 Inferact 的公开计划；不是讲者本人的材料）：
  • Inferact 由 vLLM 的创建者和核心维护者创立，2026 年 1 月以 1.5 亿美元种子轮、8 亿美元估值成立，a16z 和 Lightspeed 领投。创始团队包括 Ion Stoica（伯克利 Sky Computing Lab 主任，该实验室 2023 年做出 vLLM）、Woosuk Kwon 等。
  • 对开源的承诺：持续增强上游开源 vLLM，做三件事：
    1. 新的性能优化；
    2. 支持新出现的模型架构；
    3. 让 vLLM 跑在更多类型的数据中心硬件上。
  • 商业方向：报道提到可能推出付费的 serverless 版本（未确认）；招聘信息提到可观测性、故障排查、灾备，以及运行在 Kubernetes 上。
  • 社区规模：贡献者超过 2000 人。
• 来源：推断（公司层面）。官方 /schedule/vllm-latest-update-roadmap/；https://siliconangle.com/2026/01/22/inferact-launches-150m-funding-commercialize-vllm/

67. llm-d：打造跨负载、跨模态、跨硬件、跨平台的分布式推理平面

• 时间：14:20–14:50
• 讲者：陈楚晖，Red Hat 首席架构师
• 一句话：分布式推理需要一个统一的控制平面，横跨负载、模态、硬件和平台。
• 展开（官方摘要）：介绍 llm-d 的分布式推理控制平面，包括：
  1. 智能路由；
  2. 端点选择；
  3. 推理池（inference pools）；
  4. 模型服务器；
  5. 前缀感知和负载感知的调度；
  6. 分层 KV cache 卸载；
  7. Prefill–Decode 分离；
  8. 专家并行；
  9. 流量控制；
  10. 弹性伸缩。 运行平台：Kubernetes、Slurm、Ray 和裸金属。
• 来源：仅摘要。/schedule/p-159-llm-d-打造跨负载-跨模态-跨硬件-跨平台的分布式推理平面/

68. AFD Plugin: Attention–FFN Disaggregation in vLLM

• 时间：14:50–15:20
• 讲者：江晨舟，华为工程师、vLLM AFD-Plugin 核心维护者
• 一句话：把 Attention 和 FFN/MoE 拆成可以独立配置的角色，作为 vLLM 外部插件实现。
• 展开（官方摘要）：
  • AFD Plugin 是一个外部 vLLM 插件，把 Attention 和 FFN（或 MoE）的执行分离成可独立配置的角色。
  • 讲解内容：
    1. 激活交换；
    2. 同步 decode；
    3. 异步 prefill；
    4. 微批（microbatching）；
    5. 通信与计算重叠；
    6. 性能取舍。
  • 演示：在昇腾 910C 上用 DeepSeek-V3.2 展示。
• 来源：仅摘要。/schedule/p-170-afd-plugin-attention-ffn-disaggregation-in-vllm/

69. 从单点加速到系统最优：大模型推理的全栈优化实践

• 时间：15:40–16:10
• 讲者：蒋东桦，腾讯混元团队高级推理工程师
• 一句话：推理优化要以服务目标为导向，把局部提速变成可测的端到端收益。
• 展开（官方摘要）：
  • 基于混元推理和 GPU 工程经验，提出一种以服务目标为导向的 LLM 优化方法。
  • 路径：从瓶颈分析和 kernel 优化出发，走向算力、显存、通信、调度四方面的协同优化。
  • 强调：要把局部加速转化为可测量的端到端收益，必须做取舍。
• 来源：仅摘要。/schedule/p-171-从单点加速到系统最优-大模型推理的全栈优化实践/

70. Inside ROCm 10.0: Building an Open GPU Software Platform for the Agentic AI Era

• 时间：16:10–16:40
• 讲者：蔡薇，AMD 产品应用工程师
• 一句话：AMD 的开放 GPU 软件栈正在演进成面向 AI 和 HPC 的平台。
• 展开（官方摘要）：
  • 从下到上剖析 ROCm 10.0：GPU 驱动、运行时、编译器、优化库，一直到 AI 框架。
  • 介绍 TheRock：统一的构建和发布基础设施。
  • 介绍正在形成的 ROCm.AI 开发者体验。
  • 结论：AMD 的开放 GPU 栈正在成为 AI 和 HPC 负载的平台。
• 来源：仅摘要。/schedule/p-177-inside-rocm-10-building-an-open-gpu-software-platform-for-the-agentic-ai-era/

71. Scaling vLLM System-Wide: From Network I/O to Distributed Scheduling

• 时间：16:40–17:10
• 讲者：皮振伟，Tensorfer 创始人
• 一句话：从网络 I/O 到分布式调度，对 vLLM 做系统级的深度优化。
• 展开（官方摘要）：
  • 针对三个问题做 vLLM 深度优化：冷启动延迟、KV cache 效率、分布式调度。
  • 四项技术：
    1. GPUDirect RDMA 加载权重；
    2. 无状态推理加高级前缀缓存；
    3. I/O 预加载；
    4. 事件驱动的无等待调度器。
  • 目标：更高的并发和 GPU 利用率。
• 来源：仅摘要。/schedule/p-126-scaling-vllm-system-wide-from-network-i-o-to-distributed-scheduling/

72. AMA with the vLLM Core Team（流程项）

17:10–17:30，vLLM 核心团队公开问答。/schedule/vllm-core-team-ama/

十、AI Education Workshop（3F HAI LIAO，下午）

73. From Passive Lectures to Active Co-Learning: The AI-Interactive Future Classroom

• 时间：14:00–14:20
• 讲者：邱钦伦，博鳌开放学校创始人
• 一句话：课堂可以从被动听讲变成「自学、共学、领学」三段闭环的 AI 互动课堂。
• 展开（官方摘要）：
  • 基于博鳌 AI 学校的经验，介绍一种 AI 互动课堂，围绕三阶段闭环：
    1. 自学（self-learning）；
    2. 共学（co-learning）；
    3. 领学（leading-learning）。
  • 三个组成：
    1. 基于角色的课件；
    2. 个性化的实时反馈；
    3. 开放的教育工具。
  • 分享把 AI 原生学习推广到中小学、大学和职业培训的实践经验。
• 来源：仅摘要。/schedule/p-172-from-passive-lectures-to-active-co-learning-the-ai-interactive-future-classroom/

74. 具身智能领域人才需求（Talent Demand in the Field of Embodied AI）

• 时间：14:20–14:40
• 讲者：赵松，深蓝学院联合创始人、CEO
• 一句话：具身智能需要跨机械、电子、自动化和计算机的复合型人才。
• 展开（官方摘要）：
  • 随着具身 AI 发展，对跨学科人才的需求在增长，涉及四个学科：机械、电子、自动化、计算机。
  • 基于深蓝学院九年在 AI、机器人、自动驾驶教育上的经验，分享培养机器人和具身 AI 工程师的做法。
• 来源：仅摘要。/schedule/p-182-具身智能领域人才需求-talent-demand-in-the-field-of-embodied-ai/

75. 开源机器人与 AI 教育的全学段贯通实践

• 时间：14:40–15:00
• 讲者：秦志强，QTSTEAM 创始人
• 一句话：机器人和 AI 教育在各学段之间是割裂的；应该用开源软硬件，建一条从小学到大学渐进的工程化路径。
• 展开（官方摘要）：
  • 背景：AI 快速发展，机器人和 AI 素养已成为青少年创新能力的重要组成部分。
  • 问题：很多项目按学段割裂。低龄学生只做拼装和玩耍；高年级学生被直接推进复杂算法；中间没有渐进的工程化路径。
  • 方案：基于 QTSTEAM 二十多年的开源机器人教育经验，提出从小学到大学连续贯通的课程体系，建立在三个基础上：
    1. 开源硬件；
    2. 开源代码；
    3. 与发展阶段相适应的学习目标。
• 来源：仅摘要。/schedule/p-194-开源机器人与ai教育的全学段贯通实践/

76. Software Engineering 3.0: Exploration and Practice of Innovative Talent Cultivation Based on Open Source and AI

• 时间：15:00–15:20
• 讲者：朱少民，同济大学教授
• 一句话：在软件工程 3.0 时代，基于开源和 AI 培养创新人才。
• 展开（官方摘要）：只有一句：朱少民探讨在软件工程 3.0 时代，通过开源和 AI 培养创新人才的方法和实践。
• 推断（讲者 2023-05 接受 OSCHINA 采访，及同期 GOTC 2023 演讲预告；时间较早，已打开核对）：
  • 讲者是「软件工程 3.0」的定义者，CCF 软件质量工程 SIG 主席。他的判断是：GPT-4 的发布标志着软件工程 3.0 时代到来。
  • GOTC 2023 演讲《软件工程 3.0 之下软件开发新范式》的六个部分：
    1. 从 SE 1.0 到 SE 3.0；
    2. SE 3.0 的新形态；
    3. SE 3.0 的新开发范式；
    4. 新范式下编程如何展开；
    5. 企业如何利用新范式；
    6. 未来展望与挑战。
  • 采访中他认为 AI 编程要进一步发展，需在四方面突破：
    1. 规模：从行级补全，到函数级（当时华为盘古已能做到），再到类、模块、包。
    2. 准确性和可靠性：早期生成准确率约 40% 到 50%，根本不能用；工业界一般 80% 到 90% 才用，最好 95% 到 98%。
    3. 代码理解：产品第一版也许一两个月，演化期却是几年甚至十几年；当时的模型记不住几天前的上下文，也学不了产品线代码。
    4. 人机交互智能：这是 SE 3.0 的常态。「把需求文档塞进去、代码全出来」的全自动化，近几年不会发生，仍需人和模型持续交互；而且一个开发者可能同时拥有好几个机器人，机器人之间也需要协调。
  • 他还给出选工具的标准：看语言（C 弱，Java、Python、Go 开源数据多，效果好）；看功能（补全、评审）；看生成的可靠性；看是否好用（例如插件形式，可保留原有习惯）。
• 来源：推断。官方 /schedule/p-95-agentos-transforming-autonomous-programming-platforms-into-a-new-type-of-operating-system/（链接名是旧题 AgentOS）；https://www.itbear.com.cn/html/2023-05/458642.html ；https://www.itbear.com.cn/html/2023-05/457686.html
  • 更正：上一版引用的 https://www.ithome.com/0/582/589.htm 这次打开核对，内容与朱少民无关，已删除。

77. 对话即创造：用 AI 智能体重构中小学科技教育

• 时间：15:20–15:40
• 讲者：周茂华，深圳市第二高级中学人工智能创新中心副主任
• 一句话：要普及中小学科技教育，得让不懂技术的老师也能带学生把想法做成实物；用多智能体对话替代编程和 3D 建模。
• 展开（官方摘要）：
  • 问题：要在中小学普及 AI 素养和科技教育，就要让每位老师都能带学生从一个想法走到一个实物。
  • 方案：「掌问」，一个多智能体创作助手，理念是「对话即创造」。
  • 三个 AI 角色：
    1. 问题引导者；
    2. 智能工程师；
    3. 结构工程师。
  • 机制：用自然语言对话替代传统的编程和 3D 建模，让没有技术背景的老师，也能把一句话的想法变成能用的实物。
  • 数据：典型的创作流程从约两周缩短到约 20 分钟。
• 来源：仅摘要。/schedule/p-190-对话即创造-用-ai-智能体重构中小学科技教育/

78. 当孔子遇见维果茨基：AI 赋能时代的学习重构与未来学校建设

• 时间：16:00–16:20
• 讲者：刘月刚，中山大学附属学校（深圳）副校长
• 一句话：AI 可以把孔子的「因材施教」和维果茨基的「最近发展区」结合起来，重构学习。
• 展开（官方摘要）：
  • 把孔子的因材施教和维果茨基的最近发展区连起来，解释 AI 如何重塑学习。
  • 介绍四项实践：
    1. 「教师、AI、学生」三元模型；
    2. 深圳的教师 AI 素养培训；
    3. 「三师课堂」模式；
    4. 全市范围的学习生态。
• 来源：仅摘要。/schedule/p-50-当孔子遇见维果茨基-ai赋能时代的学习重构与未来学校建设/

79. From AI Access to AI Impact: Building Inclusive Education Across Cultures

• 时间：16:20–16:40
• 讲者：王子燕，NGO UNESCO Avicenne 教育负责人
• 一句话：跨文化的包容教育，要从「能接触 AI」走向「AI 真正产生教育影响」。
• 展开（官方摘要）：只有一句：王子燕探讨如何跨文化构建包容教育，从获得 AI 走向 AI 的教育影响。
• 推断：用中英文姓名加机构都没搜到讲者本人的材料。
• 来源：无资料（只有一句官方摘要）。/schedule/ai-education-inclusive-education/

80. Exploration and Practice of New Global Models for Industry-Academia-Research Education in the AI Era（圆桌）

• 时间：16:40–17:30
• 讲者：刘月刚（主持，中山大学附属学校（深圳）副校长）；林云（上海交通大学副教授，Agentic 软件工程黑客松联合组织者）；邱钦伦（博鳌开放学校）；秦志强（QTSTEAM）；赵松（深蓝学院）
• 一句话：圆桌讨论 AI 时代产学研教育的新模式。
• 展开（官方摘要）：只有主题，没有观点。嘉宾各自的观点可参考第 73、74、75、78 条。
• 来源：无资料（只有主题）。/schedule/ai-education-panel/

十一、Google Cloud Workshop（3F HAI LIAO，上午，动手课，需自带电脑）

81. Get started with Agent Development Kit (ADK)

• 时间：10:15–11:15
• 讲者：Justin Tan、王捷、何平，Google Cloud 解决方案架构师
• 一句话：动手课：用 ADK 搭一个专用的研究助理智能体。
• 展开（官方摘要）：
  • 从 ADK 入门，构建一个专用的研究助理。
  • 步骤：
    1. 配置本地环境；
    2. 定义带自定义工具的智能体；
    3. 设计动态工作流；
    4. 用 ADK 浏览器 UI、CLI 和 Python 检查执行轨迹。
• 来源：仅摘要。/schedule/p-134-get-started-with-agent-development-kit-adk/

82. Build multi-agent systems with ADK

• 时间：11:25–12:25
• 讲者：同上三人
• 一句话：动手课：用 ADK 编排复杂的多智能体系统。
• 展开（官方摘要）：
  • 学习用 ADK 编排复杂的多智能体系统。
  • 内容：
    1. 创建父子智能体层级；
    2. 用 session state 字典管理会话记忆；
    3. 在专用的工作流智能体之间无缝传递执行上下文。
  • 目标：构建稳健的 AI 应用。
• 来源：仅摘要。/schedule/google-cloud-build-multi-agent-systems-with-adk/

十二、Spotlight Shenzhen 2026: Next-Gen AI-Native Products（3F ADEN 1）

83. Spotlight Day 2 Roadshow（流程项）

12:30–13:30。12:30–12:38 VACAT AI 视觉创意奖颁奖；12:38–12:43 Spotlight 介绍；随后 6 个项目各约 8 分钟路演，依次为 VibeKeys、Mira Light、Octos Learn、Meiso Glass、Ingora · Qrio、PoopSense。官网没有各项目的介绍。/schedule/spotlight-day-2-roadshow/

84. Spotlight Shenzhen 2026 Awards Ceremony（流程项）

17:50–17:55，Spotlight 颁奖。/schedule/summit-spotlight-awards/