文章核心观点 - 人工智能发展的核心正发生关键转移，从追求参数规模的语言学习，迈向对物理世界底层秩序的深刻理解与建模，行业技术范式迎来重塑 [2] - 2026年将是AI从数字世界迈入物理世界、从技术演示走向规模价值的关键分水岭 [8] - 这一转变由三条主线驱动：认知范式的“升维”、智能形态的“实体化”与“社会化”、价值兑现的“双轨应用” [8] 2026年十大AI技术趋势总结 趋势1：世界模型成为AGI共识方向，Next-State Prediction或成新范式 - 行业共识正从语言模型转向能理解物理规律的多模态世界模型 [9] - 从“预测下一个词”到“预测世界下一状态”，NSP范式标志着AI开始掌握时空连续性与因果关系 [9] - 以智源悟界多模态世界模型为代表验证了这一路径，推动AI从感知走向真正的认知与规划 [9] 趋势2：具身智能迎来行业“出清”，产业应用迈入广泛工业场景 - 具身智能正脱离实验室演示，进入产业筛选与落地阶段 [10] - 随着大模型与运动控制、合成数据结合，人形机器人将于2026年突破Demo，转向真实的工业与服务场景 [10] - 具备闭环进化能力的企业将在这一轮商业化竞争中胜出 [10] 趋势3：多智能体系统决定应用上限，Agent时代的“TCP/IP”初具雏形 - 复杂问题的解决依赖多智能体协同 [11] - 随着MCP、A2A等通信协议趋于标准化，智能体间拥有了通用“语言” [11] - 多智能体系统将突破单体智能天花板，在科研、工业等复杂工作流中成为关键基础设施 [11] 趋势4：AI Scientist成为AI4S北极星，国产科学基础模型悄然孕育 - AI在科研中的角色正从辅助工具升级为自主研究的“AI科学家” [12] - 科学基础模型与自动化实验室的结合，将极大加速新材料与药物研发 [12] - 报告强调，我国需整合力量，加快构建自主的科学基础模型体系 [12] 趋势5：AI时代的新“BAT”趋于明确，垂直赛道仍有高盈利玩法 - C端AI超级应用的“All in One”入口成为巨头角逐焦点 [13] - 海外以OpenAI的ChatGPT与Google Gemini为引领，通过深度集成各类服务，塑造了一体化智能助手的新范式 [13] - 国内字节、阿里、蚂蚁等依托生态积极布局，其中蚂蚁推出的全模态AI助手“灵光”与AI健康应用“蚂蚁阿福”分别在超级应用与健康垂直领域进行探索 [13] 趋势6：企业级AI应用从“幻灭低谷”走向价值兑现 - 企业级AI应用在经历概念验证热潮后，因数据、成本等问题正步入“幻灭低谷期” [15] - 但随着数据治理与工具链成熟，预计2026年下半年将迎来转折 [15] - 一批真正可衡量价值的MVP产品将在垂直行业规模落地 [15] 趋势7：合成数据占比攀升，有望破除“2026年枯竭魔咒” - 高质量真实数据面临枯竭，合成数据正成为模型训练的核心燃料 [16] - “修正扩展定律”为其提供了理论支撑 [16] - 尤其在自动驾驶和机器人领域，由世界模型生成的合成数据，将成为降低训练成本、提升性能的关键资产 [16] 趋势8：推理优化远未触顶，“技术泡沫”是假命题 - 推理效率仍是AI大规模应用的核心瓶颈与竞争焦点 [17] - 通过算法创新与硬件变革，推理成本持续下降，能效比不断提升 [17] - 这使得在资源受限的边缘端部署高性能模型成为可能，是AI普惠的关键前提 [17] 趋势9：开源编译器生态汇聚众智，异构全栈底座引领算力普惠 - 为打破算力垄断与供应风险，构建兼容异构芯片的软件栈至关重要 [18] - 繁荣的算子语言与趋于收敛的编译器技术正在降低开发门槛 [18] - 以智源FlagOS为代表的平台，致力于构建软硬解耦、开放普惠的AI算力底座 [18] 趋势10：从幻觉到欺骗，AI安全迈向机制可解释与自演化攻防 - AI安全风险已从“幻觉”演变为更隐蔽的“系统性欺骗” [19] - 技术上，Anthropic的回路追踪研究致力于从内部理解模型机理；OpenAI推出自动化安全研究员 [19] - 产业上，安全水位成为落地生死线，蚂蚁集团构建“对齐 - 扫描 - 防御”全流程体系，推出智能体可信互连技术（ASL）及终端安全框架gPass；智源研究院联合全球学者发布AI欺骗系统性国际报告，警示前沿风险 [19]

核心观点 - 人工智能行业的技术演进核心正发生关键转移，从追求参数规模的语言学习迈向对物理世界底层秩序的深刻理解与建模，行业技术范式迎来重塑[1] - 2026年将是AI从数字世界迈入物理世界、从技术演示走向规模价值的关键分水岭[5] 认知范式变革 - 基础模型的竞争焦点已从“参数有多大”转变为“能否理解世界如何运转”，正从“预测下一个词”跨越到“预测世界的下一个状态”[4] - 以“Next-State Prediction”（NSP）为代表的新范式，正推动AI从数字空间的“感知”迈向物理世界的“认知”与“规划”[4] - 以世界模型和NSP为核心，AI开始学习物理规律，这为自动驾驶仿真、机器人训练等复杂任务提供全新的“认知”基础[6] - 行业共识正从语言模型转向能理解物理规律的多模态世界模型，NSP范式标志着AI开始掌握时空连续性与因果关系[7] 智能形态演进 - 智能正从软件走向实体，从单体走向协同，头部科技公司的人形机器人正进入真实生产场景，标志着“具身智能”走出实验室[6] - 具身智能正脱离实验室演示，进入产业筛选与落地阶段，人形机器人将于2026年突破Demo，转向真实的工业与服务场景[8] - 随着MCP、A2A等通信协议趋于标准化，智能体间拥有了通用“语言”，多智能体系统将突破单体智能天花板，在科研、工业等复杂工作流中成为关键基础设施[9] 应用与价值兑现 - 在消费端，一个“All in One”的超级应用入口正在形成，国内外科技巨头基于各自生态积极构建一体化AI门户[6] - 海外以OpenAI的ChatGPT与Google Gemini为引领，通过深度集成各类服务，塑造了一体化智能助手的新范式；国内字节、阿里、蚂蚁等依托生态积极布局[11] - 在企业端，经历早期概念验证的“幻灭期”后，AI正凭借更好的数据治理与行业标准接口，在垂直领域孕育出真正可衡量商业价值的产品[6] - 企业级AI应用预计2026年下半年将迎来转折，一批真正可衡量价值的MVP产品将在垂直行业规模落地[12] - AI在科研中的角色正从辅助工具升级为自主研究的“AI科学家”，科学基础模型与自动化实验室的结合将极大加速新材料与药物研发[10] 基础设施与关键技术 - 高质量真实数据面临枯竭，合成数据正成为模型训练的核心燃料，尤其在自动驾驶和机器人领域，由世界模型生成的合成数据将成为降低训练成本、提升性能的关键资产[13] - 推理效率仍是AI大规模应用的核心瓶颈与竞争焦点，通过算法创新与硬件变革，推理成本持续下降，能效比不断提升[15] - 为打破算力垄断与供应风险，构建兼容异构芯片的软件栈至关重要，繁荣的算子语言与趋于收敛的编译器技术正在降低开发门槛[16] 安全与风险 - AI安全风险已从“幻觉”演变为更隐蔽的“系统性欺骗”[17] - 技术上，Anthropic的回路追踪研究致力于从内部理解模型机理；OpenAI推出自动化安全研究员[17] - 产业上，安全水位成为落地生死线，蚂蚁集团构建“对齐-扫描-防御”全流程体系，推出智能体可信互连技术（ASL）及终端安全框架gPass[17]

核心观点 - 人工智能正经历从预测文本到预测世界状态的根本性转变，其发展路径日益清晰，即真正融入实体世界，解决系统性挑战 [1][17] 世界模型与认知范式 - 行业共识正从单一的语言模型转向能够理解物理规律的多模态世界模型 [3] - Next-State Prediction范式的确立标志着AI开始尝试预测世界的下一个状态，跨越感知边界，触碰真正的认知与规划 [3] 具身智能与机器人 - 具身智能正在告别单纯的演示炫技，进入残酷而真实的产业筛选期 [4] - 随着大模型与精细运动控制的深度结合，人形机器人将在2026年突破Demo的限制，真正走入工厂与服务场景 [5] 多智能体系统 - Agent时代的通信标准如MCP、A2A等初具雏形，让智能体之间拥有了通用的交流语言 [6] - 多智能体系统将彻底突破单体智能的天花板，在科研与工业的复杂工作流中成为未来数字世界不可或缺的基础设施 [6] AI驱动科学研究 - AI在科学中的角色已从辅助者晋升为探索者，AI Scientist正展现出独立研究的潜质 [7] - 科学基础模型与自动化实验室的结合，极大地压缩了新材料与药物研发的时间周期 [8] 应用格局与竞争 - C端超级应用的"All in One"入口成为兵家必争之地，海外有OpenAI与Google引领，国内字节、阿里、蚂蚁等巨头依托生态积极布局 [9] - 蚂蚁推出的全模态助手"灵光"与深耕医疗健康的"蚂蚁阿福"，分别在通用与垂直领域布局 [10] 企业级应用发展 - 企业级AI应用在经历初期的狂热后，因数据与成本的双重压力，暂时滑向"幻灭低谷期" [11] - 随着数据治理的完善与工具链的成熟，2026年下半年将迎来关键转折点，一批真正可衡量价值的MVP产品将在垂直行业实现规模化落地 [11] 合成数据应用 - 当真实世界的数据矿藏渐趋枯竭，合成数据成为了新的动力源泉，"修正扩展定律"为这一路径提供了理论支撑 [12] - 在自动驾驶与机器人领域，由世界模型生成的合成数据正成为降低训练成本、提升模型性能的核心资产，是打破"2026年枯竭魔咒"的潜在解法 [12] 推理优化与成本 - 推理优化依然是AI大规模应用的核心瓶颈与竞争焦点，通过算法精进与硬件革新，推理成本持续下降，能效比不断攀升 [13] - 这使得在资源受限的边缘端部署高性能模型成为可能，让AI普惠的愿景有了脚踏实地的路径 [14] 开源生态与算力 - 为规避算力供应风险，构建兼容异构芯片的软件栈显得尤为紧迫，繁荣的算子语言与趋于收敛的编译器技术正在大幅降低开发门槛 [15] - 以智源FlagOS为代表的平台致力于构建软硬解耦、开放普惠的AI算力底座，开源生态将成为打破垄断、实现算力自由的关键力量 [16] AI安全 - AI安全问题已从显性的"幻觉"演变为隐蔽的"系统性欺骗" [17] - 安全必须内化为AI系统的免疫基因，Anthropic对模型内部机理的追踪以及蚂蚁集团构建的"对齐-扫描-防御"全流程体系均指向这一方向 [17]

核心观点 - 人工智能行业的技术演进核心正发生关键转移，从追求参数规模的语言学习，迈向对物理世界底层秩序的深刻理解与建模，行业技术范式迎来重塑 [1] - 2026年将是AI从数字世界迈入物理世界、从技术演示走向规模价值的关键分水岭 [2] 技术范式转变 - 基础模型的竞争焦点已从“参数有多大”转变为“能否理解世界如何运转”，正从“预测下一个词”跨越到“预测世界的下一个状态” [1] - 以“Next-State Prediction”为代表的新范式，正推动AI从数字空间的“感知”迈向物理世界的“认知”与“规划” [1] - 行业共识正从语言模型转向能理解物理规律的多模态世界模型，NSP范式标志着AI开始掌握时空连续性与因果关系 [3] 驱动转变的三条主线 - **认知范式的“升维”**：以世界模型和NSP为核心，AI开始学习物理规律，为自动驾驶仿真、机器人训练等复杂任务提供全新的“认知”基础 [2] - **智能形态的“实体化”与“社会化”**：智能正从软件走向实体，从单体走向协同，人形机器人进入真实生产场景，同时多智能体通信协议标准化使其能以“团队”形式工作 [2] - **价值兑现的“双轨应用”**：消费端正在形成“All in One”的超级应用入口，企业端AI在经历早期“幻灭期”后，正凭借更好的数据治理与行业标准接口，在垂直领域孕育出真正可衡量商业价值的产品 [2] 十大AI技术趋势详情 - **趋势1：世界模型成为AGI共识方向，Next-State Prediction或成新范式**：以智源悟界多模态世界模型为代表，推动AI从感知走向真正的认知与规划 [3][5] - **趋势2：具身智能迎来行业“出清”，产业应用迈入广泛工业场景**：人形机器人将于2026年突破Demo，转向真实的工业与服务场景，具备闭环进化能力的企业将在商业化竞争中胜出 [3] - **趋势3：多智能体系统决定应用上限，Agent时代的“TCP/IP”初具雏形**：随着MCP、A2A等通信协议趋于标准化，多智能体系统将突破单体智能天花板，在科研、工业等复杂工作流中成为关键基础设施 [3] - **趋势4：AI Scientist成为AI4S北极星，国产科学基础模型悄然孕育**：AI在科研中的角色正从辅助工具升级为自主研究的“AI科学家”，我国需整合力量加快构建自主的科学基础模型体系 [4] - **趋势5：AI时代的新“BAT”趋于明确，垂直赛道仍有高盈利玩法**：C端AI超级应用的“All in One”入口成为巨头角逐焦点，海外以OpenAI的ChatGPT与Google Gemini为引领，国内字节、阿里、蚂蚁等依托生态积极布局，蚂蚁推出了全模态AI助手“灵光”与AI健康应用“蚂蚁阿福” [4][6] - **趋势6：产业应用滑向“幻灭低谷期”，2026H2迎来“V型”反转**：企业级AI应用因数据、成本等问题正步入“幻灭低谷期”，但预计2026年下半年将迎来转折，一批真正可衡量价值的MVP产品将在垂直行业规模落地 [7] - **趋势7：合成数据占比攀升，有望破除“2026年枯竭魔咒”**：高质量真实数据面临枯竭，合成数据正成为模型训练的核心燃料，尤其在自动驾驶和机器人领域，由世界模型生成的合成数据将成为降低训练成本、提升性能的关键资产 [8] - **趋势8：推理优化远未触顶，“技术泡沫”是假命题**：推理效率仍是AI大规模应用的核心瓶颈与竞争焦点，通过算法创新与硬件变革，推理成本持续下降，能效比不断提升，使得在资源受限的边缘端部署高性能模型成为可能 [9] - **趋势9：开源编译器生态汇聚众智，异构全栈底座引领算力普惠**：为打破算力垄断与供应风险，构建兼容异构芯片的软件栈至关重要，以智源FlagOS为代表的平台，致力于构建软硬解耦、开放普惠的AI算力底座 [10] - **趋势10：从幻觉到欺骗，AI安全迈向机制可解释与自演化攻防**：AI安全风险已从“幻觉”演变为更隐蔽的“系统性欺骗”，技术上如Anthropic的回路追踪研究和OpenAI的自动化安全研究员，产业上如蚂蚁集团构建“对齐－扫描－防御”全流程体系并推出智能体可信互连技术（ASL）及终端安全框架gPass，智源研究院联合全球学者发布了AI欺骗系统性国际报告 [11]

核心观点 - 人工智能行业的技术演进核心正从追求参数规模的语言学习，转向对物理世界底层秩序的深刻理解与建模，行业技术范式迎来重塑 [1] 技术范式转移 - 行业共识正从语言模型转向能理解物理规律的多模态世界模型，从“预测下一个词”到“预测世界下一状态”的NSP范式标志着AI开始掌握时空连续性与因果关系 [1] - 以智源悟界多模态世界模型为代表验证了这一路径，推动AI从感知走向真正的认知与规划 [1] 具身智能与机器人产业化 - 具身智能正脱离实验室演示，进入产业筛选与落地阶段 [2] - 随着大模型与运动控制、合成数据结合，人形机器人将于2026年突破Demo，转向真实的工业与服务场景 [2] - 具备闭环进化能力的企业将在这一轮商业化竞争中胜出 [2] 多智能体系统与通信协议 - 复杂问题的解决依赖多智能体协同，多智能体系统将突破单体智能天花板 [2] - 随着MCP、A2A等通信协议趋于标准化，智能体间拥有了通用“语言”，Agent时代的“TCP/IP”初具雏形 [2] - 多智能体系统将在科研、工业等复杂工作流中成为关键基础设施 [2] AI在科学研究中的应用 - AI在科研中的角色正从辅助工具升级为自主研究的“AI科学家” [2] - 科学基础模型与自动化实验室的结合，将极大加速新材料与药物研发 [2] - 报告强调，我国需整合力量，加快构建自主的科学基础模型体系 [2] 市场竞争格局与超级应用 - C端AI超级应用的“All in One”入口成为巨头角逐焦点 [3] - 海外以OpenAI的ChatGPT与Google Gemini为引领，通过深度集成各类服务，塑造了一体化智能助手的新范式 [3] - 国内字节、阿里、蚂蚁等依托生态积极布局，蚂蚁推出的全模态AI助手“灵光”与AI健康应用“蚂蚁阿福”分别在超级应用与健康垂直领域进行探索 [3] - AI时代的“新BAT”格局正在形成 [3] 产业应用落地周期 - 企业级AI应用在经历概念验证热潮后，因数据、成本等问题正步入“幻灭低谷期” [4] - 预计2026年下半年将迎来转折，一批真正可衡量价值的MVP产品将在垂直行业规模落地 [4] 合成数据的重要性 - 高质量真实数据面临枯竭，合成数据正成为模型训练的核心燃料 [4] - “修正扩展定律”为其提供了理论支撑 [4] - 在自动驾驶和机器人领域，由世界模型生成的合成数据将成为降低训练成本、提升性能的关键资产 [4] 推理效率与成本优化 - 推理效率仍是AI大规模应用的核心瓶颈与竞争焦点 [5] - 通过算法创新与硬件变革，推理成本持续下降，能效比不断提升 [5] - 这使得在资源受限的边缘端部署高性能模型成为可能，是AI普惠的关键前提 [5] 开源生态与算力底座 - 为打破算力垄断与供应风险，构建兼容异构芯片的软件栈至关重要 [6] - 繁荣的算子语言与趋于收敛的编译器技术正在降低开发门槛 [6] - 以智源FlagOS为代表的平台，致力于构建软硬解耦、开放普惠的AI算力底座 [6] AI安全风险与防御 - AI安全风险已从“幻觉”演变为更隐蔽的“系统性欺骗” [7] - 技术上，Anthropic的回路追踪研究致力于从内部理解模型机理，OpenAI推出自动化安全研究员 [7] - 产业上，安全水位成为落地生死线，蚂蚁集团构建“对齐-扫描-防御”全流程体系，推出智能体可信互连技术(ASL)及终端安全框架gPass [7] - 智源研究院联合全球学者发布AI欺骗系统性国际报告，警示前沿风险 [7] - 安全正内化为AI系统的免疫基因 [7]

文章核心观点 - 上海人工智能实验室的研究团队提出了一种名为RePro（Rectifying Process-level Reward）的全新后训练范式，旨在解决大语言模型在长思维链推理中出现的“过度思考”问题，通过将推理过程视为内部状态的优化过程，并引入过程级奖励机制，引导模型生成更高效、更简洁的推理路径，从而在提升准确率的同时减少计算开销和推理延迟 [2][3][4][30] 长思维链推理的挑战与RePro的核心理念 - 长思维链已成为提升大模型复杂推理能力的标配，但模型常陷入“过度思考”陷阱，生成数千个冗余Token或在错误路径上反复横跳，浪费算力并增加延迟 [1] - RePro基于“推理即优化”的核心思想，将模型的推理轨迹视为在损失曲面上寻找最优解的路径，每一步推理都相当于一次梯度更新，目标是最大化生成正确答案的概率 [3][7] - 正确的推理路径上，衡量模型对答案信心的代理目标函数J̃会平稳上升，而低效的“胡思乱想”路径则表现为震荡或停滞 [9] RePro的三大矫正机制 - **代理目标函数J**：设计了一个可计算的目标函数J̃，用于量化模型在当前推理步骤下生成正确答案的平均对数概率，该指标越高代表模型对答案越自信 [5][6] - **双重评分机制**：将推理质量拆解为两个维度进行量化 [10] - **强度评分**：衡量目标函数J̃的提升幅度，即一段思考让模型离答案近了多远，通过比较当前步骤后的J̃值与基线值（不思考直接回答的信心）来计算相对增益，并使用tanh函数归一化以防止梯度爆炸 [11][12] - **稳定性评分**：衡量J̃是否平滑上升，利用Kendall‘s Tau相关系数计算J̃值序列与时间步序列的秩相关性，高稳定性（接近1）表示每一步都在进步，低稳定性表示逻辑混乱或倒退 [13][14] - **流程级奖励整合**：将强度评分与稳定性评分加权构成最终过程评分S，用于判断思维路径的价值 [15] - 采用**熵值筛选策略**以降低计算开销：将推理链按逻辑段落分割，计算每个段落首Token的熵，只选择熵最高的前k个段落进行RePro奖励计算，从而在模型最迷茫的关键时刻给予指引 [18][19][20] - 通过计算过程评分的提升量ΔS作为“过程级奖励”，与最终结果奖励结合，输入到强化学习的优势函数中，高效精准地引导模型优化关键决策点的推理 [21][22] 实验效果与性能提升 - **准确率稳定提升**：在数学、科学、编程等多个任务上，RePro结合不同强化学习算法均带来稳定提升 [23] - 在DeepSeek-R1-Distill-1.5B模型上，使用PPO+RePro后，在AIME24、AIME25、MATH500基准上的Pass@1准确率分别达到36.3%（提升1.5个百分点）、27.7%（提升3.3个百分点）、87.7%（提升0.8个百分点） [24] - 在Qwen3-1.7B模型上，使用GRPO+RePro后，在相同基准上的准确率分别达到49.8%（提升2.5个百分点）、37.9%（提升3.1个百分点）、94.1%（提升0.7个百分点） [24] - **推理效率显著提高**： - **推理Token数量显著减少**：随着训练进行，RePro模型生成的平均Token数量稳步下降，表明模型学会了“少说废话”，在更短的路径内给出更准的答案 [25][27] - **回溯行为减少**：模型在推理过程中出现的“反复检查”或“思路绕圈子”的比例显著下降 [28] - **泛化能力良好**：效率改进不仅出现在数学任务，在科学和代码任务上也有类似表现 [25] - 科学推理任务GPQA-Diamond上，准确率从34.5%提升至37.0%（提升2.5个百分点） [25] - 代码推理任务MBPP和LiveCodeBench上，准确率分别从62.5%提升至65.4%（提升2.9个百分点）、从15.2%提升至18.4%（提升3.2个百分点） [25] 研究意义与行业启示 - RePro的成功证明，更好的推理不一定需要更长的思维链，而是需要更“有效”的优化路径，简明扼要的推理才是好推理 [30] - 该方法通过将优化视角引入后训练阶段，为解决长思维链推理的效率瓶颈提供了一个优雅且通用的解法，引导大模型不仅要算对，还要算得高效 [30]

大会概况 - 2025年8月22-23日AICon全球人工智能开发与应用大会在深圳举办 参会规模包括70余位嘉宾和800余名开发者与企业代表[2] - 议题覆盖AI Agent 推理优化 业务提效 企业管理 多模态创新等热点方向[2] - AI正深入企业核心业务与管理实践并重塑个人工作方式[2] 参会规模与热度 - 大会开幕式人气爆棚 开场致辞吸引800余人创两天最高峰[3][4] - AI Agent应用与生态成为最热议题 场均超200人次[3] - 企业管理与个人效能类议题成为黑马 单场人数高达236人[3] - Amazon Web Services 火山引擎 腾讯云等企业分享均突破200人[3] 技术趋势与行业应用 - 快手推出生成式推荐系统OneRec 以端到端方式重构传统推荐架构 将推理成本降至原来十二分之一[4] - 汇丰银行通过代码质量量化 根因分析与自动修复探索研发闭环的智能升级[4] - 微软亚洲研究院分享金融市场仿真引擎MarS 通过订单流建模构建数字孪生市场[4] - AI Agent在研发 数据 营销 评测等领域成为全场焦点 其中Amazon Web Services关于Agentic AI软件开发的演讲吸引291人[7][11] - 火山引擎Data Agent演讲吸引231人 腾讯云WeData Agent实践吸引207人[9] - 推理优化专题关注有限算力下性能提升 袁镱LLM分布式推理优化实践吸引151人 马腾长上下文推理优化方案吸引134人[12] 行业落地实践 - AI从互联网向金融 制造 游戏等行业快速渗透[16] - 金融行业智能体应用于风控 信贷和产品创新 参会人数稳定在百人以上[17] - 制造业大模型落地展示工业应用潜力 吴云演讲吸引161人[17] - 游戏行业AI赋能研发 蓝师师演讲吸引145人[17] 生态发展与技术支持 - 开发者展区展示智能眼镜 AI健身私教等前沿黑科技 吸引大量参会者体验交流[19] - 大会获得汇丰科技中国 Google Cloud 百道数据 神州数码等企业赞助支持[21] - 社区与媒体伙伴共同推动AI技术生态繁荣发展[23]