近年来，生成式 AI 模型和终端侧推理技术快速发展，推动 AI 从云端向边缘侧扩展。然高通技术公司凭借其在边缘计算领域的硬件创新、软件优化和生态合作，引领了 AI 推理的变革。高通凭借其先进的连接、计算和边缘 AI 技术以及独特的产品组合，推动了 AI 在智能手机、PC、汽车等终端的规模化应用，为行业提供了及时响应、低成本、隐私安全的解决方案。

演讲提纲 

1. AI 在终端侧规模化落地的挑战 

• 大模型难以在终端设备上运行，高功耗、高内存占用限制应用场景  
• 云端推理依赖网络，难以满足实时性需求，且存在数据隐私风险  
• 模型部署跨终端适配难度大  

2. 四大趋势推动大量高质量小模型的涌现

• 当前先进的 AI 小模型已具有卓越性能
• 模型参数规模正在快速缩小
• 开发者能够在边缘侧打造更丰富的应用
• AI 正在成为新的 UI

3. 高通的技术创新路径

• 硬件协同优化
• 强大的 AI 软件栈
• 面向未来智能体的 AI 规划器
• 开发者生态支持

4. 跨行业终端侧 AI 部署和应用

• 手机：实时翻译、生成式图像编辑、个性化 AI 助手
• PC：Windows AI+ PC 的本地生成式 AI 应用
• 汽车：智能座舱多模态交互、自动驾驶实时决策
• 工业物联网：本地化 AI 推理保障数据隐私

5. AI 推理创新的关键洞察 

• 技术融合：模型压缩与硬件优化需深度协同，才能实现高效推理 
• 生态共建：与开发者、模型厂商合作，加速技术落地与应用场景创新 

演讲亮点 

• DeepSeek R1 蒸馏模型的推出颠覆了关于 AI 发展的传统认知  
• AI 推理功能在终端侧的广泛普及赋能，打造了丰富的生成式 AI 应用
• 通过采取开发者为中心的策略，简化在消费和商用产品中集成先进 AI 特性  
• 智能体 AI（Agentic AI）是下一代用户交互的核心  

听众收益

• 了解 AI 从云端训练向边缘推理转型的核心驱动力与行业机会  
• 学习模型小型化、硬件优化等，掌握终端侧 AI 部署关键工具
• 获取手机、汽车、工业等领域的 AI 应用案例，启发业务创新 
• 了解高通开发者支持服务，加速自身 AI 项目落地

近几年大模型技术快速发展，取得了一系列重大突破，大模型能力的核心“知识密度”逐渐为大家所认知。面壁智能一直以来致力于研发更高知识密度的大模型，在业内首先提出知识密度概念并在模型研发过程中取得实践。本次分享内容将围绕大模型知识密度展开，介绍知识密度与大模型的关系以及知识密度长期发展方向，帮助大家更好的理解大模型技术在未来一段时间的发展趋势，提前布局保障企业的核心竞争力。

演讲提纲

1. 大模型技术趋势

• 从 GPT-3 到 Deepseek-R1 大模型技术演变历程
• 下一次 Deepseek 时刻会发生在哪
• 预训练终结后的大模型前景

2. 知识密度的现状与挑战

• 知识密度的定义与模型发展规律
• 知识密度与模型能力上限的关系
• 突破知识密度的技术实践

3. 思维链与强化学习

• 大模型为什么需要思维链
• 强化学习与思维链技术结合对大模型的意义

4. 大模型应用落地展望

• 未来大模型格局如何演变
• 知识密度之外，大模型应用落地还存在哪些障碍
• 大模型快速发展时代，如何不落后于潮流

在即时物流的业务场景下，我们需要重度依赖骑手来完成履约做业。在这个过程中，骑手可能会遇到各种各样实际的困难。如何通过端智能的能力来准确的刻画出骑手实际的做业情景，如何为骑手规避可能遇到的困难，如何为骑手提供更强的辅助能力，一直是及时物流行业努力的方向。

演讲提纲

1. 即时物流行业介绍
   • 什么是即时物流
   • 即时物流和传统物流的区别
   • 骑手作业流程介绍
2. 骑手运动状态推断及应用
   • 骑手运动状态推断
   • 通过运动状态刻画出的数字世界
   • 数字世界是如何辅助骑士履约的
3. 图像识别在即时物流场景的应用
   • 通用的图像识别在即时物流场景的应用
   • 如何利用图像识别能力对图像做清洗
   • 端智能在其它业务场景的应用
4. 端智能在骑手履约场景的未来
   • 智能体如何辅助骑手作业

听众收益

• 了解端智能的概念
• 了解端智能目前可以做到什么程度
• 拓宽自己关于端智能如何在实际业务中落地方向上的思路