专题：主题演讲

AI 为什么先学会写代码，而不是先学会点外卖？

一个关键原因是，Coding 天然拥有编译器、单元测试、CI 等“Verifier”：反馈密集、即时且客观，任务又完全发生在数字世界里。相比之下，消费场景的反馈更加稀疏、延迟且主观，交易与履约还要穿透商家、库存、配送等真实的物理世界。

这意味着，AI 从 Coding 走向消费，并不只是把一个更强的模型接入消费应用，而是要重新构造一套面向真实世界的验证与执行闭环。本次演讲将从“可验证性”出发，分析 AI 为什么沿着 Coding → Agent → 消费的路径演进，以及消费级 AI 真正的难点究竟在哪里。

进一步，我们将把 Frontier Lab 的“Infra × Data × Compute”配方翻译到消费场景：如何构建 AI-Native 的供给与服务网络，如何将静态与实时消费数据转化为训练资产，以及如何通过后训练建立持续迭代的数据飞轮。核心判断是：下一阶段 AI 的关键，不只是让模型更聪明，而是把物理世界的履约过程变成可验证、可学习的训练信号。

最终，下半场真正的机会，不在于再造一个 AI Chat，而在于让 AI 真正进入交易、服务与履约，让消费成为通向更强通用智能的重要训练场。

2026 年，AI 正从“能力突破”走向“规模化交付”：复杂推理、Agent、推理效率、生产级可靠性与物理 AI 持续演进，AI 开始真正进入业务系统和生产流程。 2027 年，异构智能、经验驱动进化、长时程自主智能及基础设施将推动 AI 进一步从“会做事”走向“持续自主地做事”。与此同时，AI 带来的变化也不再局限于技术层面，而将深入任务分工、业务流程、组织协作与人才体系。 本次演讲将回顾 2026 年 AI 技术与产业演进，展望 2027 年关键趋势，并结合金融、零售、能源等行业实践，探讨企业如何从战略、业务转化和应用落地三个层面构建 AI 能力。

随着大模型能力持续突破，工业 AI 的落地瓶颈正逐渐向底层数据基础设施转移。当前，工业企业普遍面临数据烟囱林立、标准不统一、业务语义缺失，以及数据存储、获取与使用环节相互割裂等挑战，大量工业数据难以被 AI 真正理解和利用。当大模型逐渐成为通用能力，企业自身的数据资产、行业知识及其组织方式，正在成为构建长期竞争力的关键。

本次分享中，陶建辉将解析 TDengine 向 AI 原生工业数据平台演进的技术路径。依托高性能分布式时序数据库、工业本体层与工业智能体运行时，TDengine 构建了覆盖数据采集、存储、实时分析、事件管理、根因分析与 AI 洞察的完整技术体系。结合工业时序数据的特点，陶建辉还将探讨如何将高频数据流抽象为具有业务意义的事件，实现工业实时数据与大模型的高效协同。

分享将重点展示 TDengine 的工业本体建模能力，探讨如何通过数据标准化、情景化与统一业务语义，建立设备、工序及业务流程之间的关联关系，让 AI 真正读懂工业数据。在此基础上，借助知识图谱、Skills、计算表达式与原子应用，将企业积累的行业 Know-how、业务规则和操作经验沉淀为可复用、可调用的知识资产，并通过智能体实现复杂任务的编排与执行。

在具体应用层面，陶建辉还将展示“智能问数”“无问智推”、AI 面板智能解读与事件根因分析等能力，介绍如何让工业数据分析由被动查询走向主动洞察，将复杂事件的调查过程由数小时缩短至分钟级。同时，结合柔性软件与原子能力组装的技术思路，探讨 AI 如何改变传统工业软件的开发与交付方式，降低企业应用 AI 的技术门槛，并推动 AI 能力融入真实生产场景。

此外，陶建辉还将阐述工业 AI“可控、可信、可审计、稳健”的安全建设框架，并结合 AI 原生工业数据平台的技术实践，探讨工业软件如何实现从“产品思维”向“基础设施思维”的战略升级。当大模型逐渐成为通用能力，数据、工业本体与行业知识将成为企业构建长期竞争力的重要资产。工业 AI 的下一轮竞争，也将越来越取决于谁能构建真正支撑 AI 规模化落地的数据基础设施——谁能成为工业世界的默认数据底座，谁就更有可能定义未来十年的产业格局。

随着 Agent 应用加速爆发，Token 的使用场景正从单次推理扩展到持续推理、工具调用与复杂任务执行，词元工厂也面临着新的效率挑战。决定 AI 生产力的，不再只是模型本身的能力，更在于如何高效组织从能源、算力到 Token 产出，再到实际生产力转化的完整链路。

上海交通大学人工智能学院副教授、无问芯穹联合创始人兼首席科学家戴国浩，将带来《以 Agentic Infra 技术实践支撑词元工厂持续演进》的主题分享。他将从 Agent 时代的实际需求出发，基于无问芯穹系统化的技术实践，探讨 Agentic Infra 如何通过更高效的资源组织、推理优化与系统协同，持续提升从能源到 Token 的生产效率。并进一步通过底层技术创新推动 Token 的高效利用与价值转化，让 Agent 不仅能够生成内容，更能在复杂任务中持续优化、稳定运行并交付可复现的结果，推动 Token 更高效地转化为实际的生产力。

当“生成视频”越来越容易，内容创作真正的难题是什么？

AI 正在推动内容创作经历三次变化：从工具降低操作门槛，到 AIGC 降低内容生产成本，再到 Agent 开始理解目标、调用工具、组织流程并完成交付。过去，AI 解决的是“如何更快生成”；今天，新的问题变成了“如何让 AI 把一个复杂的创作任务真正做完”。

本次分享将以小影科技十余年的影像创作实践为主线，拆解从工具、生成到 Agent 的三次产品与技术迁移，并讨论当单点模型能力逐渐成为基础设施后，内容创作产品需要重新解决哪些工程问题：如何理解复杂创作需求，如何编排多种模型与工具，如何控制生成效果，如何利用用户数据形成反馈闭环，以及如何在真实业务中实现规模化交付。

分享将结合 AI 音乐 MV、ToB 智能硬件等案例，介绍小影 Content Agent 在垂类模型、Agent 基础设施、端云协同与成本优化上的实践，分享从“AI 帮用户生成内容”走向“AI 协助用户完成创作”的探索与思考。