先搞清楚：这场大会回放，适合谁补哪块
AICon 北京 2024 是一场面向开发者的技术大会，回放视频的价值不在于「看过了」，而在于补上你日常工作里绕不过去、又一直没系统搞明白的那几块。如果你符合下面任意一条，这批回放值得花时间：
- 做应用开发，但模型部署、推理成本、上下文管理这些环节一直靠「能跑就行」撑着；
- 在做 RAG、Agent 类产品，遇到过召回不准、多轮对话失忆、工具调用不稳定，却说不清问题出在数据、检索还是编排；
- 团队要求评估大模型方案，你需要一套能听懂、能复述、能拿去对比的判断框架，而不是只记住几个模型名字；
- 想了解多模态、端侧推理、训练与微调工程化这些方向目前真实落地到什么程度，而不是停留在发布会口径。
反过来，如果你期待的是「跟着敲一遍就能上线」的实操教程，这场大会的讲法偏架构与工程决策，节奏快、信息密度高，需要你自己在会后补代码和文档。这一点先说明白，避免看完觉得「没学到东西」——问题不在内容，在预期。
它真正能补的能力缺口
一、把「模型能力」翻译成「系统设计」
大部分开发者对大模型的认知停在调用 API 这一层。大会里讨论较多的，是把模型放进一个完整系统时要做的取舍：什么该交给模型、什么用规则兜底，检索和生成的边界怎么划，如何在延迟、成本、准确率之间选一个可接受的组合。这类内容不会给你标准答案，但会给你别人踩过的坑和对比维度。
二、工程化环节的常识补齐
推理加速、显存占用、批处理、缓存策略、评测集构建，这些在业务压力下经常被跳过。回放里涉及的实际案例，能帮你建立一批「基线数字」——大概什么规模的问题该用什么量级的方案，避免方案设计时凭感觉拍脑袋。
三、判断技术风向的坐标系
大会内容跨了多个应用方向，把不同场次放在一起看，你能大致看出哪些方向在收敛、哪些还在探索。对做技术选型的人来说，这比单看某一篇论文更有参考价值。
配套练习建议：别只当视频看
回放最容易被当成背景音。给几个能落地的动作：
- 挑一场和你当前项目最接近的分享，看完后用一页纸写出「如果换到我的场景，哪一步会先崩」，标出你不确定的地方；
- 针对讲到的评测方法，动手给你手上的模型或检索流程搭一个最小评测集，哪怕只有二三十条样本；
- 把分享中提到的架构画成自己的图，标出每一层的数据流向和失败点，画不出来说明还没听懂；
- 对涉及成本或延迟的数字，换算成你自己业务的量级，看看方案是否还成立。
看完应该能回答这几个问题
- 我的场景里，模型、检索、规则三者的分工边界应该划在哪里？
- 如果要给当前方案做一次评测，我会用什么指标、什么样本、怎么定义「变好了」？
- 大会上提到的某类方案，放到我的数据规模和请求量下，瓶颈会先出现在哪？
- 我原以为已经解决的问题（比如多轮对话、工具调用），实际难点被我漏掉了哪几个？
如果这些问题你能给出自己的答案，哪怕答案还不成熟，这场回放就算没白看。
AICon北京2024
课程详情
课程详情
课程名称：AICon北京2024
课程内容：全球人工智能开发与应用大会回放视频
适合人群
- 人工智能领域的研究人员和开发者
- 对人工智能技术感兴趣的专业人士
- 希望提升人工智能应用能力的工程师
学习收获
- 了解全球人工智能领域的最新发展趋势
- 掌握人工智能技术的实际应用案例
- 提升个人在人工智能领域的专业能力
课程亮点
- 汇集全球顶级人工智能专家的演讲内容
- 涵盖人工智能技术的多个应用领域
- 提供丰富的实践案例和深入的技术分析
课程目录
第一章 ｜ 主题演讲 大模型落地征程：技术与人才双驱动的数字化迭变 - 汪丹 《中国 AGI 市场发展研究报告 2024》发布 - 姜昕蔚 从互联网到 AI：云产业的重构和演进 - 贾扬清 大模型时代，基于AI Agent的数据分析与决策新趋势 - 黎科峰 博士 大模型背后的荆棘之路 - 林咏华 The Next Wave：Explore the Strategy on Generative AI - 曹志斌 博士 第二章 ｜ AI Agent 探索与实践 利用 SLM 结合边缘设备构建 AIoT Agent - 卢建晖 面向开放域的大模型智能体 - 李鹏 AI Agent 在企业生产中的技术实践 - 陈星亮 零售连锁行业内智能分析 AI Agent 的应用探索 - 岑润哲 第三章 ｜ 多模态大模型技术与应用 声音基础模型如何推动声音理解和生成 - 王育军 迈向实用化多模态大模型 - 姚远 多模态大模型在金融行业的实践和展望 - 周思霁 第四章 ｜ 大模型基础设施构建 网络驱动大规模 AI 训练 - 阿里云可预期网络 HPN 7.0 架构 - 席永青 GLake: 高效透明的大模型显存管理和优化 - 赵军平 昇腾大模型推理最佳实践 - 王建辉 第五章 ｜ 大模型+行业创新应用 大模型与 RAG 技术在教育领域的应用探索 - 林辉 探索大模型在会议领域中的应用 - 王松 法律大模型在具体业务场景中的应用实践 - 涂存超 GenAI 在居住领域的应用实践与展望 - 杨跃 第六章 ｜ 大模型推理优化 太极 Angel 助力生成式大模型高效落地 - 刘凯 第七章 ｜ AICon特色晚场交流：AI 智能体落地的挑战与应对策略 AICon特色晚场交流：AI 智能体落地的挑战与应对策略 第八章 ｜ AI Agent 探索与实践 模型协作智能体到个性化智能体技术应用实践 - 严明 喜马拉雅在音视频创作中的 AI Agent 创新探索 - 吕睿韬 第九章 ｜ AI 前沿探索 AI for Science 新范式赋能电池研发 - 王晓旭 生成式 AI 如何助力蛋白质科学研究 - 郑在翔 第十章 ｜ RAG 检索与生成落地实践 OpenSearch RAG 应用实践 - 邢少敏 LLM 在字节跳动 A/B 实验平台的应用探索 - 许文敏 知识图谱在曹植大模型可控性方面的探索实践 - 王文广 Long-Context vs RAG：谁将主导未来？ - 唐飞虎 RAG 系统中的关键技术：从 Embedding 到 Reranker - 王峰 第十一章 ｜ 大模型训练 讯飞星火大模型训练挑战和技术方案详解 - 张海俊 公有云 LLM 模型分布式训练最佳实践 - 曹治政 From Imitation to Emergence：The Journey of Alignment for LLMs - 阎栋 第十二章 ｜ LLMOps 基于 LLMOps 的车损互助行业 AI 应用实践 - 张源源 安克创新在 LLMOps 上的落地实践 - 黄堃 第十三章 ｜ 大模型的全球化机会和挑战 盘古泰语大模型业务落地探索 - 张敏 AI 智能体时代的操作系统——端侧智能体探索实践 - 陈伟 PPIO 模型平台出海实战，跨地域业务扩展中的技术优化之道 - 王闻宇 第十四章 ｜ Copilot 应用构建实践 代码大模型对于工程理解的探索研究 - 汪晟杰 代码生成 Copilot 产品的应用和演进 - 刘夏 LLM 在 BI 场景的应用思路探索 - 陈庆 第十五章 ｜ 大模型+行业创新应用 山海医疗大模型的构建及其应用实践 - 刘升平 从公有云角度探索多行业大模型场景 - 刘士君 大模型在金融领域办公智能化场景的应用 - 陶万杰
