北京
过去这一年，Agent从实验室走进产线，技术圈子的问题全变了——不再是“AI能不能搞定”，而是“怎么才能让它跑得稳、跑得对、跑出规模”。架构怎么搭，记忆怎么管，多智能体之间谁听谁的，研发团队的工作流要不要彻底重来，这些才是真刀真枪的麻烦。
6月26日到27日，AICon 2026上海站准备用两整天时间，把这些工程化落地里的硬骨头一块块拆开。大会的核心命题很明确：构建一套可信赖、可规模化、可商业化的智能体操作系统。清华、复旦的教授，阿里、腾讯、蚂蚁、字节、快手、小红书、华为、Google Cloud，十几家公司的技术专家凑到一块儿，13个专题、一个动手实验室、近60场分享，体量不小。
其中一个不容错过的专场是“世界模型与多模态智能突破”。阿里巴巴高德高级技术总监匀瀚带来的话题很有意思——高德世界模型。消息显示，匀瀚的分享会聚焦ABot体系里世界模型这一层基础设施，从支撑端到端生成的大规模时空数据基建讲起，一路拆到扩散变换模型与自回归架构在处理真实场景多模态数据时的工程选型。更关键的是，他还会谈物理硬约束训练怎么跟三维高斯泼溅的空间基座配合，实现物理级的动力学建模。
有一个值得留意的信号是，匀瀚团队主导的Fantasy系列世界模型，核心项目FantasyWorld已经登顶斯坦福大学的世界模型评测榜单WorldScore。这一底层技术能力正被深度融入高德ABot智能体系，驱动的场景不止一处——飞行街景渲染已经落地，具身智能场景的量产也在推进。从匀瀚的演讲提纲来看，他的思路是这样展开的：先是ABot全栈架构概览和世界模型的定位，然后讲数据驱动层面时空数据基建与端到端演进，接着进入模型演进部分，讨论架构选型与物理建模，最后把量产落地的路径从仿真到真机讲透。听众能拿到的东西也清楚——既了解世界模型在具身智能全栈体系里扮演的“想象引擎”角色，以及这个引擎怎么驱动数据飞轮，也能摸清物理约束建模、大规模仿真数据合成的架构设计，还有从研发到量产那一整套落地路径。
世界模型批量合成高质量仿真数据这件事，恰恰是当前具身智能里一条正在升温的思路。真实世界的训练数据采集成本高、周期长，靠仿真来补足数据缺口，为导航、操作这类下游任务提供规模化泛化支撑，逻辑上说得通，工程上却处处是坑。物理硬约束训练的引入，本质上就是让仿真数据不再只是“看起来像”，而是必须“物理上对”。匀瀚在ABot体系里把这一环做成量产级能力，等于给具身智能的数据供给开了一条新通路。
除了高德的这场分享，本次大会还策划了端侧AI、物理与数字空间智能化、Agent架构与工程化实践、Agent安全与可信治理、企业级研发体系重构、AI原生数据工程、AI时代的个人提效与组织变革等14个专题论坛，届时会有来自不同行业、不同企业、不同领域的50多位资深专家带来前沿技术洞察和一线实践经验。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
