明天有场AI行业大会我票已经提前买好了。说实话今年AI圈的“吵”比往年都凶——Agent到底是不是智商税、AI编程会不会抢程序员饭碗、AI视频满大街都是“漫剧”但赚钱的没几个、开源和闭源从年初吵到年尾还没分出胜负。如果你就这样空着手去现场大概率会被各种概念、术语、demo绕晕逛一圈下来只记住“好厉害”三个字那就亏了。这份攻略就是干这个用的。我把今年行业内真正在争论、在打架的几个核心议题拆开揉碎每个话题都给出了背景、技术逻辑、现场该看什么、该怎么问。你带在身上明天无论逛展位、听论坛还是跟同行聊天都能快速对上频道别人说上半句你能接下半句自己也能带着问题去找答案。1. 出门前先理清今年的“吵架地图”1.1 今年会场上的关键词热点全景先看整体。今年AI行业的“热搜关键词”和去年有明显变化。去年大家还在聊“大模型跑分”“参数量多少”今年风向已经变成了“Agent”“AI编程”“AI视频生成”“AI Infra”“模型部署”还有“开源闭源之争”。我把今年会场上大概率高频出现的词整理成了一张“暗号表”。你不需要背下来但扫一眼心里有个数等会在展区看到对应展台就不会懵热词大概指什么出现在哪类展台AI Agent / 智能体能自己规划任务、调用工具、完成目标的AI系统大模型厂商、应用开发平台AI Coding用AI辅助写代码、审查代码、自动修复Bug代码工具、云厂商、开发者工具AI视频生成文生视频、图生视频、数字人播报内容工具、短视频制作平台AI短剧 / 漫剧用AI生成剧本、分镜、画面、配音的短剧内容创作平台、MCN机构、工具商AI InfraAI基础设施训练和推理的算力、框架、平台云计算厂商、芯片厂商模型部署把训练好的模型跑起来降低推理成本云厂商、企业服务商RAG / 知识库让大模型结合私有知识回答问题企业级AI应用开源 vs 闭源模型要不要开放权重路线之争各家大模型厂商的发布会为什么今年这些词吵得凶因为行业进入了一个新阶段。前两年大模型还在拼“能不能生成”现在基础能力已经够用了大家开始拼“能不能用好”于是Agent、应用、部署优化这些环节一下子成了主战场。这也是为什么你看今年热搜里“无限制”“无审核”这类词频繁出现——内容层面的安全与合规管理成了大模型落地必须迈过的坎后面我会单独讲这一节。1.2 不是看热闹是顺着技术线索逛很多人逛AI大会有个误区走到哪儿看到哪儿哪个展台人多就凑过去。结果一天下来听了十个不同方向的东西脑子全乱了。今年这种逛法特别吃亏。因为今年的“吵”不是散乱地吵而是围绕同一条主线展开大模型到底怎么从“能聊天”变成“能干活”。Agent在争的是“干活的能力边界”AI编程在争“开发者怎么跟AI协作”AI视频在争“生成内容能不能工业化量产”AI Infra在争“这么贵的算力到底怎么摊薄成本”。你带着这条主线进场整个展区的逻辑一下子就通了。底层是模型能力中间是开发工具上层是行业应用旁边还有算力和部署方案在支撑。逛的时候按这个层次走先看模型厂商聊能力再看中间层工具聊开发效率最后看应用层聊落地场景。这样脑子里的信息是成体系的不是一堆散点。另外今年还有一个明显趋势厂商的展位越来越大但真正技术含量高的往往是角落里的小展台。那些大厂发布的东西新闻稿早就剧透得差不多了反而是创业公司的一些小工具上手一试就能感受到差别。明天留点时间在小展台那边转转经常有惊喜。2. 议题一Agent到底是真干活还是只会演Demo2.1 为什么Agent成了今年最大的风口今年如果你只记住一个关键词那一定是Agent智能体。从年初开始几乎所有模型厂商、云厂商、创业公司都在推自己的Agent产品。原因很简单大模型本身只是一个“会说话的脑子”但企业需要的不是会说话而是会办事。Agent就是那个把“说话”变成“办事”的壳。打个比方。你把大模型理解成一个能力很强但只会动嘴的实习生。你跟他说“帮我写个邮件”他能马上写出来但如果你跟他说“帮我处理整个项目的客户沟通”他就傻眼了——因为这事需要拆解成十几步每一步要去找不同的资料、用不同的工具做完一步还要检查结果再决定下一步。Agent解决的就是这个“拆解、调度、执行”的问题。所以今年Agent能火本质上是因为整个行业都意识到只做聊天机器人没有商业价值真正的价值在“替代人完成整个工作流”。这也是为什么所有厂商都在吹“我的Agent能自动做报表”“我的Agent能自动处理售后工单”。但问题也出在这里。Agent说要干活实际干得怎么样这就是今年最热闹的“吵点”。你以为你在现场看到的是一个已经能独当一面的“数字员工”实际上很多展台的Agent还处在一个“演示五分钟背后人配合”的阶段——预录脚本、预设场景、人为干预环境稍微一变就歇菜。2.2 拆开Agent看规划、工具、记忆一个都不能少要判断一个Agent是真落地还是纯Demo你先得知道Agent内部大概长什么样。一个合格的Agent至少要包含三个核心组件规划模块。接到一个复杂任务后Agent要把任务拆成子步骤。比如“帮我写一份市场调研报告”拆解出来可能是“先搜索行业资料、再分析竞品、再整理数据、再生成报告”。这一步听起来简单实际上最难——因为任务拆得太粗后面的执行就没有抓手拆得太细每一步都出错整体就崩盘。今年很多Agent产品翻车都翻在规划环节。工具调用模块。Agent光会拆解任务还不够它总得真的去做事。比如要发邮件就得调邮件接口要查天气就得调天气API要查数据库就得写SQL查询。这一步考验的是Agent能不能准确理解“该调哪个工具、传什么参数”。记忆模块。有记忆Agent才能处理多轮任务。短期记忆记住当前对话上下文长期记忆记住用户偏好和历史行为。今年很多产品开始强调“记忆”实际上就是把对话历史和用户画像做成了可持久化的数据。这三块缺一块Agent在实际工作中就会露馅。你明天逛展时可以这么判断看他的Agent演示是走一条提前写好的固定路径还是现场扔一个完全没见过的任务给它观察它怎么拆解、怎么应对报错。2.3 现场能直接用的辨别技巧产品经理和技术负责人在现场看Agent有几个小技巧。第一让他现场加需求。展会上的Agent演示往往是一条顺畅的流水线提需求、给结果、皆大欢喜。你先看完正常流程然后提一个演示脚本之外的变体需求比如“刚才那份报告能不能把数据部分改成图表形式”看Agent是能灵活调整还是直接卡死。真落地的Agent通常有兜底策略Demo型Agent大概率会翻车。第二盯着“人有没有偷偷干预”看。有些Agent演示旁边会站一个技术人员你注意看他的手。如果他在Agent每跑一步都敲键盘、点鼠标那这个Agent很可能不是全自主的背后有人工干预。真正好的Agent演示技术人员应该全程不碰电脑只动嘴。第三问清楚“你是怎么保障它不跑偏的”。这个问题特别能试探技术深度。如果对方含糊其辞说“靠提示词约束”那说明还比较初级如果能说出“我们做了任务拆解校验”“我们加了工具调用失败重试”“我们有用户确认环节”说明是真的考虑过落地问题。3. 议题二AI编程是抢饭碗还是当副驾3.1 现场争论的核心AI到底能不能独立写代码今年AI编程绝对是展会现场的一大热点你随便走到哪个开发者工具展台都能看到一群人围着看AI写代码。但热闹归热闹圈内人心里其实分了两派。一派觉得AI编程已经足够成熟普通业务代码AI能写个七八成程序员的主要工作从“写代码”变成了“审代码、改代码、定方案”。另一派则觉得AI写的代码只能用在demo和内部工具上一进生产环境就漏洞百出还不是得人来收拾烂摊子。两边都有道理。我实际用下来的感受是AI编程的能力取决于任务类型。如果是“根据已知接口写一个CRUD接口”“给这段代码加注释”“把两个工具函数之间的重复逻辑抽出来”AI的表现相当好能省一半时间。但如果是“重新设计一个高并发系统的架构”“排查一个只在生产环境出现的诡异Bug”AI目前还干不了它缺少对全局上下文的理解。所以问题的核心其实不是“AI能不能写代码”而是“AI能在多大程度上进入软件工程的复杂流程”。目前大家比较认同的一个判断是AI对初级编码任务的替代速度会很快但对系统设计、架构决策、需求理解这些高层次工作短期内依然需要人来主导。3.2 一线开发者的真实实践我自己包括身边朋友的实践现在基本是“AI副驾驶”模式。手上接到一个开发任务第一件事不是打开编辑器从头写而是先跟AI把需求捋一遍让它给出实现思路和代码框架。框架定了之后再逐模块让AI生成代码我负责审查和修改。遇到不熟悉的第三方库也会直接问AI“这个库怎么用给个示例”比翻文档快得多。这个模式最大的改变是我的精力从“制造代码”变成了“判断代码”。过去写一个模块可能要花两小时现在AI十分钟给你生成三版方案你得花半小时判断哪版更合理、有没有安全隐患、边界条件处理得好不好。展会上那些AI编程工具基本都在往这个方向做。有的强调“自动补全”有的强调“对话式开发”有的强调“整个仓库级别的理解”。你逛的时候可以重点观察一个细节它是一行一行地补全还是能够理解整个项目的结构跨文件改动后者才是有价值的AI编程工具前者说白了就是个高级点的自动补全。3.3 在展台应该问什么如果你自己写代码或者团队里有人搞开发逛AI编程展台时这几个问题特别值得问训练数据是怎么处理的有些AI编程工具用开源代码训练有些用了私有代码后者有版权风险。在商业项目里用需要特别关注这个。能否私有化部署代码是公司最核心的资产很多公司不允许代码上传到外部服务。如果AI编程工具只支持云端那对很多企业来说根本没法用。你问这一句就能筛掉一批不适合的。对大仓库的支持怎么样很多工具小项目上表现很好代码量一上来就拉胯。你可以直接问“你们的索引机制是什么支持多大的代码库”答案越具体越好。上下文窗口有多大这个参数直接决定了AI能不能“理解”整个项目。上下文越大越能跨文件关联分析生成的代码质量越高。4. 议题三AI视频与短剧热闹背后离赚钱还有多远4.1 从“玩具”到“生产力”的跨越还没完全走完今年AI视频生成也是一个绕不开的话题。打开任何一个内容平台都能刷到AI生成的漫剧、短剧、数字人播报。但你要是真在行业里待着就知道这里面水分很大。先讲技术进展。以目前主流的AI视频生成方案为例生成一段视频通常要经过文本理解、画面生成、时序一致性处理这几个环节。文本理解是用大模型把一句话脚本解析成场景、人物、动作、镜头语言画面生成是基于扩散模型或者混合架构把文字描述变成一帧帧图像时序一致性处理是让前后帧的物体、人物、光影保持连续不出现“上一秒穿红衣服下一秒穿蓝衣服”的跳变。这个流程听起来已经很成熟了但实际效果如何呢单看某几帧AI生成的画面确实已经能以假乱真。但是放到完整的几秒、几十秒视频里人物形态不稳定、细节崩坏、物理规律不符合常识等问题依然频繁出现。拍过短视频的朋友都知道宁可画面丑但稳定也不能画面美但突变后者根本没法看。所以今年AI视频的“吵”就集中在在技术还做不到完全稳定可控的前提下AI视频生成到底能商业化到什么程度有些公司激进觉得“先量产再优化”用AI批量铺量做短剧账号靠流量分成挣钱。有些公司保守觉得“画面不过关就没办法接商业订单”宁可慢一点打磨工具。4.2 AI漫剧和短剧到底是怎么做出来的现场那些AI短剧展台如果你好奇它们是怎么做出来的我听下来的主流流程大概是这样的。第一步是写剧本和分镜。用大模型直接生成故事梗概、人物对话和分集剧情再进一步把每集拆成具体的镜头每个镜头写清楚场景、人物动作、景别、台词。第二步是生成角色和场景。用AI绘画工具或者图生视频工具先生成固定的角色形象保证全剧角色长相统一。这一步看着简单其实是整个流程里最耗时间的——你要反复调提示词让AI生成的角色满足你的要求还得确保不同角度、不同表情下是“同一个人”。第三步是做镜头画面。根据分镜脚本把每个镜头的描述喂给AI视频生成工具。这一步通常要试很多次因为一次生成的结果往往不理想。抽卡式地生成几十次挑出能用的几段再拼接起来。第四步是配音和剪辑。用AI语音合成工具生成角色声音再用剪辑软件把素材拼起来加BGM、加字幕、调节奏。算一笔账制作一集几分钟的AI短剧如果工具熟练一个星期能做好几集单集成本能压到几百块。这个成本相比传统短剧动辄几十万一集低了一个数量级。但代价是画面质量、人物表演细节、剧情连贯性都有明显短板。观众第一次看会觉得“挺新鲜”看多了就会发现同质化严重。明天在展会上看到AI短剧相关展台不妨多问一句你们单集制作成本是多少素材生成成功率有多高角色一致性怎么保证这三个问题问完对方有几斤几两基本就清楚了。4.3 怎么分辨靠谱的工具和不靠谱的噱头AI视频这个赛道鱼龙混杂非常严重。有些公司真的在做技术有些公司连自己的模型都没有就是套壳调用别人的API包装一下就出来卖课、卖会员。现场分辨其实不难。第一要求看实时生成不要只看成品视频。很多展台循环播放一条精致的AI视频那是他们调了很久才调出来的。你要让他现场输入一个新脚本现场生成看真实效果。第二问“哪些环节需要人工介入”。完全自动化的AI视频生成工具目前还很少。如果对方说“全自动、零人工”基本可以判断是在吹牛。靠谱的答案应该是“某些环节已经自动化但这一块还需要人工筛选和精修”。第三留意算力成本。视频生成比文本生成贵很多一个几秒钟的片段可能就要在GPU上跑很久。你可以问“用户生成一条视频你们大概亏多少钱”——这个问题有点刁钻但如果对方真的在产品化他会明确告诉你“现在还在贴钱换规模”如果对方答不上来说明可能连商业化模型都没想清楚。5. 议题四AI Infra与模型部署“能跑”和“跑得起”是两回事5.1 为什么行业开始从“模型能力”转向“部署成本”聊完应用层我们把视线拉回底层。今年还有一个特别明显的风向转变大家不聊“谁的模型分数更高”了开始聊“谁跑同样的模型更便宜”。为什么因为模型能力已经卷到一定程度日常应用根本用不上最强模型所有的能力大家比的变成了“用得起”。一个真实的数据我可以给你参考一个中等规模的模型线上部署起来如果推理优化做得不到位一次对话的成本可能是大几厘甚至几分钱。听起来不贵但如果你的产品日活有一百万每人每天聊十轮一天算下来就是几万块甚至几十万块。这个成本压不住产品根本没法上线。所以AI Infra才成了今年炙手可热的方向。它做的事情说白了就两件一是让模型在GPU上跑得更快二是让同样的算力服务更多的人。涉及的环节包括模型量化、推理加速、分布式调度、KV Cache优化、冷热数据分层存储等等。你在展会现场会发现很多云计算厂商都在主推“大模型一体机”“推理加速平台”“一站式部署工具链”。这些东西面向的是企业客户核心卖点不是“效果多惊艳”而是“帮你把单次调用成本打下来”。5.2 部署实践里的几个真实痛点我自己做模型部署时踩过不少坑现场可以跟你分享几个最常见的。第一个是显存不够。一个大模型要把权重加载到GPU显存里才能推理。7B参数的模型用FP16精度光权重就要占14GB左右显存。如果你想同时处理多个请求或者模型带很长上下文显存马上告急。解决方案通常是量化把FP16变成INT8甚至INT4显存占用可以砍半甚至砍更多。但量化之后模型精度会稍微下降需要在成本和效果之间找平衡。第二个是推理速度慢。模型每生成一个token都要做一次前向计算。如果你没有做加速优化一个请求可能要好几秒才能返回。对于聊天机器人还好但对于需要实时响应的应用比如AI客服、语音助手这个速度就没法接受。常见优化方向包括KV Cache、批处理、投机采样等每一条都有大量工程细节。第三个是并发管理难。多个用户同时请求怎么让GPU利用率最大化怎么排队怎么限流怎么避免个别请求占满资源这些在模型效果之外的问题反而是实际部署中最折腾人的。你明天逛云厂商和AI Infra展台重点看看他们的解决方案有没有覆盖上面这三个问题而不是光看“我们支持多少种模型”这种虚的。5.3 在展台怎么把“算力账”问明白逛Infra展台别被那些花哨的可视化监控大屏唬住。真正有价值的信息要这么问“你们的推理方案相比不做优化吞吐能提升多少”对方如果能说出一个可信的数字区间比如“2到4倍”说明是有实测数据的。如果只说“大幅提升”基本是销售话术。“支持什么精度INT4会不会掉点”对方能说出在什么场景下掉点、掉多少说明是真做过测评的。“有没有私有化部署的方案”很多企业数据不能出域。如果只有公有云方案那适用范围很窄。“能不能现场给个测试Demo看首token延迟和每秒输出token数”这个最实在。推荐一个大概的标准首token延迟控制在1秒以内每秒输出token数在20以上体验才算及格。6. 议题五开源、闭源、合规与安全今年最绕不开的底线话题6.1 开源与闭源的路线之争今年AI行业另一场贯穿全年的大吵就是开源和闭源到底谁才是未来。支持开源的认为模型权重应该开放让全世界自由下载、修改、商用这样生态才能繁荣支持闭源的认为前沿模型投入太大必须靠商业化回收成本而且开放权重会带来滥用风险。这个话题在展会现场一定会反复出现。你听论坛的时候注意观察台上嘉宾的立场做模型的创业公司大概率会强调“开源推动生态”做商业化的云厂商大概率会强调“托管的优势是省心和安全”。没有绝对的对错只有立场不同。对于要落地做应用的团队来说真正关心的其实没那么复杂我能不能低成本拿到模型我想要的效果能不能满足我需要的数据能不能处理好开源模型的优势是灵活、可控、可私有化闭源模型的优势是省事、性能强、不用自己操心运维。两者之间做选择本质上是个商业权衡题不是技术信仰题。6.2 合规与内容安全今年真正的“隐形门槛”今年我在各种行业群里听到最多的一句话是AI能力已经不是瓶颈安全合规才是。这话虽然夸张方向是对的。大模型在内容层面的风险有几个常见类型。一个是生成内容不可控模型有可能输出不符合价值观的内容一个是提示词注入用户通过精心构造的输入引导模型说出不该说的话、执行不该执行的操作还有一个是数据隐私用户输入的内容可能包含敏感信息如果没有做好脱敏和隔离就会出大事。所以今年你会看到一个趋势几乎每家大模型厂商都在推“安全对齐”“内容审核”“护栏系统”。这背后需要的技术栈也不简单包括基于分类模型的内容审核、基于强化学习的人类反馈对齐、以及一套完整的监控和应急响应机制。很多普通用户不理解觉得“怎么这也不能说那也不能说”。但从产业角度看没有这些限制AI根本不可能进入正式的生产环境。银行、医院、政府、大型企业任何B端客户在采购AI服务之前都先要过合规审查这一关。如果产品没有安全能力连入围资格都没有。6.3 现场识别雷区的几个信号明天逛展会尤其是逛那些标榜“自由对话”“你想问什么都能答”的展台时留个心眼。真正有技术底气的产品不会把“无限制”当卖点反而越是这么宣传的越可能在背后用着不安全的数据处理方式。你可以在展台问这么几个问题“你们的内容安全怎么做的”“有没有测试过提示词注入攻击”“用户输入的数据存放在哪里怎么加密的”靠谱的团队张口就能答上来支支吾吾的基本可以判断产品还不成熟或者没有认真做商业化准备。另一个信号是看演示话术。一个成熟的产品经理向你介绍产品时一定会主动提到“我们在安全和合规上做了哪些工作”因为这代表了他对客户场景的理解。如果对方全程只讲“效果多炸裂”“生成多自由”对安全内容只字不提你要么换个展台问要么在心里默默把他的评分降一档。7. 明天逛展的实操建议路线规划、提问技巧和避坑清单7.1 一天逛展怎么安排路线最合理大型AI大会往往有多个展馆、十几个论坛区同时进行如果不规划半天就会累瘫而且收获很低。我自己的经验是上午逛展位下午泡论坛。原因很简单。上午人少展台上的技术人员精力也好你问问题他能跟你聊得深入。到了下午展台前人山人海技术人员疲于应付你很难问到有用的信息。论坛则相反下午的圆桌讨论往往更放得开嘉宾聊high了会说出不少上午发布会没讲的实在话。逛展位时按照“底层模型→开发工具→行业应用”这条线走。先去模型厂商那儿听一轮最新能力介绍再去开发工具和部署方案那边问一圈最后看行业应用的案例。这样你脑子里先有“能力地图”再看应用时就知道它底层大概用的什么方案不会被人忽悠。另外记得在门口拿一份展区地图把自己最想去的五六个展台标出来优先逛。AI大会永远比你想象的更大你还没有逛完脚已经先不行了。7.2 社交和提问的实战话术现场很多朋友不敢提问怕问外行问题露怯。其实完全没必要。真正有水平的提问不需要多专业只需要具体。太泛的问题比如“你们的模型怎么样”对方不知道怎么答只能回一句官方话术。具体问题才有具体答案。给你几个可以直接用的提问模板“我关注XX场景你们的方案在这里面有什么实际案例吗”“你刚才提到XX指标这个是在什么数据集上测的”“如果我要私有化部署需要什么配置才能跑得动”“你们跟XX友商相比最大的差异点是什么”“这个功能正式版上线了没有还是只在演示阶段”最后一个问题特别重要。AI行业有个习惯叫“画饼式发布”先放出演示视频实际功能可能一两个月后才上线。你问一嘴“现在能用了吗”基本就能把对方的“热菜”和“菜单”区分开。社交方面如果你带着明确的问题去交流很容易打开局面。比如你在某个AI视频展台看完演示可以顺手问工作人员“你们解决角色一致性用的什么方案”对方来了兴致可能还会加你微信。展会最大的价值就在这儿——你平时在群里问半天没人理的问题现场面对面聊五分钟就通了。7.3 逛展避坑清单最后整理一份今年逛AI展的“避坑清单”都是我从以前参会经验里总结出来的场景坑应对办法展台Demo预录视频循环播放冒充实时效果要求现场输入新指令实时生成看效果指标宣传只报成功案例的跑分不提失败率问“失败率多少”“最差情况下表现如何”发布会宣布合作、发布产品但细节全无只看技术细节不看宏大叙事销售话术什么都答“支持”实际功能在路线图里追问“现在能现场演示吗”“什么时候上线”宣传折页参数夸张和实测差距大只看技术与产品人员的口述拿折页当纪念论坛嘉宾圆桌讨论全是商业互吹信息量低只听有具体案例和数字的分享还有一条比较实在穿一双舒服的鞋。大型展会的步数基本两万起步脚力就是信息量。这次大会还有一个小技巧很多展台会准备一些小礼品扫码关注就送。不要为了礼品到处扫码你的个人信息比那个帆布袋值钱得多。把精力留给真正有价值的技术交流。明天现场记得带着问题去而不是带着手机看展台扫码。AI这行每天都有新概念冒出来但真正能沉淀下来的东西永远是“你搞明白了什么、解决了什么、验证了什么”。祝你明天逛得值。
