今年，在大会同期也设有人工智能创新展览区，以标展形式为主，将展示人工智能产业链优秀企业的创新技术、产品与方案，展商预计将覆盖大模型、AI智能体、AIGC应用与AI Infra等方向。今天起，将陆续揭晓此次六场研讨会板块的议程，首先公布的是大模型记忆技术研讨会。其他研讨会、论坛、开幕式的议程也会陆续公布。01.大模型记忆技术研讨会议程出炉 聚焦解锁超级智能的新共识AI的记忆能力，正成为继Scaling之后解锁超级智能（ASI）的新共识，开始掀起AI领域新一轮热潮。去年下半年谷歌发布重磅论文“Nested Learning: The Illusion of Deep Learning Architectures”，提出一种全新的学习范式——嵌套学习，引入HOPE架构开启了LLM记忆能力的新纪元。这篇论文更是被誉为“Attention is all you need”的V2版本。也在去年底，清华大学唐杰教授在年终感悟中，更是指出“实现模型记忆成为一个必须做的事情”，并强调“这也是一个模型应用到真实环境必须有的能力。”进入2026年，DeepSeek开年发表的关于引入Engram模块以实现条件记忆的论文，不仅引发了AI圈的广泛热议，而是将大模型记忆的研究推向了新高度。而随后在国内外掀起巨大热潮的OpenClaw，其亮点之一仍然是记忆。而随着国内更多AI大厂、创业公司的持续涌入这一领域，更是推动从前沿研究、工程开发到产品实践等多方面的全面突破和百花齐放。在上述背景下，大模型记忆技术研讨会将在此次大会同期举行。这场研讨会将在大会首日下午的分会场一进行，由主题报告+圆桌Panel两个环节组成。目前，大模型记忆技术研讨会邀请到记忆张量联合创始人兼CTO、上海算法创新研究院大模型中心技术负责人、研究员李志宇，EverMind CEO兼盛大集团副总裁邓亚峰，阿里国际AIB团队算法专家、UMEM主要作者兰天，腾讯混元大模型团队Principal Researcher王锴，阿里云高级技术专家马腾，智悦云创及太忆TiMEM.ai创始人余宣庆等六位技术大咖与研究人员作为报告嘉宾带来分享。研讨会的完整议程也已出炉。
嘉宾：EverMind CEO兼盛大集团副总裁 邓亚峰简介：邓亚峰，毕业于清华大学，正高级工程师，拥有二十余年人工智能算法及产品研发经验。现任EverMind CEO兼盛大集团副总裁。曾任360集团副总裁、人工智能研究院院长兼搜索事业部总经理，科创板首家AI上市公司格灵深瞳CTO。荣获2021年中国人工智能年度十大风云人物，教育部技术发明奖二等奖。长期致力于大语言模型、计算机视觉及AI for Science等领域的研究与应用，带领团队多次在国际国内主流AI评测中获得佳绩；累计申请发明专利160余项（已授权98项），发表论文50余篇（含10篇Nature子刊）。主题：《数字“龙虾”的蜕变：EverOS长期记忆驱动下的智能体进化论》概要：在本talk中，首先会结合OpenClaw和近期行业的热点事件，阐述未来Agent的发展趋势；其核心认知是，从通用大模型向具备长期记忆和自我演进能力的Agent跨越，正是当前最具商业和技术落地价值的深水区。在基础模型蓬勃发展之上，Agent的核心价值和壁垒将主要取决于长期记忆能力。其次，将递进介绍长期记忆的价值：如何更高效地利用上下文(Efficiency)；如何记住用户偏好(Alignment)；如何形成自我演进(Evolution)。进一步，结合我们在长期记忆方向所做的主要工作，特别是EverOS（定位为AI时代的长期记忆操作系统）和MSA（Memory sparse attention）Model，讲述我们在相关方向取得的技术进展，以及对未来技术发展趋势的认知。最后，将结合具体的案例说明长期记忆的用户价值。
嘉宾：阿里国际AIB团队算法专家、UMEM主要作者 兰天简介：兰天，毕业于北京理工大学，现任阿里国际AI Business团队算法专家，聚焦于Long-horizon Agent相关技术的前沿研究与业务落地。在ICLR、NeurIPS、ACL、EMNLP、TOIS等顶级学术会议与期刊上发表多篇代表性工作，包括Copy is all you need、Block-attention、Contrastive search等，Google学术累计引用量1500余次。在人工智能与自然语言处理领域拥有扎实的学术积累与丰富的工业界实战经验，当前致力于推动大模型与复杂Agent技术在真实业务场景中的技术演进与创新应用。主题：《UMEM：打破Agent“死记硬背”困局的可泛化记忆框架》概要：当前LLM Agent的长期记忆系统存在一个致命缺陷：过度拟合当前任务。现有方法只要能解决当下问题，就会把所有细节（包括噪声）存入记忆库，导致严重的"死记硬背"现象——遇到稍微变化的新任务，Agent便无法应对。核心问题在于：传统方法将记忆提取视为静态过程，仅通过提示词驱动，缺乏面向未来任务的泛化优化。我们提出UMEM（Unified Memory Extraction and Management），首次实现记忆提取与管理的端到端联合优化。核心创新包括：（1）语义邻域建模：构建与当前问题相似的Top-N查询簇，模拟"未来可能遇到的相似任务"；（2）边际效用奖励：只有当记忆在整个邻域上都能提升性能时，模型才获得高分；（3）GRPO优化算法：端到端训练记忆提取策略，确保记忆的泛化能力。在5个权威基准上的验证结果：（1）多轮交互任务（ALFWorld）成功率提升10.67%（61.11%→71.78%）；（2）单轮推理任务平均提升5.82%，显著超越ReMem、Memp等强基线；（3）跨模型泛化：小模型训练的记忆优化器可直接赋能更强模型。当前UMEM的技术方案已经应用于部分真实Agent相关业务场景，实现效率提升和Agent能力自演进。
GenAICon 2026约 11 分钟