最近太多科技峰会了，硅谷101来点不一样的。
Alignment 2026将有整两天的时间，呈现给大家：AI前沿，到底在发生如何的剧变。
2026年10月10日-11日，硅谷101年度科技大会将第三次在硅谷举办。过去几年，我们很幸运，通过播客和视频，和大家一起追踪了这一轮AI浪潮中最重要的技术、公司和人。从大模型到Agent，从机器人到AI Infra，从实验室里的突破，到真实世界里的商业化——很多我们在节目里持续追问的问题，今年，我们继续把它们带到线下。
更重要的是，把那些真正身处变化中心的人，带到大家面前。
所以，here’s Alignment 2026: Live from the AI Frontier, Uncut.
Alignment 2026
今年的Alignment大会，会有几个很大的升级。
去年的大会我们收到很多好评，但不少人遗憾的一点是：行程太紧、时间太短了。台上的讨论意犹未尽，场外刚聊起来，一天就结束了。
所以今年，我们索性把Alignment 2026变成一场完整的两天大会。
我们希望大家不只是来“听几场演讲”，而是真的有时间和研究者、创业者、投资人，以及同样对技术充满好奇的人待在一起。有价值的讨论，不应该只发生在台上。
很多真正的思维碰撞或是合作的开端，发生在茶歇、午餐、走廊，以及一句“诶，你刚才在台上说的那个观点，我也一直在想”的后面。
我们希望创造一个沉浸式的场域。
（Alignment 2025现场）
硅谷101一直不太喜欢泛泛而谈。
相比“AI会不会改变世界”这样的问题，我们更想知道：
在前沿领域，无论是大模型还是机器人，到底在发生什么？将如何带来颠覆？
AI4S、RSI、FDE、Alignment、Agent Infra、Robotics、World Models、AI for Content……当我们忘掉公关稿和精心制作的demo，真正深入技术的本质核心，会带来完全不一样的思考。
今年最热、也最没有标准答案的问题，我们都会聊。
而我们更在意的，是谁来回答这些问题。
硅谷101更喜欢邀请那些正在一线做研究、做产品、建公司的人。
不绕弯子，不念PR稿。
我们希望在现场，对着最核心的嘉宾问出那些真正尖锐、真正核心、也真正值得讨论的问题。
（Alignment 2025 Main Stage强化学习论坛）
如果你来过前两届Alignment，应该知道：硅谷101拒绝把科技大会做得很无聊。
今年，我们还会玩得更大一点。
AI Avatar主持、音乐家与AI乐器现场合奏、机器人表演、AI Demo，以及各种我们现在还不能全部剧透的现场实验……
我们希望你在这里不仅能“听懂AI”，也能真正看到、听到、摸到AI正在变成什么。
严肃的技术讨论和好玩的现场体验，并不冲突。
平日里，很多观众告诉硅谷101，会拉着家里小朋友一起看/听我们的节目；而同样，我们的大会也老少皆宜。大人可以来追最前沿的技术趋势，小朋友也可以近距离看看机器人和AI究竟能做什么。希望在他们心中埋下一些未来的种子。
（Alignment 2025 Tech Playground现场）
这一年，视频模型进步得实在太快了。
快到已经开始动摇整个影视与内容行业原本的生产方式。
所以我们想做一个实验：
如果把最懂内容的人，和最懂AI的人放在一起，他们能把AI for Content推到什么程度？
Alignment 2026将特别设置AI短剧黑客松。
我们会把创作者、导演、编剧、AI工程师和产品人聚到一起，在新的生产工具下重新想象：一个故事，到底还能怎么被创造出来？
现场会有作品放映、专业评审团，也会有高额奖金。
但比比赛结果更让我们好奇的是：
当技术门槛快速下降之后，真正稀缺的，到底会是模型、制作能力，还是人的想象力？
我们想和大家一起看看答案。
（Alignment 2025 Tech Playground现场）
过去三年，Alignment从一个想法，慢慢变成了硅谷101每年最期待的一次线下相聚。
而2026年的AI，也走到了一个无比关键的转折点：随着OpenAI正式发布了新一代大模型GPT-6Astra，将其称为“全球最智能、对齐程度最高的模型”、且宣告AGI时代的到来，但问题是：AGI来了，SO WHAT?
从模型能力，走向Agent、科研、机器人与真实世界；从Demo里的惊艳，走向成本、收入、基础设施和规模化背后，也是今年Alignment最有价值的探讨与记录。
10月10日-11日，我们硅谷见。
用两天时间，和一群真正站在AI前沿的人，一起穿过噪音，看看这场变化真正发生在哪里。
（Alignment 2025现场演讲）
🎟️ 早鸟票现已开放
欢迎扫码或点击阅读原文购票
Alignment 2026 嘉宾亮点
陈天桥是互联网时代最具代表性的创业者之一。
近年来，他将主要精力投入Apodex，探索AI如何从“回答已知问题”走向“发现未知知识”。Apodex致力于构建面向复杂科学与研究任务的AI Discovery系统，让AI能够提出假设、调用工具、反复验证、修正错误，并在真实世界约束下持续进化。
在近期的公开分享中，陈天桥提出：AI真正改变Discovery的地方，可能不只是更高的智能，而是更低的试错成本。在Alignment 2026，他将带来主题演讲：AI Discovery vs Human Genius: Cheap Inner Loops and Expensive Outer Loops （AI发现与人类天才：低成本的“内循环”与高成本的“外循环”）
当AI可以同时探索成千上万个假设，人类“天才”的意义会如何被重新定义？下一阶段AI Discovery真正的瓶颈，又会出现在模型、工具，还是现实世界的验证系统？这将是一场关于AI、科学发现，以及未来知识生产方式的讨论。
Dylan Patel是SemiAnalysis创始人、CEO兼首席分析师，也是当下硅谷最具影响力的AI基础设施与半导体分析者之一。
从GPU、HBM、先进封装，到数据中心、电力与模型经济学，他长期追踪AI浪潮背后决定扩张速度的物理与商业瓶颈。2026年GTC上，黄仁勋曾直接引用SemiAnalysis的InferenceX测试，自封为“Inference King”。Dylan最近在媒体采访中强调：AI的下一轮跃迁不会只来自更快的GPU，而来自模型、软件、芯片、互连乃至数据中心的全栈协同设计；与此同时，算力竞赛真正的天花板正越来越多地转向内存、供应链和电力。在他看来，Inference的规模甚至可能成长为“比石油更大的市场”。
如果你想知道未来几年数千亿美元的AI CapEx最终会流向哪里，以及Nvidia的护城河究竟有多深、TPU和定制芯片能否真正挑战GPU、AI数据中心下一处最可能卡在哪里，Dylan是最值得听的人之一。
Andy Hock是Cerebras首席战略官（Chief Strategy Officer）。
在hyperscaler们疯狂修GPU数据中心的今年，Cerebra提出了一个很重要的视角：AI workload并不都是同一种workload，未来的AI基础设施也不应该只有一种计算架构。
Training与inference、离线生成与实时Agent，对延迟、吞吐和成本的要求完全不同；尤其随着Agent开始进行长链条推理和实时交互，token生成速度和ultra-low-latency inference正在从体验问题变成AI能力本身的一部分。
这也是Cerebras押注的方向。从整片晶圆打造的Wafer-Scale Engine，到新一代CS-4，Cerebras正试图用一条完全不同于传统GPU cluster的路线解决AI推理瓶颈；今年，它还与OpenAI达成了750MW的高性能推理部署合作，并与AMD探索将低延迟与高吞吐计算拆分的heterogeneous inference架构。
Andy会加入Dylan Patel的panel环节，与主持人肖志斌博士一起探讨芯片的替代性架构与算力未来。
随着大模型能力的迅速提升，Alignment（对齐）成为AI产业最重要的议题。
近来，数名Anthropic及OpenAI研究员以“人类将失去对AI的控制”为由，公开表达安全顾虑，令外界对AI竞赛的安全风险担忧骤然升温。这是硅谷101非常关注的方向，因此我们邀请了几名该领域值得听的声音。
John Yan是AI可解释性公司Gutenberg创始人，曾任Anthropic的研究工程师并参与Claude 3 Opus和Haiku的模型训练工作。在Gutenberg，John正在探索Data-Centric Interpretability：不是只打开模型权重研究神经元，而是从成千上万条真实Agent trajectories中寻找隐藏的行为模式。其最新研究利用Sparse Autoencoder分析多智能体强化学习过程，提前识别出了reward hacking、异常角色扮演，以及训练失败的根本原因。
随着AI从chatbot走向可以执行复杂任务的autonomous agent，Alignment的问题也正在发生变化：我们不仅要让模型“说正确的话”，更要理解它为什么这么做，以及它是否正在学习人类没有预料到的策略。John正站在这一变化的前沿。
在Alignment panel上，我们也邀请到了Bo Li（李博），她是Meta Superintelligence Labs（MSL）AI Safety & Security研究者、UIUC计算机科学教授，也是AI安全公司Virtue AI联合创始人。她长期研究trustworthy AI、adversarial machine learning、red teaming 与 alignment，是AI安全领域最有影响力的研究者之一。
2026 年，她与Virtue AI团队加入Meta Superintelligence Labs，继续推动frontier model与AI agent的安全、治理和可信部署。
FDE是硅谷讨论最火的词之一，我们请到了OpenAI最关键的人。
Shawn Li是OpenAI Forward Deployed Engineering（FDE）团队成员。FDE是OpenAI连接frontier model与真实企业场景的一线团队：他们直接深入客户业务，从问题定义、原型设计到生产部署，验证AI在复杂工作流里究竟能不能创造真正可衡量的价值，并把一线反馈重新带回产品与模型迭代。OpenAI也将此视为企业AI落地的重要机制。
如果说模型公司正在生产越来越强的intelligence，那么FDE要解决的问题是：怎样把这种intelligence变成真正可以运行、规模化、并重构企业工作流的系统。Shawn将从OpenAI一线部署的视角，分享frontier AI 从 Demo走向生产环境时，真正困难的问题到底在哪里。
Qifei Wang是Google DeepMind Nano Banana核心研发负责人之一，长期从事生成式AI、计算机视觉与多模态模型研究。他深度参与了Nano Banana Nano Banana Pro的研发，并负责推动通过RL on Diffusion让图像模型更好地对齐真实用户偏好。Nano Banana发布后迅速成为Google最具代表性的生成式AI产品之一，其后续版本在图像生成与编辑评测中持续位居前列。
随着Gemini的推理与世界知识被融入图像生成，模型开始能够理解复杂指令、保持人物与场景一致性、处理文字与空间关系，并通过对话持续修改视觉世界。当AI从“看懂一张图”走向“生成、编辑、推理甚至模拟一个世界”，视觉模型会不会成为继LLM之后的下一种通用智能入口？ Qifei Wang正站在这场Generative AI从content creation走向visual intelligence的最前沿。
宇宙探索，是我们今年最期待的内容之一。
Fengwu Sun（孙凤梧）是天文学家、JWST/NIRCam仪器科学团队成员，长期研究早期宇宙中的星系形成与演化。他曾参与James Webb Space Telescope（JWST）NIRCam的在轨调试与校准，也是JADES深空巡天团队成员，并领导或参与了累计超过2,000小时的JWST观测项目。2026年秋，他将从Harvard & Smithsonian Center for Astrophysics加入西湖大学，组建早期宇宙研究团队。
今天的天文学正在面对一个和过去完全不同的问题：我们获得数据的速度，已经开始超过人类科学家阅读和分析数据的速度。NASA的新一代Nancy Grace Roman Space Telescope刚刚于8月30日升空，预计每天传回约1.4TB数据——大约是JWST日均数据量的20多倍，五年将产生超过20PB的科学数据。面对这样的数据规模，没有AI，未来的天文学研究几乎难以想象。
当望远镜可以以前所未有的速度生产数据，AI能帮助天文学家更好的探索宇宙深空吗？Fengwu将从一线天文学家的视角，分享AI正在如何改变天文学，以及为什么现在可能是整个科学界最让人兴奋的时刻之一。
（韦伯空间望远镜传回的首批全彩深空图）
这会是一个keynote，有很多浪漫的宇宙照片，欢迎带小朋友们来听哦～
Michael Hsu早年师从日本机器人学家菅野重树，长期研究机器人、触觉感知与人机交互。2021年回国创立帕西尼，坚持“具身原生”为出发点：从创业之初便同步布局触觉传感、具身数据与智能执行三大路线。
他推动触觉感知实现从“万元级”到“百元级”数量级降本，在全国5大区域建设具身数据采集基地，并让机器人进入汽车制造等真实场景，持续采集数据、训练模型和验证能力。三条路线最终形成帕西尼感知—智能—执行（PIE）”全栈体系，让机器人能够感知世界、理解世界，并真正作用于世界。
2026年，帕西尼累计融资近40亿元，估值突破100亿元。许晋诚也持续推动行业标准与开放生态建设，带领帕西尼迈向具身智能基础设施平台。
AI在科学上的发展是硅谷101关注的重点方向，在Neolab panel上，我们邀请到Carina Hong（洪乐潼），她是Axiom Math创始人兼CEO，正在打造能够进行严谨数学推理、生成形式化证明并验证自身结果的“AI Mathematician”。
OpenAI今年先用未发布模型推翻了一个研究近80年的Erdős单位距离猜想，随后又公布了横跨几何、编码理论、复杂性理论等领域的10项长期开放问题的新结果或实质性进展。这意味着我们正在进入一个新的阶段：AI开始参与创造此前不存在的数学知识，而这门学科正成为AI从reasoning走向discovery最先发生质变的领域。
Carina说：“Math is AGI.” 在现场，她将深度阐释这句话背后的原因。
田渊栋（Yuandong Tian）是Recursive Superintelligence联合创始人，前Meta FAIR Research Scientist Director，曾共同领导Llama 4 reasoning，长期研究强化学习、规划、推理与大模型效率。他曾主导Meta的OpenGo项目，也指导了StreamingLLM、GaLore，以及探索“连续隐空间推理”的Coconut等研究。
如今，他正在把研究重点推向一个更核心的问题：AI能不能成为改进AI自身的研究者？Recursive正在探索Recursive Self-Improvement（RSI，递归自我进化）：让AI自己提出研究想法、修改代码、运行实验、验证结果，并把有效发现带入下一轮研究。关于AI界最近关于RSI进展的探讨，你不能错过田渊栋的分享。
Neolab的论坛上，我们还邀请到了Andrew Dai。他是Elorian AI联合创始人兼CEO，前Google Brain / DeepMind核心研究者。在Google近14年间，他参与了现代大模型发展的多个关键阶段：早期语言模型预训练研究、Mixture-of-Experts，曾领导 PaLM 2 pre-training，并负责Gemini的数据与多模态相关工作。2026年，他离开 DeepMind创立Elorian，并完成5500万美元融资，投资方包括NVIDIA、Menlo Ventures、Altimeter，以及Jeff Dean等AI研究者。
Andrew现在最关注的，是frontier models一个常被忽略的短板：AI已经能写代码、做数学、处理复杂语言，却仍然经常“看不懂”一个人类小孩轻松理解的视觉世界。Elorian因此选择押注Visual Reasoning / Multimodal Intelligence——让模型真正理解空间、结构、关系与物理世界。
杜克大学的Haozhe Harry Wang教授说，“硅”也许不是人类发明芯片的最终形态。
他的实验室长期研究二维半导体、原子尺度制造与AI for Nanofabrication，聚焦在一个越来越迫切的问题：当传统硅芯片不断逼近物理极限，下一代计算材料会是什么，我们又能不能用AI更快地找到它？Harry的团队正在研究石墨烯、MoS₂、MXene等只有几个原子厚的二维材料，希望构建更小、更快、更节能的post-silicon computing。
今年，他与Google DeepMind合作，将AI Co-Scientist接入真实半导体实验：AI提出方案并优化参数，实验室直接合成、表征和验证材料，形成从推理到物理世界反馈的闭环。当AI开始参与制造承载AI自身的下一代芯片，RSI是否会从软件世界进一步进入材料与硬件？这正是Harry Wang正在探索的未来。
Havey AI是硅谷Agent领域跑得最前面的公司，没有之一。
它选择法律这个高专业度、高价值、同时对准确性和安全要求极高的行业切入，把模型深入到研究、合同审阅、尽调、诉讼等真实工作流中。Harvey已服务全球2,400多家机构、超过20万名律师，并进入75家以上AmLaw 100律所；2026年9月宣布完成 5.5亿美元 的新一轮融资，公司估值飙升至 155亿至156亿美元，前其累计总融资额已超过15.5亿美元。
Joey Wang是Harvey Engineering Lead，负责构建面向coding与professional services的background agents。
Nico Laqua是Corgi联合创始人兼CEO/CTO。Corgi是过去一年硅谷增长最快、也最具争议的AI-native公司之一：成立于2024年，从保险切入，用AI agents重构underwriting、claims、policy operations等原本高度依赖人工的工作流，并直接成为持牌保险carrier。
Corgi的发展速度本身就极具“AI时代”色彩。2026年1月公司宣布融资1.08亿美元；5月完成1.6亿美元融资、估值13亿美元，仅三周后估值又翻倍至26亿美元；随后又被报道以约40亿美元估值继续融资。与此同时，Corgi已从startup insurance快速扩展到trucking、claims infrastructure、AI liability，最近又推出自己的admitted insurance carrier。
但Corgi极其另类的marketing playbook也让它从诞生开始就伴随争议：一家AI保险公司，在旧金山金融区开了一家24/7 Corgi咖啡店；又买下一辆醒目的巴士，提供连接YC、Caltrain和咖啡店的免费巴士。咖啡店后来甚至把菜单本身变成广告位，让科技公司购买冠名饮品。有人把这些动作视为噱头和attention hacking，也有人认为，在数字广告被AI内容彻底淹没之后，Corgi找到了一种非常AI-native的GTM：不是购买流量，而是在现实世界里制造流量、社区和话题本身。
也正因如此，Corgi是一个非常有意思的AI Agent样本。
Jiantao Jiao（焦剑涛）是NVIDIA Director of Research & Distinguished Scientist，同时任UC Berkeley EECS与统计学教授，长期研究大语言模型、强化学习、post-training与agentic AI。近年来，他深度参与NVIDIA Nemotron开放模型系列的研发，覆盖从pre-training、RL、evaluation到agent system的完整技术栈。
当最强的frontier models越来越走向闭源，NVIDIA却在做一个不同的下注：不仅开放模型权重，还开放训练数据、post-training recipe和RL infrastructure。最新的Nemotron 3 Ultra是一个面向long-running agents的550B MoE模型，同时开放 checkpoint、训练数据与训练方法；而刚刚发布的Nemotron 3.5 Lightning，则进一步把重点放在always-on Agent所需要的速度、成本和模型routing上。
这背后其实是一个比“开源 vs 闭源”更大的问题：未来AI的intelligence layer，会不会像今天的软件世界一样，最终形成一个任何公司都可以定制、训练和拥有的开放技术栈？对NVIDIA而言，开放模型也意味着模型、训练框架、推理系统和 GPU 可以被一起co-design，模型本身正在成为下一代计算平台的一部分。
当然我们的大会还会涵盖世界模型，及其对自动驾驶和机器人领域的影响。
José M. Álvarez是NVIDIA Director of AI Research，目前在Spatial Intelligence Lab 领导自动驾驶应用研究团队，研究横跨autonomous driving、foundation models、world models与Physical AI。他长期关注一个核心问题：如何让机器理解物理世界的规律，并预测“接下来会发生什么”。
José深度参与了NVIDIA Cosmos世界模型体系的研究，包括用于可控世界生成的 Cosmos-Transfer。2026年NVIDIA又发布Cosmos 3：把视觉推理、世界生成与action prediction放进同一个开放模型，让机器人和自动驾驶系统可以先在模型里“想象”不同未来、模拟行动后果，再决定现实世界中如何行动。
而José最近尤其在探索self-improving Physical AI：用reasoning自动驱动data flywheel，也就是说，World Model不只是一个更强的视频生成器，而可能成为机器人持续学习和自我进化的环境。
Wei-Chen Wang（王韋程）是Nebius VP of AI Inference，负责打造高性能、低成本的生产级AI推理基础设施。他此前联合创立Eigen AI，专注于模型优化、post-training与inference systems；2026年Eigen AI被Nebius收购，并整体融入Nebius Token Factory。更早之前，他曾在MIT HAN Lab从事高效AI系统研究，并凭AWQ（Activation-aware Weight Quantization）获得MLSys 2024 Best Paper Award——这项技术如今已成为大模型4-bit量化部署中极具代表性的方案。
随着AI从训练竞赛走向大规模真实使用，行业正在面对一笔越来越现实的经济账：模型再强，如果每个token都太贵、延迟太高，就很难真正支撑数以亿计的Agent持续运行。加入Nebius后，Wei-Chen正在把Eigen的模型优化能力与Token Factory的全球AI Cloud结合，从模型量化、speculative decoding到系统级优化，重新思考如何让inference更快、更可靠，也更便宜。
以上只是Alignment 2026的部分嘉宾，更多重磅嘉宾正在确认中，即将揭晓……
