2026年，AI行业正在进入一个新的阶段。
OpenAI、Anthropic、Google等公司的前沿模型竞赛愈发激烈，AI的发展也开始向不同垂直方向加速延伸。
从超级智能、RSI和AI安全，到AI Agent、机器人、世界模型和AI for Science，行业正在探索下一代智能的技术路径，以及AI究竟能够完成哪些工作、创造多少价值。而在背后，芯片、算力、数据中心和能源，一场规模空前的基础设施竞赛也在同步展开。
技术发展越来越快，问题也越来越复杂：下一代AGI将如何出现？AI能否真正进入物理世界？巨额资本投入又将如何转化为可持续的商业价值？
10月10日至11日，由硅谷101主办的年度科技大会Alignment 2026，在美国硅谷Sunnyvale的Plug and Play Tech Center举行。
本届大会以“Live from the AI Frontier, Uncut”为主题，汇集了来自OpenAI、Google、英伟达以及学术界、投资机构和AI创业公司的众多一线研究者、创业者与行业决策者。
两天时间里，十余场Panel、Keynote和特别活动，吸引了上千名观众来到现场，与我们共同探讨AI技术与产业发展最前沿的问题。
这一次，我们也尝试做一场不太一样的科技大会。AI不再只是台上讨论的话题，也真正走进了现场。
AI主持人登台串场，与机器人一起弹钢琴，AI音乐演出带来全新体验。
机器人们也来到现场跟观众互动，跟你握手、互动，甚至为你做一杯专属咖啡。
Story101 AI视频黑客松则让创作者们用AI展开创意比拼。我们希望让观众在聆听前沿观点的同时，也能亲身感受AI带来的全新可能性。
而以下是本届大会各个论坛的重点回顾：
Alignment Under Pressure: Can We Develop Superintelligence Safely?
大会的第一场讨论从当前最受关注的“AI对齐”话题展开，Emergences Labs联合创始人兼CEO Kolento Hou担任主持人。他首先向现场观众提出一个问题：有多少人每天使用AI？几乎所有人都举起了手。但当他接着问，有多少人会检查AI完成任务的每一步时，举手的人明显减少了。
这也引出了整场讨论的核心：当我们越来越多地把工作交给AI，究竟需要什么，才能真正信任它？
Center for AI Safety研究员Long Phan特别提到了今年7月发生的OpenAI与Hugging Face安全事件，他认为，这起事件暴露了AI安全研究中一个越来越棘手的问题：Reward Hacking，即模型为了获得更高奖励，主动寻找规则和系统中的漏洞。随着模型能力提升，这类行为可能越来越难以预料。因此，更高的Benchmark分数并不必然意味着模型更加安全，还需要建立能够及时识别越界行为的评估机制。
Gutenberg创始人John Yan则强调，AI安全仅靠外部测试和规则还不够，需要多层独立的防御机制，包括安全训练、独立评估、沙盒和模型可解释性研究。他特别指出，当未来成千上万个Agent能够高速协同工作时，人类可能来不及发现和阻止危险行为，因此风险检测和应急响应也必须逐步自动化。
UIUC教授、Virtue AI联合创始人Bo Li表示，AI安全不是单个模型的问题，而是涉及基础设施、模型和应用的系统性挑战。随着Agent开始调用真实工具、执行复杂任务，风险也更加隐蔽。例如，编程Agent可能在清理代码分支时误删主分支。她认为，安全防护需要覆盖Agent的整个执行过程，并在危险行为发生前识别风险。她还介绍了利用一个Agent监督另一个Agent的研究方向，以实现更及时的自动化安全监控。
对于更长远的超级智能安全问题，嘉宾们也承认，目前尚无成熟的解决方案。如何让能力超过人类的AI仍然遵循人类意图，是整个行业必须持续研究的问题。
Faster Than Ever, But What If No One Wins?
随着DeepSeek、Kimi、Qwen等开放模型不断缩小与前沿闭源模型的差距，大模型竞争正在进入新的阶段。这场讨论由Pacific Compute创始人Caithrin Rintoul担任主持人，围绕开放模型能否挑战闭源巨头，以及模型能力快速普及后，AI产业将如何重新分配价值展开讨论。
这场讨论的一个核心问题是：当开放模型能够快速追赶闭源模型的技术突破，领先者还能维持多久的优势？随着模型能力差距不断缩小，闭源厂商需要持续开拓新的能力边界，而开放模型也正在为更多创业公司提供新的选择。
Leonis Capital合伙人Jenny Xiao提出了一个有意思的判断：中国开放模型的发展，可能是美国AI创业公司遇到的最好的事情之一。开放模型不仅降低了创业公司的成本，也减少了它们对OpenAI、Anthropic等闭源厂商的依赖。不过，她对开放模型厂商自身的商业前景并不乐观，认为开放模型创造的大量价值，最终可能由应用层公司获取。
讨论也进一步延伸到开放模型的商业化路径：除了模型本身，算力、部署工具和基础设施的整合优化，是否能够成为新的价值来源？而当模型能力越来越容易获得，未来AI产业的竞争，或许将更多取决于谁能把这些能力转化为真正有竞争力的产品和服务。
The Billion-Dollar Bet on a Different Path to AGI
2026年，硅谷出现了一批被称为Neolab的新型AI研究实验室。它们由顶尖研究者创立，融资规模惊人，却往往押注尚未被验证的技术路线。为什么这些团队相信，自己能够找到不同于OpenAI、Google等巨头的AGI发展路径？在这场讨论中，MoE Capital合伙人Henry Yin担任主持人，邀请三位Neolab创始人，分别介绍了他们的探索。
Axiom Math创始人洪乐潼（Carina Hong）介绍了AI在数学证明领域的进展。借助Lean等形式化证明工具，AI生成的数学证明能够被计算机严格验证。她分享了Axiom与OpenAI在数学研究纪录上快速交替突破的案例。不过，她也指出，当前AI更擅长解决和证明已有问题，距离自主提出具有重大价值的新数学猜想，还有很长的路要走。
Elorian AI联合创始人Andrew Dai则将目光投向视觉推理。他以拼乐高、组装宜家家具为例解释道，AI虽然已经能够生成精美的图像和3D内容，但生成内容与真正理解物理和空间结构之间，仍然存在明显差距。他希望开发能够直接理解视觉和空间关系的模型，而不必先把图像转化为语言，再依赖语言模型进行推理。
Recursive Superintelligence联合创始人田渊栋探索的是另一条路径：让AI参与改进AI自身。他介绍，Recursive正在尝试把AI引入模型预训练、后训练和强化学习等环节，自动寻找更高效的训练方法。不过他也坦言，目前AI更擅长执行研究任务，仍然缺乏人类科学家判断哪些问题值得研究的能力。
当Henry追问，为什么这些研究必须由独立实验室来完成时，田渊栋指出，AI的发展仍然是一个科学问题。找到正确的研究方向，可能比单纯投入更多算力更重要。而组织更灵活、研究方向更聚焦，正是Neolab挑战大厂的机会所在。
From Prediction to Discovery: AI Becomes a Scientist
AI正在加速科学研究，但找到一个新的科学线索，是否就意味着完成了一项真正的科学发现？在这场讨论中，硅谷101创始人泓君担任主持人，她以Anthropic近期利用约950个Claude Agent、在21小时内识别出一种“类CRISPR”的酶系统为例，提出了一个关键问题：当AI能够快速找到大量候选目标，科学发现最大的瓶颈究竟在哪里？
华盛顿大学计算机科学助理教授Sheng Wang指出，AI已经能够大幅加快候选目标的发现，但找到正确的研究问题，以及通过实验验证假设，仍然非常耗时。现实中的实验流程复杂，能够供AI学习的数据也十分有限。尤其在生物医学领域，大量失败实验的结果从未被公开，而这些负面数据恰恰是AI理解哪些路径行不通的重要依据。
Fusion Fund创始管理合伙人Lu Zhang则从产业角度强调，AI加速药物发现，不等于加速整个药物研发过程。从候选药物到临床试验，仍然需要漫长且昂贵的验证。她认为，下一阶段的重要机会在于实验室自动化：让AI与机器人参与实验设计和执行，系统性收集实验数据，并将结果持续反馈给模型。
讨论还涉及AI科学创业公司的竞争壁垒。两位嘉宾都认为，相比单纯拥有更强的模型，高质量的专业数据、可靠的实验验证能力，以及持续产生新数据的反馈闭环，可能更难被复制。
这场讨论也揭示了AI for Science下一阶段的关键挑战：当AI提出假设的速度越来越快，如何让实验验证跟上，并让每一次实验都成为下一次发现的基础，将越来越重要。
The PIE for Physical AI
机器人要真正走进现实世界，仅仅拥有聪明的“大脑”还远远不够。它不仅需要识别物体，还要感知接触、理解受力，并准确执行动作。帕西尼（PaXini AI）创始人兼CEO 许晋诚博士（Michael Hsu）在主题演讲中表示，真实世界才是检验机器人能力的最终标准，而物理交互数据则是推动机器人学习和泛化的关键。
围绕这一判断，许晋诚博士介绍了帕西尼的PIE技术体系，即感知 (Perception)、智能 (Intelligence) 和执行 (Execution)，涵盖从物理世界感知、数据与模型能力建设到机器人执行的技术布局。
在感知层面，帕西尼基于自研芯片架构，重点开发了覆盖机器人指尖、手掌、关节和全身皮肤的触觉与力觉传感器，让机器人获得更加完整的外部接触感知与自身状态感知能力，满足行业客户不断涌现的定制化需求。
在智能层面，公司正加速布局数据工厂。许晋诚博士介绍，帕西尼OmniSharing DB已累积超过100万小时数据，处于行业领先地位。同时，帕西尼拥有自主研发的OmniVTLA 2.0 全模态大模型，即将推出融合视觉、语言与触觉信息的Feelix World技术，让机器人面对陌生环境与全新任务时，能够实现零样本跨平台泛化。
在执行层面，帕西尼也展示了以DexH13灵巧手为代表的产品，该产品已通过超2万小时的高强度使用测试，具备卓越的可靠性。同时，帕西尼希望通过标准化触觉矩阵、高质量全模态的数据集，以及经过验证的执行终端，赋能广大开发者，助力更多机器人完成真实世界中的操作任务。
帕西尼的探索也反映出物理AI面临的一个核心挑战：与语言模型不同，机器人需要通过与环境不断交互，学习如何应对不同物体、任务和物理条件。如何依托真实物理交互搭建可持续的学习闭环，是机器人通往通用智能的核心命题。
而帕西尼希望，这样的一套自闭环、自进化的“PIE”体系可以赋能硅谷AI乃至全球企业快速获得在物理世界中落地的能力，最终帮助物理AI实现更大规模、更高质量的产业落地与价值释放。
Has the Robot Scaling Law Arrived?
大语言模型通过扩大数据和算力规模，实现了能力的快速跃迁。但同样的Scaling Law，能否在机器人领域复制？在这次讨论中，Blue River Technology的Junwu Zhang担任主持人，邀请来自机器人数据、基础模型和灵巧操作领域的三位嘉宾，共同讨论机器人距离真正的规模化还有多远。
PrismaX创始人兼CEO Bayley Wang认为，机器人训练需要大量高质量数据，但现实世界的数据采集成本远高于互联网文本。同时，机器人还受到算力、功耗和硬件成本的限制。因此，单纯扩大模型规模，未必是最有效的路径。他也指出，机器人硬件形态过于分散，阻碍了数据和模型在不同平台之间复用。
Skild AI的研究科学家Jiachen Zhu认为，机器人数据的多样性正变得比单纯的高质量更重要，互联网视频、第一视角视频等数据的价值在上升。但他认为近期备受关注的World Action Model未必能够有效Scaling，因为机器人真正的难题之一是如何理解模糊的任务指令，而提前生成未来画面并不能解决这一问题。他认为未来有望通过一个通用模型控制不同类型的机器人，进而实现“一脑多体”。
Amazon Frontier AI & Robotics研究员Haozhi Qi则强调，机器人需要分阶段学习不同的能力。预训练阶段可以利用大规模数据去学习物理规律和基本知识，但要完成精细操作，仍然离不开真实世界的交互数据，以及触觉、力觉等多模态信息。比如人类在组装家具、拧螺丝等操作中，会依赖大量视觉无法捕捉的信息。所以如何将触觉反馈与模型学习结合起来，将是一个重要的研究方向。
讨论中，Junwu还提出了一个新方向：能否借助Agentic Robotics，让机器人像AI Agent一样进行推理、规划和行动？对此，Bayley直言，目前直接使用大型语言模型控制机器人，在速度和成本上仍然很不理想。
整场讨论也反映出，机器人Scaling的关键，仍然涉及高质量数据、模型效率、触觉感知和硬件标准化等多个环节。机器人行业正在向通用智能迈进，但如何实现类似大语言模型的规模化突破，仍然存在不少技术分歧。
From Generating Pixels to Simulating Reality
世界模型是当前AI研究最热门的方向之一，但什么样的模型才能真正理解和模拟世界，行业仍然没有统一答案。AMD近期收购World Labs的消息，更让外界开始重新审视这项技术的商业价值。在这场讨论中，淡马锡的Nan Zhou担任主持人，与来自Google DeepMind、NVIDIA、World Labs和Tripo AI的嘉宾，讨论了世界模型的技术路线、数据瓶颈和商业应用。
Google DeepMind的多模态负责人Qifei Wang认为，视频生成模型的快速进步，证明了Scaling在学习世界规律方面的潜力。但仅靠视觉数据还远远不够，未来的世界模型需要融合机器人、自动驾驶等更多真实交互数据。对于JEPA等不同技术路线，他保持开放态度，认为现在还很难判断哪一种架构最终能够胜出。
NVIDIA的AI研究主管José M. Álvarez强调，世界模型的发展不能只关注数据规模，更需要建立有效的评估体系。只有明确模型需要掌握什么能力，才能知道应该收集什么样的数据。他尤其看好利用世界模型生成反事实场景，例如模拟自动驾驶中罕见的危险情况，帮助系统训练。但合成数据的效果仍然需要真实世界验证。
SceniX（已被World Labs收购）的联合创始人Changxi Zheng认为，真正的世界模型应该能够理解物体的物理属性和动态变化，而不只是生成逼真的画面。他介绍了Real-to-Sim-to-Real技术路径，希望通过世界模型降低机器人仿真和训练的成本，但复杂物理过程的模拟仍然面临很大挑战。同时他也提醒，外界可能高估了现阶段世界模型的泛化和长期预测能力。
VAST的联合创始人、首席科学家曹炎培认为，真正的世界模型不仅要能维护世界中存在的对象，还需要理解物体状态及交互带来的变化。例如，一个人在虚拟房间里打开一扇门，离开后再回来，门应该仍然保持打开。围绕这一目标，VAST正在通过Project Eden探索将世界状态与画面渲染分离。在商业化方面，他指出，目前公司的业务仍以3D生成为主，但世界模型有望带来更大的变化，让AI创作从静态3D资产走向可交互的虚拟世界，进一步降低创作门槛，吸引更多普通用户参与。
The AI Revolution in Astronomy
AI正在改变科学研究，而天文学可能是最迫切需要AI的领域之一。随着新一代太空望远镜和地面观测设施投入使用，人类获取宇宙数据的能力正在快速提升。但面对海量图像和观测信号，仅靠科学家人工分析，已经越来越难以应对。
西湖大学助理教授Fengwu Sun在Keynote中指出，AI已经成为科学家分析数据、寻找新天体的重要工具。
他以詹姆斯·韦布空间望远镜（JWST）、Nancy Grace Roman空间望远镜和Vera C. Rubin天文台为例，介绍了天文观测数据的快速增长。根据他在现场分享的数字，新一代望远镜每天可能产生数TB乃至数十TB的数据，以及数百万条天文事件提醒，远远超出科学家人工处理的能力。
AI正在帮助科学家解决这一问题。例如，机器学习可以从海量观测数据中识别引力透镜、超新星等天文现象，也可以通过自监督学习降低图像噪声，发现更加微弱的天体信号。未来，AI还可能进一步参与望远镜的自主观测和任务规划。
在Fengwu看来，天文学既迫切需要AI，也可能成为AI研究的重要试验场。宇宙每天都在产生海量、真实且未经标注的新数据，为AI提供了持续学习和探索未知规律的机会。他还谈到了一个有意思的变化：随着商业资本进入太空观测领域，一些新望远镜项目开始借鉴科技创业公司的研发模式，希望通过更快的迭代和商业化供应链，降低天文观测的成本。
Agents That Actually Do the Work
2026年，AI Agent已经从聊天窗口走向电脑、浏览器和企业系统。但当AI开始真正替人执行任务，新的挑战也随之出现：如何让Agent稳定运行、记住上下文，并且以足够低的成本完成工作？这场讨论中，Gen首席AI与创新官Howie Xu担任主持人，和来自CREAO、Poke.ai、Harvey和SpaceXAI的嘉宾，讨论了Agent发展的技术瓶颈、模型选择和产品设计。
CREAO联合创始人兼CTO Peter Pang认为，Agent下一阶段的挑战，是如何真正进入企业、稳定地完成工作。这不仅需要可靠的底层基础设施，也需要企业改变传统的工作方式。他还指出，模型能力的提升，未必能带来Agent实际表现的同比例增长。CREAO在两个月内将超过95%的Agent流量切换至自行部署的开放权重模型，任务质量和用户表现却没有明显下降。这说明，对于大量日常任务，较小的模型已经足够胜任。
Poke.ai创始人Bill Zhu则认为，未来Agent的重要发展方向是本地化和边缘部署。他指出，今天大量AI模型依赖昂贵的GPU和云端算力，但如果要让Agent真正成为个人助手，就必须解决普通电脑上的内存、带宽和推理效率问题。相比不断追求更大的模型，他更看好能够以低成本在本地持续运行的Agent。
Harvey工程负责人Joey Wang则强调，Agent进一步普及的瓶颈是用户信任。他分享了Harvey在法律AI产品开发中的经验：随着团队扩大，工程师可能并不真正了解律师如何使用产品，而出于隐私保护，团队又无法随意查看客户数据，这使得发现和解决问题更加困难。Harvey也观察到，用户越来越少检查Agent的中间推理过程，而更愿意直接使用和分享最终结果。
Grok Bot的设计师Peng Zheng则从产品设计角度提出，Agent产品需要重新思考人机交互方式。他强调，产品团队应该从用户真正需要完成的任务出发，而不能仅仅因为某项技术令人兴奋，就把它加入产品。对于很多任务，用户真正关心的是结果，以及系统是否可靠地朝着目标推进。
From Frontier Model to Production: Why AI Needs Engineers in the Room
随着AI模型能力不断提升，越来越多的企业开始尝试将AI部署到真实业务中。但如何从调用模型API，走向稳定、可靠的生产系统，仍然是一个复杂的工程问题。在这场由硅谷101主持人Yiwen Lu主持的讨论中，来自OpenAI、Invisible Technologies和Cresta的嘉宾，共同讨论了Forward Deployed Engineer（FDE）这一最新火热职业角色的价值，以及AI企业服务市场正在发生的变化。
OpenAI的FDE团队负责人之一Shawn Li认为，FDE的核心工作，是帮助客户将模型能力转化为实际业务价值。他表示在实际部署中，模型必须理解企业内部复杂的数据结构、业务定义和权限规则，如果没有这些知识，即使模型本身能力很强，也很难可靠地完成任务。Shawn表示，OpenAI的FDE会直接与模型和产品研发团队合作，把企业客户遇到的问题反馈给研究人员，从而推动模型能力的改进。
Invisible Technologies的副总裁Oliver Bjørner Søe则提出，FDE应该直接对业务成果负责。他用一个简单的公式概括FDE的价值：交付质量 × 实际采用率（Quality × Adoption）。在他看来，即使技术表现出色，如果员工不愿意使用，也无法创造真正的商业价值。因此，FDE需要同时解决技术问题和组织内部的采用问题。他还提出了一个预测：2026年企业关注最多的是Token成本，而到2027年，AI系统的维护成本可能成为新的焦点。
Cresta的工程和研究负责人Duo Ding则从应用的角度，强调了行业知识和评估体系的重要性。他用Cresta在航空公司、酒店等行业的实践为例，介绍部署Agent需要大量行业知识和定制工作。对于基础模型公司是否会逐渐进入垂直应用市场，Duo认为，OpenAI、Anthropic等公司的主要目标仍然是推动基础模型能力的发展，而各个行业复杂的业务规则、系统集成和客户需求，为垂直AI公司留下了重要的市场空间。
The Gigawatt Race: Boom, Debt, and the Cost of AI
AI基础设施投资正在快速增长，但当数据中心的建设规模从兆瓦级迈向吉瓦级，电力供应、建设周期和融资成本，正成为制约行业发展的关键因素。这场论坛由Franchise Capital的AI基础设施投资人Christina Xu主持，与来自GMI Cloud、Esoteric Capital以及数据中心能源领域的嘉宾，探讨了AI算力扩张面临的现实瓶颈，以及这轮基础设施投资热潮背后的金融风险。
数据中心与能源战略专家、前微软突破能源总监Yixing Xu指出，过去一年，美国数据中心的能源策略发生了明显转变。由于大型输电网络建设困难，越来越多企业开始采用“表后发电”（Behind-the-Meter），直接在数据中心附近建设天然气发电设施。他估计，今年规划中的数据中心约有30%—50%正在考虑这类方案。直接后果是天然气涡轮机供不应求。但他表示目前这些建设也存在延误风险：电力接入、设备短缺、监管审批和当地社区反对，都可能导致项目延期一年甚至更久。
GMI Cloud创始人兼CEO Alex Yeh也强调，电力已经成为全球算力扩张最稀缺的资源。在美国，一个大型数据中心从规划到真正投入使用，往往需要两年左右。为了获得更快交付的算力，部分客户甚至开始接受过去不愿考虑的20—30兆瓦小型项目。他也表示，数据中心通常需要12—15年的长期租约，而算力合同往往只有4—6年。这种错配既是行业面临的挑战，也为能够解决这一问题的企业创造了商业机会。
Esoterica Capital CEO Bruce Liu则从资本市场角度提出了不同的观察。他认为，AI基础设施建设正在推动美国私人部门进入新一轮加杠杆周期。尽管市场担忧科技公司的巨额资本开支和债务增长，但他认为，大型科技公司的资产负债表仍相对健康，当前信用利差扩大更多是商业模式转型过程中的风险重新定价，而不一定意味着泡沫破裂。不过，部分新兴云服务商和能源项目的融资成本已经明显上升，未来仍需要依靠AI收入的持续增长来支撑这轮投资。
Bringing AI to the Fab for Next-Generation Semiconductors
随着AI算力需求持续增长，芯片也需要突破传统制造工艺的限制。在这场主题演讲中，杜克大学助理教授Harry Wang介绍了下一代半导体材料的发展方向，以及如何利用AI加速从材料发现、实验验证到芯片制造的过程。
他重点介绍了以二硫化钼为代表的二维半导体材料。与传统硅材料相比，这类材料具有极薄的原子层结构，有望让晶体管进一步缩小尺寸。但从实验室走向规模化制造，仍然面临材料缺陷、工艺控制和良率等挑战。
AI也正在成为解决这些问题的新工具。Harry分享了团队利用机器学习分析显微图像、识别材料缺陷的研究，并介绍了与Google DeepMind合作探索的AI科学家系统，希望让AI进一步参与实验设计、自动化操作和结果分析，加速新材料的发现与验证。
演讲最后，他提出了一个更具想象力的方向：当AI不仅能够改进自身模型，还能设计和制造运行自己的芯片，是否会形成一个持续自我进化的飞轮？他将这种模型与硬件共同演化的可能性称为Autogenic Intelligence（自生智能），并借用生物学中的“蟹形趋同”现象提出一个开放问题：未来AI与芯片的共同演化，究竟会产生多样化的智能形态，还是最终收敛到某种相似的结构？
从新材料研发到AI参与芯片设计，Harry的演讲展示了一个值得关注的方向：AI不仅需要更强大的芯片，也可能反过来成为推动下一代芯片诞生的重要力量。
Inside the Token Economies
算力需求持续爆炸性增长，但GPU和电力供应的扩张速度却难以跟上。如何通过软件优化，让现有硬件运行得更快、更高效，成为AI基础设施行业的重要课题。在这场由ZFLOW AI创始人兼CEO Zhibin Xiao主持的论坛中，围绕AI推理优化、从研究走向实际部署的挑战，以及基础设施公司的竞争壁垒展开了讨论。
Inco.ai创始人、加州大学圣地亚哥分校助理教授Zhijian Liu认为，未来AI推理需要针对不同模型、芯片和应用场景进行更精细的优化。当推理规模足够大，即使5%到10%的性能提升也具有重要价值。但他也指出，学术测试与真实业务往往存在差距。例如，Agent执行定时任务时，可能每隔30分钟产生一次请求高峰，这类真实负载很难通过传统测试充分模拟，因此推理系统需要在实际部署中不断优化。
RadixArk联合创始人兼CTO、华盛顿大学助理教授Banghua Zhu认为，未来通用推理引擎将负责广泛兼容，专用引擎则追求极致性能，而更轻量、适合AI Agent开发的软件框架可能成为连接两者的关键。他还提出，AI基础设施领域很难依靠单一技术建立长期护城河，真正的壁垒是人才和持续创新能力。随着模型和硬件快速迭代，RadixArk更重视开源社区，以及与模型公司、芯片厂商的协同创新。
嘉宾们还讨论了推理软件公司的独立价值。嘉宾们都认为，随着推理硬件走向专用化和异构化，软件系统虽然更加复杂，却也可能因此获得更大的发展空间。
The Autonomous Hedge Fund: From Quant Models to Market Agents
AI正在从辅助金融研究和量化分析，进一步走向自动制定投资策略、管理投资组合，甚至直接执行交易。硅谷101的主持人Yiwen Lu与来自量化交易领域的几位嘉宾一起探讨了AI如何改变投资研究、量化交易和对冲基金的运作方式。
这场讨论的一个关键的问题是，AI究竟能否独立发现超额收益（Alpha），还是只能成为人类投资者更高效的助手？
Scalar Field联合创始人兼CEO、华盛顿大学教授Amandeep Singh认为，AI正在改变量化交易行业的门槛。比如Scalar Field正在开发面向个人投资者的交易Agent，让用户能够提出投资想法，再由AI完成财报研究、投资组合构建和交易执行。但他对AI自主寻找Alpha持谨慎态度，因为真正有效的交易策略往往是机构最严密保护的商业秘密，并未出现在大模型的训练数据中。至少目前，他还没有看到AI能够通过长期自主研究，稳定发现新的Alpha。
前DRW AI研究科学家Wei Wu则从量化交易的角度指出，深度学习早已被应用于金融市场，而新一代AI Agent的价值，是进一步加速从数据处理、模型开发到策略回测的研究流程。但金融市场是一个不断变化、噪声极高的复杂系统，模型很容易在历史数据上过拟合。与编程任务不同，交易策略的有效性很难通过单次测试验证，而需要大量样本进行统计检验。
Tauric Research创始人Yijia Xiao则更关注AI如何改变普通投资者获取信息的方式。他认为，投资Agent需要具备三个层次的能力：深入搜集市场尚未充分关注的信息、理解产业链和行业之间的关联，以及根据个人风险承受能力提供差异化的投资建议。他指出，如果所有投资者都使用相同的AI工具，产生的投资想法可能高度相似，难以形成真正的竞争优势。未来的关键，或许是能否利用AI发现市场共识之外的机会。
AI for Content Creation: The Future of Creative AI
AI正在如何改变人类的创作方式？这场论坛没有采用传统的圆桌讨论形式，而是由四位来自Suno、Runway、Google和Utopai Studios的嘉宾，分别通过现场演示、作品展示和技术讲解，呈现AI在音乐、视频、艺术和影视制作中的最新应用。
论坛开始前，Suno创始工程师Gim Miao和古典钢琴音乐家Natalie Ding带来了一场AI音乐演出。从古典旋律出发，音乐逐渐融入流行、电子、爵士等不同风格，展示了人类音乐家如何借助AI进行实时的音乐改编与创作。
随后，Gim Miao进一步展示了Suno AI的音乐创作实践。他表示从现场演出、唱片、CD到Spotify等流媒体平台，音乐越来越容易获取，但听众仍然主要是在被动消费别人创作的内容。但生成式AI带来的变化，是让普通人也能轻松参与音乐创作，除了生成完整歌曲，还可以对音乐进行延展、翻唱和编辑。Gim也展望了音乐Agent的可能性，未来AI或许能够根据用户的心情、喜好和偏好，主动创作个性化音乐。
Runway研究总监Jimei Yang则从视频生成的技术挑战切入。他指出，与语言模型相比，视频模型需要处理的信息量更庞大，还面临难以准确描述、生成结果缺乏统一验证标准等问题。现场他展示了Runway生成的视频作品，以及大会第一天AI主持人的制作过程。他认为，视频生成技术正在逐渐成为创作流程中的基础工具。当观众不再首先讨论“这是不是AI生成的”，而是被故事本身打动时，意味着技术真正进入了内容创作中。
最后，Utopai Studios首席科学家Zijian He展示了AI原生影视制作的工作流程。通过理解剧本、拆分场景、管理人物设定和批量修改镜头，AI可以参与从剧本到成片的多个环节。他谈到，AI影视制作与模型训练之间存在一个反馈循环：导演和创作者在实际制作中对镜头的选择与修改，可以转化为训练数据，持续改进视频模型。未来创意AI领域的竞争优势，不一定只属于拥有最多算力的公司，也可能属于能够从真实影视制作中持续获得高质量反馈的团队。
从音乐创作到电影制作，这些现场演示展现了AI正在进入越来越完整的创作流程。但几位嘉宾的分享也指向一个共同的变化：当AI能够提供海量素材、完成复杂的制作任务时，人的创意、审美和判断力，仍然决定着作品最终的表达。
Framing the Future: AI Hackathon Screening, Awards & Insight Session
此次大会，我们还举办了“Story101 AI视频黑客松”，比赛主题为“Tomorrow Unscripted”，希望参赛者想象：当一种过去不可能实现的能力进入日常生活，一个人的故事将如何改变？
此次黑客松共吸引了约100名参与者组成的近40支队伍，在不到12小时内完成AI短片创作。现场逐一展映了获奖作品，并举行了颁奖仪式。关于参赛者如何利用AI完成短片，以及背后的创作故事，我们将在后续推出专门的黑客松回顾，欢迎大家关注。
而在随后分论坛中，Soulscape创始人Keith Zhang担任主持人，邀请Cinematic Design Thinking顾问Mark Cordell Holmes、I2A2 Studios & Lab创始人、前华纳兄弟高级副总裁Renard T. Jenkins、DramaBox海外短剧主编Zizhao Yu，以及Pickford创意负责人Bernie Su，共同探讨AI时代影视创作的核心能力。
Renard T. Jenkins认为，AI虽然大幅降低了影视制作门槛，但没有改变电影创作的基本规律。无论技术如何进步，创作者首先需要塑造能够让观众产生情感连接的人物，并建立清晰的故事结构。他指出，AI可以将过去需要数小时完成的视觉制作工作缩短到十几分钟，但编剧、导演、摄影、声音和剪辑等专业能力仍然不可或缺。
Bernie Su则用交响乐团作比喻：AI正在承担过去由不同专业团队完成的制作工作，让更多人有机会成为导演，但这不意味着人人都懂得如何“指挥乐团”。创作者仍然需要理解灯光、音乐、表演和叙事节奏如何影响观众的情绪。他认为，AI降低了技术门槛，但真正的竞争力仍然来自对故事和观众体验的理解。
Zizhao Yu从实际制作经验出发，提醒创作者关注AI影像中容易被忽略的人物细节。例如，人物的眼神、动作和情绪反应是否自然，不同镜头之间能否保持连贯，都会直接影响观众的代入感。他还建议预算有限的团队重视提示词设计，减少反复生成无效素材的成本，而不是一味追求单个镜头的视觉效果。
Mark Cordell Holmes则强调了创作者的判断力。当AI能够快速生成大量方案时，最重要的不是拥有多少选择，而是明确自己想表达什么、希望观众产生怎样的感受。他建议创作者将初步完成的作品交给其他观众观看，根据真实反馈反复修改，而不是把第一次生成的结果当作最终作品。
The New Deal Between AI and Publishers
AI不仅正在改变新闻的生产方式，也开始改变人们获取和消费新闻的习惯。当越来越多用户通过Chatbot和Agent阅读、总结新闻，传统媒体的内容生产和商业模式将面临怎样的冲击？在这场由硅谷101联合创始人Qian Chen主持的讨论中，TinyFish联合创始人兼COO、前《华尔街日报》记者Keith Zhai，NewsBreak Ventures负责人Mary Zheng，以及Nieman Journalism Lab的AI记者Andrew Deck，讨论了AI时代新闻业的转型与生存问题。
Keith Zhai认为，AI可能从根本上重组新闻编辑部，但最大的挑战并不只是技术，而是信任。人们已经愿意向AI分享大量个人信息，却未必愿意相信AI提供的新闻。他还指出，当AI同时参与内容生产和消费时，传统的新闻订阅与版权授权模式也需要重新思考。媒体不能只依赖向AI公司出售内容授权，而应该主动探索新的收入机制。
Mary Zheng则从新闻分发平台的角度指出，AI可以替代大量流程性工作，包括转录、翻译、内容编辑和标题测试，但记者的个人观点、价值判断，以及与读者建立信任关系的能力仍然不可替代。她介绍，NewsBreak正在探索更深度的个性化和互动式新闻体验，让新闻不再只是信息摘要，而是能够反映社区需求、情绪和不同观点的交流方式。
Andrew Deck提出了一个更尖锐的观察：过去十多年，许多新闻机构依靠重新整理其他媒体报道、研究报告和公开信息获取流量，但这类内容恰恰最容易被大语言模型替代。随着搜索和社交平台带来的流量下降，新闻聚合正在被自动化，媒体不得不重新思考原创报道的价值。他认为，这可能促使新闻机构回归调查报道和独家新闻，真正为互联网创造新的信息，而不是重复包装已有内容。
嘉宾们还讨论了一个新问题：当新闻的读者不再是人，而是代表用户阅读和筛选信息的AI Agent，媒体应该如何创作内容、获得收入？Andrew介绍，一些新闻机构正在探索面向Agent的结构化内容和按使用量付费的模式，但他也提醒，如果媒体完全围绕技术平台优化内容，可能重演过去对搜索引擎和社交平台过度依赖的问题。
在第二天议程的最后，硅谷101的核心创作团队也走上舞台，与现场观众展开了一场面对面的交流。从硅谷101最初如何创办，到一篇深度内容背后的选题、采访与制作过程，再到团队在成长中遇到的挑战，以及AI时代内容行业未来的商业模式，团队成员分享了各自的经历与思考，并回答了观众关心的问题。
两天的讨论，从前沿模型、世界模型、AI for Science，到机器人、Agent和产业应用，呈现了AI发展的不同方向，也让我们看到了AI时代正在发生的重要变化。
AI的能力边界仍在不断拓展，但技术如何安全地进入现实世界、创造商业价值，以及如何应对随之而来的成本与风险，仍然有许多问题等待回答。
这也是我们举办Alignment 2026的初衷：把站在技术前沿的研究者、创业者和投资人聚在一起，让不同的观点充分交流，让重要的问题得到深入讨论和碰撞。因为我们认为，在这样一个快速变化的行业里，比预测未来更重要的，或许是去持续理解正在发生的变化。
Alignment 2026落下帷幕，但关于AI下一阶段的探索，仍在继续。
感谢每一位来到现场的嘉宾、观众和合作伙伴，也感谢所有关注硅谷101的朋友。未来，我们会继续站在AI与前沿科技的第一线，记录变化、提出问题，也会为大家带来更多有价值的故事与讨论。
