AICon 12 月北京会议:共探 RAG、智能体、多模态落地之道

AICon 北京会议将于 12 月探讨 RAG、智能体、多模态落地等热门话题,汇聚行业专家分享应用实践与前沿见解。#AICon #人工智能

原文标题:12 月北京 AICon 会议,邀请你来探讨 RAG、Agent、多模态落地等话题

原文作者:AI前线

冷月清谈:

**摘要**

12 月 13-14 日举办的 AICon 北京会议将聚焦人工智能前沿技术,探讨大模型落地应用。

**关键内容**

* RAG 技术在企业应用中的难点与创新实践
* AI 智能体技术的突破与应用
* 大模型企业应用中的成本优化实践
* 具身智能从理论走向实践的探索
* 多模态大语言模型的崛起与应用
* AI 前沿技术及下一代通用模型研究
* AI Native 产品创新与技术落地
* 基于大模型打造 AI 智能驾驶
* 大模型应用架构探索与实践
* 投资人眼中的 AI 与大模型
* 大模型行业落地实践
* 性能优化与资源统筹
* 结合 AI 模型的数据生命周期管理

**会议亮点**

* 汇聚国内外 AI 领域专家,分享前沿技术与应用经验
* 设置多个专题论坛,深入剖析具体落地案例
* 提供演讲机会,与业内同行交流思想和观点
* 促进产学研合作,推动人工智能产业发展

怜星夜思:

1、大家觉得 RAG 技术在企业应用中最大的难点是什么?
2、你们认为智能体技术在哪些领域最有潜力?
3、你们觉得大模型的成本优化在企业应用中有多重要?

原文内容

随着 2024 年的脚步悄然临近尾声,我们也想在年底给大家呈现一场大模型落地案例集合的会议。

在大模型热度慢慢减退的同时,大家更多的关注点在于大模型的实际应用状况如何。大模型从模型接入到真正落地须经历三个阶段:第一,数据工程,即适用于大模型训练和微调的数据和语料库;第二,模型工程,模型化工作是需要进行模型精调和微调,融合多个模型的能力;第三,领域工程,真正通过大模型和数据解决行业的需求,这需要复杂建模和推理,让大模型结合业务场景真正做到服务智能决策。除了在 ToC 端有应用之外,在 ToB 端的具体落地更为困难,例如在能源、教育、通信、技术服务、金融、政务、传媒、运输、商业服务、医疗、制造等行业。

此次 12 月 13-14 日在北京举办的 AICon 人工智能大模型会议,旨在汇聚全球人工智能领域的精英与创新者,共同探讨和展望人工智能的最新进展与应用趋势,特别是聚焦于 RAG、Agent、多模态模型、具身智能等前沿技术的深度应用与挑战。

大咖嘉宾

  • 贾扬清:Lepton AI 联合创始人 & CEO

  • 耿艳坤:顺丰集团 CIO、顺丰科技 CEO

  • 林咏华:北京智源人工智能研究院副院长兼总工程师

  • 张向征:360 智脑总裁

  • 骆卫华 博士:阿里国际 大模型算法负责人、研究员

  • 张迪:快手科技 副总裁、大模型团队负责人

  • 栾剑:小米 大模型负责人

  • 高杰 博士:蔚来汽车 人工智能研发负责人 & 高级总监

  • 翟周伟:京东零售 AIGC 技术总监

  • 于佃海:百度 飞桨平台总架构师

  • 王浩 博士:阿里云 智能政企事业部大模型智算负责人

  • 周景博 博士:百度研究院 商业智能实验室负责人

  • 周华:智源研究院 大模型行业应用总监

  • 吴岳:北电数智 产业生态负责人,技术专家

  • 颜林:百度 主任架构师,信息流推荐架构负责人

  • 宋旸:作业帮 首席科学家

  • 蒲世林:爱设计 &AiPPT.cn 联合创始人

  • 夏源:百度 灵医大模型底座负责人

  • 邹盼湘:彩讯股份 AI 产研部总经理

  • 商恒超:华为 翻译中心高级工程师

会议亮点
  • RAG 在企业落地的难点与创新: 将深入探讨 RAG 及相关框架在企业应用中的难点与创新实践,拓展 RAG 技术在不同领域中的应用维度。

  • AI Agent 技术突破与应用: 当下,AI Agent 已不再局限于执行基础任务,而是在复杂决策、创意生成等高阶智能领域展现出惊人的潜力。在这一进程中,AI Agent 的核心能力——记忆、规划、使用工具,都在逐渐深化与拓展。

  • 大模型在企业应用中的成本优化实践: 将讨论关于小尺寸蒸馏、量化、推理框架优化、routing、硬件适配、端侧模型等多种手段应用降低模型推理侧的成本经验。

  • 具身智能从“实验室”走向“应用场”:作为人工智能领域的前沿热点,具身智能正逐步从理论走向实践,从“实验室”走向“应用场”。有了大模型的加持,具身智能将成为会思考的机器人,有好奇心,有自主学习能力,能不断自我进化。

  • 多模态大语言模型的崛起与应用:本专题将介绍多模态技术如何通过处理和融合多种数据类型,推动行业创新,优化业务解决方案,并加速在实际业务场景中的落地与实践。

  • AI 前沿技术及下一代通用模型研究探索:以 GPT 为代表的通用人工智能方法对算力和能源等资源的巨大需求,本专题将探讨新的大模型技术路线,以及实现下一代通用人工智能所需要的基础。同时,AI for Science 在材料、生命科学、能源化工等领域落地成果的不断涌现,有着巨大的前景。

  • AI Native 产品创新与技术落地:本次专题分论坛将邀请业界知名企业专家,旨在为与会者提供一个深入了解 AI Native 产品技术前沿、应用实践和未来发展方向的平台。

  • 基于大模型打造 AI 智驾:继电动化之后,被定义为汽车下半场的智能化不知不觉已成为大势所趋,“越来越聪明的车”正在重新定义人们的出行方式。基于自动驾驶的全新大模型,已经“完全具备了城市级自动驾驶出行服务所需的技术能力”。

  • 大模型应用架构的探索与实践:分享他们在大模型应用中的宝贵经验,深入解析大模型在产品设计中的架构模式与方法论。同时,将探讨如何应对大模型在实际应用中面临的挑战,如成本控制、性能优化、效果提升及效率提高等问题。

  • 投资人眼里的 AI 与大模型:在投资人的视角,他们重点关注什么技术和产品?什么样的产品理念会更能吸引投资人?本专题会邀请业界知名的创投公司来分享他们所观察到的技术趋势和趣闻。

  • 大模型行业落地实践:探讨大模型在不同行业中的实际落地,涵盖数据集构建、行业大模型训练、评测和应用系统构建、以及行业落地应用等。

  • 性能优化与资源统筹|ArchSummit:在生产环境里的模型参数和用户的数据量越来越多,也越来越大,无论是大模型离线计算还是在线推理,对资源的需求越来越吃紧,但 IT 成本需要得到控制,因此在性能优化上需要越来越深入去研究。

  • 结合 AI 模型的数据生命周期管理|ArchSummit:随着数据量的爆炸性增长,如何有效管理和治理数据。如何更自动化地实现数据清洗、数据标准化,甚至结合 AI 模型训练和推理进行数据生命周期管理等等。

演讲报名方式:

请访问 AICon 官方网站 https://aicon.infoq.cn/202412/beijing/ 查看会议专题,并在议题提交链接填写演讲提纲 https://jsj.top/f/pnM4Fk ,主办方会在收到议题之后一周内给您反馈结果。

我们期待您的参与: AICon 北京会议不仅是一个学习与交流的场所,更是一个激发灵感、共创未来的舞台。无论您是工程师、企业决策者,还是投资人,这里都有适合你的演讲话题。在这个充满挑战与机遇的时代,每一次思想的碰撞都可能点燃创新的火花。。

如有任何疑问或需要进一步的信息,请随时通过 AICon 官网联系我们。

 内容推荐

2024年8月18-19日,AICon 全球人工智能开发与应用大会·上海站成功举办,汇聚超过60位大模型行业先锋,全方位剖析大模型训练与推理机制、多模态融合、智能体Agent前沿进展、检索增强(RAG)生成策略、端侧模型优化与应用等热点内容。经过嘉宾授权,「AI前线」为你独家整理了一份演讲PPT合集,不容错过。关注「AI前线」,回复关键词「PPT」免费获取。

 会议推荐

10 月 18 日 -19 日,QCon 全球软件开发大会将在上海举办。从云原生工程、架构、线上可靠性、大前端、技术管理等经典内容,到 AI Agent、AI Infra、RAG 等大热的 AI 话题,60+ 资深专家共聚一堂,深度剖析相关落地实践案例,共话前沿技术趋势。大会火热报名中,详情可联系票务经理  17310043226 咨询。



今日荐文




图片
你也「在看」吗?👇

我认为这取决于企业的具体情况。对于一些资金雄厚的企业来说,成本可能不是主要考虑因素。但对于大多数企业来说,成本优化至关重要,否则大模型的应用可能变得不可持续。

我认为是在客服和零售等需要与人类自然交互的领域。智能体可以提供个性化的服务和体验,从而提升客户满意度。

我觉得是模型部署和集成。RAG 模型通常比较庞大,需要专门的硬件和软件环境支持,这对企业来说可能是一笔不小的开销。

我认为是在医疗和金融等需要处理复杂决策的领域。智能体可以分析大量数据并做出快速、准确的决策,这可以帮助医生和金融分析师提高工作效率和准确性。

我觉得是效果评估。RAG 的效果很难衡量,因为不同任务的评估标准不同。企业需要找到合适的方法来评估 RAG 模型的性能,才能决定是否将其部署到实际应用中。

我认为随着大模型技术的成熟,成本优化会变得越来越重要。因为随着模型变得越来越大,它们的训练和推理成本也会越来越高。

我认为是在制造和物流等需要自动化和优化的领域。智能体可以优化生产流程和供应链,从而提高效率和降低成本。

我认为是数据准备和标注。RAG 需要大量高质量、领域相关的语料库,而这通常是企业难以获取的。

我认为非常重要。对于企业来说,大模型的成本是一个很大的负担,如果不能有效地优化成本,可能会影响大模型的实际应用。