8 月 2 日(日)
Plenary Stage
17 場 · 7 個場次
play_circle
上午場直播
play_circle
下午場直播
search
全部
演講
座談
爐邊對談
其他
17 / 17 場
上午
Opening Remarks
00:00
第二日開幕致詞
Jennifer Chayes; Dawn Song
· Jennifer Chayes — Dean of CDSS, UC Berkeley;Dawn Song — Professor, UC Berkeley; Co-Director, Berkeley RDI; VP of AI Research, Meta Superintelligence Labs
Chayes 主張 AI 的未來必須「開放」——開源、開放權重、盡可能開放資料——才能讓利益廣泛共享;Song 則用資安 benchmark 的數據說明前沿 AI 能力正在急遽上升,因此我們正處在必須現在就行動的臨界點,而 Berkeley RDI 要用「研究 / 教育 / 社群與創業」三支柱來承接這個責任。
其他
上午
Session 1: Enterprise AI
00:26
企業 AI:Agent 治理
Rao Surapaneni
· VP/GM, AI Search & Specialized AI, Google Cloud
企業裡的 agent 採用卡在「個人生產力」與「CTO 高規格自建」兩個極端之間,中間那一大片沒被解鎖的原因不是模型不夠強,而是缺少治理——而治理的三根柱子是 visibility、control、security,落地方式是給每個 agent 一個真正的身分,並把權限檢查從靜態設定改成隨任務與情境判斷的 runtime 檢查。
演講
00:41
企業 AI:為什麼 eval 是部署的瓶頸
Adarsh Hiremath
· Co-CEO, Mercor
每家公司都想「擁有自己的智慧」,但不管你是訓練自家模型還是替前沿模型打造 harness,共同的前提都是一套好的 eval;而大多數企業 AI 專案進不了 production,正是因為沒有辦法衡量 ground truth,只能靠猜測與軼事在迴圈裡打轉。
演講
00:50
現成的 AI 撞牆了:HubSpot 怎麼解
Duncan Lennox
· Chief Product & Technology Officer, HubSpot
HubSpot 三年前發現現成的 co-pilot 撐不住自家規模,於是自建 harness、把公司自己的 context 灌進去,結果工程團隊的 AI 採用率從 80% 走到 100%、速度提升 51%→60%、可靠度不降反升;更意外的是,這些「怎麼用 AI 做東西」的教訓,幾乎原封不動變成了「該替客戶做什麼東西」。
演講
01:04
座談:企業 AI
Aaron Jacobson (moderator); Rao Surapaneni; Adarsh Hiremath; Duncan Lennox; Anahita Tafvizi; Surojit Chatterjee
· Aaron Jacobson — GP, NEA;Rao Surapaneni — VP/GM AI Search & Specialized AI, Google Cloud;Adarsh Hiremath — Co-CEO, Mercor;Duncan Lennox — Chief Product & Technology Officer, HubSpot;Anahita Tafvizi — Chief Data & AI Officer, Snowflake;Surojit Chatterjee — Founder/CEO, Ema
五位講者對「企業 agent 採用率目前低於 10%」大致同意,但一致認為卡點已經不是技術而是組織——衡量 ROI 要從 workflow 層級的縮短時間切入而非 token 用量,信任要靠可驗證性而非承諾建立,而模型層會被商品化,所以架構上真正該投資的是「能隨時換模型」的那一層。
座談
上午
Fireside Chat
01:36
爐邊對談:Ali Ghodsi × Andy Konwinski
Ali Ghodsi; Andy Konwinski
· Ali Ghodsi — Co-Founder & CEO, Databricks;Andy Konwinski — Co-Founder, Databricks; Perplexity; Laude Ventures
兩位 Databricks 共同創辦人從 2009 年的 Berkeley 研究室聊到 2026 年的 benchmark 危機——結論是模型與 harness 遲早會被優化器自動爬坡,人類真正該花腦力的地方是寫出好的 eval;而 benchmark 應該像軟體一樣持續版本迭代而不是每次砍掉重練,開放科學則需要一種「實驗室的實驗室」新結構才有機會與封閉前沿實驗室共存。
爐邊對談
下午
Session 2: Frontier Research
00:08
Eureka Machine:為科學而生的遞迴超智慧
Richard Socher
· Founder/CEO, Recursive Superintelligence
把「自動化所有未來發明」當成終極發明,而通往那裡的路徑是先讓 AI 自動化 AI 研究本身——他們的 RSI 系統已經在三個公開 benchmark 上超越了社群多年的累積成果。
演講
00:21
個人化通用 Agent 的未來
Ed Chi
· VP of Research, Google DeepMind
他用「每十年只有三個真正重要的想法」這個框架回顧三十年——索引、向量空間、深度學習;sequential transduction、chain of thought、post-training——並主張下一個十年的主軸是從排序走向個人化推理,而訓練方式必須從 bottom-up 的 RL 轉向 top-down 的「像教小孩一樣教機器」。
演講
00:33
結合實驗、大型語言模型與理論來發現量子材料
Ekin Dogus Cubuk
· Co-Founder, Periodic Labs
再強的 AI 也沒辦法「純靠想」想出下一個科學突破,因為宇宙太複雜了——超導的整部歷史都在說同一件事;所以正確的問題不是「AGI 能不能 zero-shot 突破」,而是「怎麼把 agent 塞進那套已經用了幾百年的科學方法裡」。
演講
00:42
Personal AI 與持續學習:Agentic AI 的新前沿
Igor Babuschkin
· Co-Founder/CEO, River AI
coding agent 之所以成功是因為有可驗證的獎勵,而下一個大方向 personal AI 沒有——他把它拆成五個尚未解決的難題(RL、個人化、記憶、隱私安全、成本),並主張這同時是一個把 AI 的控制權還給個人的機會窗口。
演講
00:53
座談:前沿研究
Richard Socher, Ed Chi, Ekin Dogus Cubuk（主持 / Moderator: Igor Babuschkin）
· Richard Socher — Founder/CEO, Recursive Superintelligence / Ed Chi — VP of Research, Google DeepMind / Ekin Dogus Cubuk — Co-Founder, Periodic Labs / Igor Babuschkin — Co-Founder/CEO, River AI
coding agent 之後的每一條路都卡在同一個地方——獎勵不再是二元的;三位講者分別從「該用 top-down 教」「該把量測做滿」「該做不可被 hack 的環境」給出解法,而全場最有份量的一句話是 Ed Chi 說的:模型能力與 harness 加起來已經撞到一個大家都翻不過去的天花板,那才是現在真正的產業瓶頸。
座談
下午
Session 3: Agentic AI Developer Platforms
01:25
座談:Agentic AI 開發者平台
Matt White、Dmytro Dzhulgakov、Ivan Burazin、Mazin Gilbert(主持:Megan Morrone)
· Matt White — Former Global CTO of AI, Linux Foundation; CTO, PyTorch Foundation / Dmytro Dzhulgakov — Co-Founder & CTO, Fireworks AI / Ivan Burazin — Co-Founder & CEO, Daytona / Mazin Gilbert — Executive Director, Agentic AI Foundation & Linux Foundation(主持:Megan Morrone — Editor of Technology, Axios)
四位基礎設施與開源社群的代表一致認為,「open vs closed weights」這場辯論已經問錯問題了——最近的 agent 資安事件跟模型權重開不開放無關,問題全出在模型外面那一圈:harness、containment、gateway,以及企業自己該有的 guardrail。
座談
下午
Session 4: Agentic AI in Finance & Legal
02:00
推進技術前沿:企業級 Agentic AI 的邊界
Milind Naphade
· SVP, AI Foundations, Capital One
Capital One 兩年半前就開始做 agentic AI、去年一月把多 agent 系統送上生產環境,他們的差異化不是選了哪個模型,而是用自家資料把整條 AI stack 客製化,並在框架裡放進一個獨立的 evaluator agent 來擋住不合規的計畫。
演講
02:09
為 Agentic 經濟打造基礎設施
Nikhil Chandhok
· Chief Product & Technology Officer, Circle
現行支付系統的每一條假設(finality、隱私、信任在應用層)都預設「人隨時在旁邊做治理」;當一個 agent 會生出 100 個 sub-agent、每個都需要價值與規則時,這些假設全部斷裂——穩定幣的可程式化貨幣是唯一能在 agent 尺度上運作的軌道。
演講
02:17
重新想像 AI 時代的銀行業
Faraz Shafiq
· Head of AI, Wells Fargo
銀行業每一次介面轉換(ATM → 電話 → 網頁 → App)都重新分配了價值,而這一次介面本身變成了 agent;Wells Fargo 的路線圖是 AI as a tool → AI as a teammate → autonomous AI,而差異化從來不在模型——大家用的是同一個模型——而在模型外面那一圈。
演講
02:32
座談:金融與法務領域的 Agentic AI
Nikhil Chandhok、Faraz Shafiq(主持:Matt Carbonara)
· Nikhil Chandhok — Chief Product & Technology Officer, Circle / Faraz Shafiq — Head of AI, Wells Fargo(主持:Matt Carbonara — Investor, Mayfield)
金融與法務不是「更難的 agent 應用」,而是驗證成本結構完全不同的應用——可驗證的任務(寫程式)早就自動化了,而信貸決策要五年後才知道對錯;這條驗證軸線決定了什麼會先被 agent 吃掉、什麼會最後才被吃掉。
座談
下午
Startup Spotlight
02:59
新創聚光燈
Startup Spotlight
· Featured Startups: Narada AI, cognee, Nimblemind, AgntID, RELAI, Headroom, Founding Dev, ArmorIQ, Keenable AI, H Company, Ludo Robotics, Nimble
12 家 agentic AI 新創的收官場,主題分布本身就是一張生態系地圖——記憶與 context 的效率(cognee、Headroom)、執行期治理(AgntID、ArmorIQ)、agent 的持續學習與驗證(RELAI、Nimble)、以及繞過 API 直接操作既有介面(Narada、H Company)。
其他
English version