如果你在搜索「AICon 北京 2024」，多半已经看过一些会议议程或嘉宾名单。这里不重复那些内容，只从一个买课人的角度说清楚：这套回放视频值不值得花时间，以及什么样的人打开它不会失望。
它本质上是一份会议记录，不是一门课
AICon 是全球人工智能开发与应用大会，北京场 2024 的这套资料是现场回放视频的合集。这意味着它没有作业、没有答疑、没有循序渐进的章节设计，你看到的是嘉宾在台上讲什么，就是什么。把它当成「课」来买，容易预期错位；把它当成一次不用出差、不用买门票的参会机会，心态就对了。
所以第一件事要判断的是：你现在需要的是系统补基础，还是想知道一线团队在怎么做。前者不适合，后者才适合。
它解决的是哪类工作场景
最典型的场景有三个。
- 团队要立项或做技术选型，你需要快速知道当前大模型、多模态、Agent 这些方向在工业界落到哪一步了，哪些是已经跑通的，哪些还在讲故事。
- 你在做具体工程，卡在某个环节——推理成本、数据质量、评测方案——想听听别家踩过什么坑、用什么思路绕过去。
- 你需要向非技术同事或管理层解释某个 AI 方向，缺一些来自真实业务的说法和判断依据。
这些场景的共同点是：你要的是「当前业界共识和真实做法」，不是教科书式的知识铺垫。会议回放恰好补的就是这一块。
学完你能独立做什么
说具体一点。看完之后，你至少能做这么几件事：判断一个 AI 需求该不该用大模型、该用哪种方案；在团队讨论里听懂并参与关于模型选型、评测和落地的争论；把听到的某类应用案例，改写成自己业务里可验证的小实验。它不会让你立刻写出一个可上线的系统，但能让你在做决策时少一些拍脑袋。
要提醒的是，会议内容天然偏「讲思路和结果」，中间的实现细节往往一笔带过。指望跟着视频一步步复现，大概率会卡住。
什么基础的人打开它比较合适
更建议已经有一点 AI 相关工作经验、或至少跑过一两个模型 demo 的人来看。你会对嘉宾提到的名词和取舍有感觉，听起来效率高。完全零基础，也没有编程或产品经验的话，很多分享会变成听天书，性价比很低——这种情况先把基础打一打再回来，更划算。
另外，做产品和业务的人也能看，重点挑应用案例和趋势判断那几场，跳过纯技术细节，一样有收获。
怎么用这份资料
不建议从头顺着播。先扫一遍标题和嘉宾背景，挑三到五场跟你当前工作最相关的，认真看完并做笔记；其余当作备查，遇到具体问题再回头找对应场次。看完一场，逼自己写三句话：他解决了什么问题、用了什么思路、这事跟我有什么关系。写不出来，说明这场对你暂时没用，可以跳过。
最后一句实在话：会议回放的价值会随时间快速衰减，2024 年的内容放到今天，部分判断可能已经过时。把它当作了解某个阶段业界状态的切片，而不是长期依赖的学习材料，你的判断会更准。
课程目录
第一章 ｜ 主题演讲 大模型落地征程：技术与人才双驱动的数字化迭变 - 汪丹 《中国 AGI 市场发展研究报告 2024》发布 - 姜昕蔚 从互联网到 AI：云产业的重构和演进 - 贾扬清 大模型时代，基于AI Agent的数据分析与决策新趋势 - 黎科峰 博士 大模型背后的荆棘之路 - 林咏华 The Next Wave：Explore the Strategy on Generative AI - 曹志斌 博士 第二章 ｜ AI Agent 探索与实践 利用 SLM 结合边缘设备构建 AIoT Agent - 卢建晖 面向开放域的大模型智能体 - 李鹏 AI Agent 在企业生产中的技术实践 - 陈星亮 零售连锁行业内智能分析 AI Agent 的应用探索 - 岑润哲 第三章 ｜ 多模态大模型技术与应用 声音基础模型如何推动声音理解和生成 - 王育军 迈向实用化多模态大模型 - 姚远 多模态大模型在金融行业的实践和展望 - 周思霁 第四章 ｜ 大模型基础设施构建 网络驱动大规模 AI 训练 - 阿里云可预期网络 HPN 7.0 架构 - 席永青 GLake: 高效透明的大模型显存管理和优化 - 赵军平 昇腾大模型推理最佳实践 - 王建辉 第五章 ｜ 大模型+行业创新应用 大模型与 RAG 技术在教育领域的应用探索 - 林辉 探索大模型在会议领域中的应用 - 王松 法律大模型在具体业务场景中的应用实践 - 涂存超 GenAI 在居住领域的应用实践与展望 - 杨跃 第六章 ｜ 大模型推理优化 太极 Angel 助力生成式大模型高效落地 - 刘凯 第七章 ｜ AICon特色晚场交流：AI 智能体落地的挑战与应对策略 AICon特色晚场交流：AI 智能体落地的挑战与应对策略 第八章 ｜ AI Agent 探索与实践 模型协作智能体到个性化智能体技术应用实践 - 严明 喜马拉雅在音视频创作中的 AI Agent 创新探索 - 吕睿韬 第九章 ｜ AI 前沿探索 AI for Science 新范式赋能电池研发 - 王晓旭 生成式 AI 如何助力蛋白质科学研究 - 郑在翔 第十章 ｜ RAG 检索与生成落地实践 OpenSearch RAG 应用实践 - 邢少敏 LLM 在字节跳动 A/B 实验平台的应用探索 - 许文敏 知识图谱在曹植大模型可控性方面的探索实践 - 王文广 Long-Context vs RAG：谁将主导未来？ - 唐飞虎 RAG 系统中的关键技术：从 Embedding 到 Reranker - 王峰 第十一章 ｜ 大模型训练 讯飞星火大模型训练挑战和技术方案详解 - 张海俊 公有云 LLM 模型分布式训练最佳实践 - 曹治政 From Imitation to Emergence：The Journey of Alignment for LLMs - 阎栋 第十二章 ｜ LLMOps 基于 LLMOps 的车损互助行业 AI 应用实践 - 张源源 安克创新在 LLMOps 上的落地实践 - 黄堃 第十三章 ｜ 大模型的全球化机会和挑战 盘古泰语大模型业务落地探索 - 张敏 AI 智能体时代的操作系统——端侧智能体探索实践 - 陈伟 PPIO 模型平台出海实战，跨地域业务扩展中的技术优化之道 - 王闻宇 第十四章 ｜ Copilot 应用构建实践 代码大模型对于工程理解的探索研究 - 汪晟杰 代码生成 Copilot 产品的应用和演进 - 刘夏 LLM 在 BI 场景的应用思路探索 - 陈庆 第十五章 ｜ 大模型+行业创新应用 山海医疗大模型的构建及其应用实践 - 刘升平 从公有云角度探索多行业大模型场景 - 刘士君 大模型在金融领域办公智能化场景的应用 - 陶万杰
