首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 汽车 游戏 社会热点 开源推荐 医疗健康 归档 标签 关于

世界不是一个数据集——构建不断从现实中学习的人工智能系统|QCon上海

摘要

从「构建 AI」到「驾驭 AI」,100+ 实战案例拆解 AI Native 时代的工程新实践! 2026 年 QCon 全球软件开发大会大会 · 上海站 "将于 10 月 22 日-24 日举办,来自阿里巴巴、腾讯、字节跳动、美团、小红书、蚂蚁集团、无问芯穹、阶跃星辰、快手、百度、网易、微软、华为、携程、平安等企业的一线技术实践者,将从 AI 应用、Agent 工程、AI Coding、基础设施...

Agent 发现问题 获得证据 产生改进 验证改进 在哪里 采什么 如何验证 Coding SRE
2026-10-17 1 阅读 约7分钟阅读 QCon全球软件开发大会
分享:
字号:
从「构建 AI」到「驾驭 AI」,100+ 实战案例拆解 AI Native 时代的工程新实践! 2026 年 QCon 全球软件开发大会大会 · 上海站 "将于 10 月 22 日-24 日举办,来自阿里巴巴、腾讯、字节跳动、美团、小红书、蚂蚁集团、无问芯穹、阶跃星辰、快手、百度、网易、微软、华为、携程、平安等企业的一线技术实践者,将从 AI 应用、Agent 工程、AI Coding、基础设施、数据系统、质量、安全、SRE 以及具身智能等方向,分享 AI 进入真实生产环境之后正在发生的变化。 蚂蚁灵波科技首席数据科学家黄用韬博士已确认出席 “ 数据驱动的具身智能:迈向规模化之路 "” 专题,并发表题为《 The World Is Not a Dataset - Building AI Systems That Continuously Learn from Reality "》的主题分享。今天的 AI 越来越强调持续学习、自我改进和闭环迭代,但真实世界并不是一份预先准备好的数据集。对机器人而言,真正重要的不只是“拿什么数据训练”,而是如何理解数据产生时的任务、环境、硬件、模型版本与人工介入,如何从真实执行中识别能力缺口,并进一步决定下一轮该采什么、在哪里采、由谁执行,以及如何验证一次改进是否真正有效。 黄用韬博士本次分享将介绍一种面向真实世界学习的系统视角:把任务、事件、状态、数据和资源组织在持续演化的时间轴上,通过端、边、云协同,把问题发现、数据产生、模型学习、评测验证和下一次行动连接成闭环。最终,数据集不再是系统的起点和终点,而是持续学习过程中动态形成的一种结果。 黄用韬博士,本科毕业于清华大学数理基础科学班,博士毕业于德州大学达拉斯分校,长期从事 AI 基础设施与分布式系统研究与实践,在自动驾驶领域拥有多年产业经验,曾任元戎启行技术合伙人,主导构建了大规模数据与训练基础设施体系,现任蚂蚁灵波科技首席数据科学家。他在本次会议的详细演讲内容如下: 演讲提纲:1. 真实世界不是一份数据集为什么机器人学习不能只围绕静态数据集展开,以及数据集视角天然会丢失哪些关键上下文。从数据走向事件与上下文:任务创建、机器人执行、人工介入、失败、换件、标定、模型发布,本质上都属于学习系统的一部分。2. 学习并不是从训练开始的模型评测发现能力缺口后,需要进一步反向决定下一轮“由谁、在哪里、采什么、如何验证”。一次失败,不一定意味着再训练一次。失败可能来自模型能力,也可能来自硬件、环境、标定、数据质量或人工介入。系统需要先理解反馈,再决定下一步行动。3. 从数据流水线走向学习系统端、边、云不只是数据传输链路,而是一个能够协同处理问题、组织资源和驱动下一轮行动的系统。4. 持续学习真正需要什么核心不是单纯增加数据或扩大模型,而是缩短“发现问题—获得证据—产生改进—验证改进”的完整周期数据集不再是系统的起点和终点,而是持续学习过程中动态形成的一种结果。实践痛点:机器人学习若只围绕静态数据集展开,就会天然丢失任务、环境、硬件、模型版本与人工介入等关键上下文。学习若从训练而不是从评测发现能力缺口开始,就难以反向决定下一轮由谁、在哪里、采什么、如何验证。把一次失败简单归因于“再训练一次”,会忽略模型能力、硬件、环境、标定、数据质量或人工介入等真实原因。端、边、云若只是数据传输链路而不能协同处理问题、组织资源和驱动下一轮行动,就无法缩短“发现问题—获得证据—产生改进—验证改进”的完整周期。前沿亮点:提出“真实世界不是一份数据集”的系统视角,把任务、事件、状态、数据和资源组织在持续演化的时间轴上。重新定义学习起点,主张学习并不是从训练开始,而是从模型评测发现能力缺口、理解反馈开始。将端、边、云从数据流水线升级为协同处理问题、组织资源和驱动下一轮行动的学习系统。重新定义数据集与核心指标,让数据集成为持续学习过程中动态形成的结果,并以缩短“发现问题—获得证据—产生改进—验证改进”周期为目标。听众收益:理解为什么机器人学习不能只围绕静态数据集展开,以及数据集视角会丢失哪些关键上下文。掌握把任务、事件、状态、数据和资源组织在持续演化时间轴上的真实世界学习系统视角。学会从真实执行中识别能力缺口,并反向决定下一轮“由谁、在哪里、采什么、如何验证”。获得失败归因与闭环度量框架,能够以缩短“发现问题—获得证据—产生改进—验证改进”周期来重新审视自身系统。 除此之外,本次大会还策划了 Loop Engineering "、 千行百业 Agent 创新实践 "、 Agent 自主进化:从记忆到持续学习 "、 Agent as a Service "、 Vibe Coding 时代的新质量债 "、 理性驾驭 AI 的 SRE 可靠性工程 "、 金融 AI Native工程实践:从研发提效到业务破局 "、 AI Infra:算力效率决定规模化落地 "、 AI Native 架构 "等20个专题论坛,届时将有来自不同行业、不同领域、不同企业的100+资深专家在现场带来前沿技术洞察和一线实践经验。 查看更多详情可扫码或联系票务经理 18514549229进行咨询。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱