2026 云栖技术主论坛 MaaS & Agent 场（14009 秒官方回放完整转写）：文征以’智能价值密度’回应 token 通缩论，千问 AI 平台扩展为模型服务+Agent 服务+行业方案三层，发布 Agent Studio、Token Plan 订阅、Qoder 全新升级、千问办公企业上下文、QwenNote A2、Qwen Intelligence 手机方案，云市场升级为 AI 应用市场。圆桌上贝壳、安克、西门子、基元律动、元戎给出落地路径与真实分歧，关键数字经外部多源核验，自报口径已标注。
2026 云栖大会存储专场全程复盘（10757 秒转写）：训练迈向百万卡、推理上下文冲向百万 token，瓶颈正从算力转向数据存取。阿里云商用全栈自研 CPFS（单文件系统 100PB），首发 KVCacheStore（用 SSD 换显存，Kimi 实测 TTFT 降 54%），OSS 表格桶补齐全模态湖仓，EBS 从盘进化为池。关键数字经外部交叉核验，自报口径已标注。
2026 云栖大会阿里云万网专场（9624 秒官方回放完整转写）：机器流量过半的背景下，官网从名片变成"被 AI 提及的信源"。万小智 3.0 从 Web Coding 升级到 Web Business，把 SEO/GEO 诊断、内容创作分发、询盘承接与移动管家串成经营闭环；万网 CLI 把域名/建站/备案交给 Agent，国际站押注品牌出海，AI 邮箱 MCP 化与 ESA 边缘加速补齐沟通与部署基建。圆桌客户给出真实痛点：建站门槛消失后，“被搜到、被 AI 提及"成为新竞争轴。关键数字经外部多源核验，自报口径已标注。
2026 云栖大会开幕式主论坛（9314 秒官方回放完整转写）上，吴泳铭给出两个判断：机器思考总量将达人类千倍以上、机器智能时代的代表性产品还没出现，阿里据此押注模型、芯片、AI 云三大基建，目标 2032 年数据中心超 20GW。平头哥发布真武 V900，千问披露 RSI 自我进化与 5–10T 参数规划，荣耀与平安分别给出终端、金融两个落地样本。本文按时间轴完整复盘，关键数字经外部多源核验，厂商自报数据与待核验口径均已标注。
2026 云栖「模型时代：AI 驱动的安全进化」论坛复盘：AI 挖洞让 CVE 冲向历年峰值、有效攻击占比质变，人工防御追不上机器速度。阿里云的答案是全线 Agent 化——代码安全、BAS/ASM、WAAP、SOC、安全运维五条产品线改造，古茗提供实战注脚。CVE 数据、Hugging Face 沙箱逃逸等关键主张已对上公开来源，自报数字分层标注。
2026 云栖财务分论坛复盘：阿里 CFO 徐宏以『有必要做/可以做/值得做』三问给出苹果树框架与提效提质创质三层次；曹勇讲数据、skill、知识三块基建；冯云乐的数字员工跑通采购付款与月结闭环；司为重构经营分析；圆桌辩论紧迫性与 token 账本；程理给出五种方案与四道安全关。核心判断：模型已不是瓶颈，信任基建、人机边界与账本才是。
一场直播圆桌把9月的AI安全风暴拆开看：Dario的减速长文为何六天后被自家提前发模型的传闻打脸，300亿美元六个月折旧的商业结构为何让减速成为空谈，而普通人真正害怕的从来不是AGI，而是斩杀线下的饭碗、被切断的思维链和没分到的红利。三位从业者、投资人、教师给出了从"RSI之后人类失去减速资格"到"外太空归AI、地球归人类"的不同答案。
MIT 与 Sakana AI 的 SIFT 把递归自改进（RSI）编码智能体的最大瓶颈从’生成候选’移到了’验证候选太贵’：用 pairwise LLM-as-a-judge（每次 $0.044）+ 正则化 Bradley-Terry 聚合替代 $6.0 的基准子集评估作为中间信号，在完全解耦的树搜索流水线中让扩展与评估并行。Polyglot-225 上以 DGM 约 1/10 的 CPU 小时拿到 31.1%（Qwen3-30B）/35.1%（o3-mini）全面超越 DGM/HGM/SICA，TerminalBench 2.1 从 29.2% 提到 36.7%。本精读覆盖’便宜排名+昂贵验证’分离范式的机制因果、judge 输入格式的消融证据、与 DGM 谱系的定位对比，以及’把验证成本当一等公民’的通用性灵感。
微软研究院与 UIUC 的 StudentSim 把’AI 学生模拟器’形式化为可优化的双目标问题：行为保真度 F（复现特定学生的真实行为）与指导响应度 R（被导师教会的能力）。两阶段训练——跨学生池化预训练学共享模式 + 每生 LoRA 特化——让 Qwen3-4B 在国际象棋、二语写作、数学三个领域 F/R 双指标全面超过 prompted GPT-5.4（chess 0.51/0.91 vs 0.23/0.72），用其做奖励的导师 RL 经专家盲评三轴全胜（准确率 90.5% vs GPT-5.4 奖励的 71.6%）。本精读覆盖 F×R 分解的问题化、‘池化贡献多样性而非更新量’的消融证据、4B 特化胜过前沿 API 的机制根源，以及’模拟器即基础设施’的通用性灵感。
清华叉院助理教授徐梦迪在「十字路口」提出：具身领域已出现预训练数据从十万到百万小时、held-out loss 随规模下降的 scaling 信号（如 Dyna-2 百万小时人类视频预训练），但 loss 与真机成功率脱钩，真正有意义的是『未见任务成功率随规模上升』的 scaling law；她判断当前主流 VLA 的『预训练+微调』范式对应 GPT-1 时刻，期待的是通过 prompting 适应个体偏好的 GPT-3 时刻。本文拆解她论证中的证据链、与世界模型路线的关系，以及数据定义由模型能力反推的行业机制。