2026云栖大会：AI多模态的演进

今年也是早早在网页上报了名，但是这次畅享票没有实体纪念门票卡了，不太好留念了🤣。（今年居然还整出黄牛了，小红书上刷到有黄牛带没票的观众走后门入场….）

场馆从云栖小镇搬到了杭州国际博览中心，地方是大了不少，就是不方便切换会场听其他讲座了。去年技术论坛都在一块地方，出门走两步就能换场，今年每个会议都隔得有点远。（会议室场地安排也难评，有的会议室小但后排挤满了人；有的跟广场一样大又空落落的😂）

去年那份会议计划，是我在云栖官网一个个翻日程，挑感兴趣的记录，然后在Excel中仔细规划的。今年就不一样了，我直接让“千问办公”Vibe Coding了一个日程清单页面，我直接在网页里订阅感兴趣的议程，然后代码自动排列日程表和会议清单，同时标记时间重叠的场次。这样我可以根据现场时间，灵活就近选择相应议程去听。

第一天

出发前一晚我还提前查了，去博览中心得50分钟。那我想着避开杭州的早高峰，每天六点半出门，比去上班的还早总不堵了吧？结果发现每天都避不开，在中和高架段必堵车。好在过了博鳌隧道之后不算堵，一路到停车场+过安检都很顺利，然后进馆第一感受不是“AI味”，是冷，馆里的空调快冻死我了。最搞的是刚走进了一馆，千问的工作人员就递过来一把扇子(物料)….😂

1.1 展台部分

上午人不多，议程又还没开始，我就先当逛商场一样把四个馆走了一遍。有两个印象深的地方，一个失望，一个有点意思。

（1）机器人：这一年好像没怎么动

说实话这块我期待挺高的，走完有点失落。

这两年机器人争先恐后的融入春晚、地方节目、线下活动，前段时间又有那个机器人运动会，号称打破了人类创造的某某某记录，一副机器人大势已来的感觉。然后到场一看傻眼了，叠衣服机器人跟24年WAIC看到的对比，只在体积上变小了，叠衣服的速度没啥变化，而且还在叠短袖😂。

宇树那边演示拳击格斗和街舞，街舞的表演性和协调性还行（也可能是预编码的关系），格斗的反应就明显慢半拍，经常出现在揍空气墙的情况（有点像是打游戏放技能，对方已经躲掉了，但是我方技能的动作后摇没法中途取消，就导致机器人一直在向空气出拳🤣）。对于一家2000亿市值的机器人公司来说，这个表现算是有点拉了，还有很大的进步空间。

（2）文生剧：找了两家聊价格

这块我专门停了挺久，今年AI短剧大火，抖音/红果/视频号都有大量的AI视频内容上线，各家也都提供了一些工具链去制作。于是我找了一家中大厂和一家小厂的展位，与他们的工作人员聊了聊。结论很朴素：工具都够用了，能做出东西，差别在价格和流程。

• 爱奇艺的纳逗Pro：集版权IP、制作、发行一体，技术工具链完整，有完整的三视图、剧本创作解析、分镜抽卡功能。价格在每秒1块钱左右，如果用低画质（480P）生成再配合端侧得“超分辨率”技术把画质效果拉上来，大概能压到每秒6毛左右。
• 海艺AI：工具链相对弱一些，好处是集成了多家模型，可以挑便宜的体验。顺便说一句，这家现场刚和阿里云签了全面合作，后面要用Qwen系列做基座训自己的模型——所以未来可能还能再便宜一点👀

1.2 议题部分

上午逛完展台，去五楼会议室旁听了几段领导发言，怎么大家对稿子念得都有点不熟啊😅，反倒是后面讲技术的刘大一恒讲得很顺畅，胸有成竹哈哈哈。

（1）Qwen-Image-2.1：开源驱动，赋能生产力

千问团队新开源的文生图模型，7B参数，把生成和编辑做进了一个模型里，有这几个特点：

1. 原生RGBA透明图：直接吐出带透明通道的图，可以处理火焰那种边缘半透明的效果（适合游戏素材生成）。
2. 支持最多10张参考图：合影、虚拟试穿、室内布置这类活，可以把一堆参考图融入最终产出（适合电商、室内设计）。
3. 局部编辑：支持圈选、涂抹，例如选中一块说“把这头发改黑”，它就可以改局部内容，可以保证其他场景不发生变化。

（2）当大模型进入相机：影石与千问的AI影像探索

影石把云端千问接进了相机（国内版），两条线：一是语音控制相机操作，在这之上加了场景识别、介绍和翻译；二是AI自动剪辑成片。听的时候我一直在想，这不就是AI眼镜那条路换了个壳吗😂？ 都是“看见什么就说什么”，比较遗憾的是AI自动成片这个功能，我在楼下展台转了两圈都没找到演示，只能等以后上手再看了。

（3）零售三连：货架会说话 / 罗森如何用AI管店 / AI能力在线下门店巡检

这三场都在一个会议室里，可以连在一起听。主题其实就一个：基座模型下来之后，门店的陈列、盘库、地堆面积计算、营销物料识别都能从“人眼看”变成AI“数出来”了。

第二天

突然安检就严格了，食物和水一点都不能带，好些人被拦在门口罚站吃早餐（有个小姐姐买的瑞幸都拿手上在喝了，也不能带。笑死，难道是影响馆里餐饮生意了？）。

2.1 展台部分

（1）睿译宝：从“翻译二维码”到一整条链路

昨天在会议室听演讲时，我注意到大屏幕两侧多了两块独立的显示屏，实时滚动中英双语字幕（馆内可能信号有点差，延迟大概1.5句话）。去年听老外讲工业大脑，还得去门口扫二维码等同声传译，今年直接内置到会场里了，nice。于是专门去逛了逛他们展台，结果发现人家不止做翻译，是一整套“睿”字辈：

1. 睿译宝

主要是文档、视频、同传三块。相较于图片/PDF/Excel翻译，市面上有一堆的厂家在做，我没太在意。但视频翻译这块惊到我了：上传MP4，自动转写、翻译、配音，还能把原视频里的硬字幕擦掉再烧录新字幕，背景音乐和音效通过人声分离保留下来。如果只是翻译外挂的 .srt 字幕文件那很简单；但如果是把画面里已经烧进去的字幕抹掉重写，那就强得没边了👀

2. 睿呼宝

企业对外外呼。现场有个大屏交互让你猜哪个是AI哪个是真人，我连着听了四五个，居然只猜对一个。语速、停顿、情绪都有很大提升了，背景音中还会夹杂一些键盘敲击声和室内对话，难辨真伪了👍。

3. 睿服宝

有了外呼，则必然会有公众向内呼入，类似400客服接线员，能记录用户问题和服务需求，还支持通过MCP直接提交到客户自己的CRM里。

（2）Qoder：写个程序，送块板子

Qoder展台有个体验区：用Qoder（类似CodeX的AI工作台，集成了千问系列模型）在单片机上写一个小程序，做完板子发条小红书，板子直接送你了！我上去体验了一把，用它自动安装了一个内置老虎机示例，全程我只要打开单片机的下载模式即可，其余全部由Qoder完成。（回家一搜这块 M5 StickS3 板子官网卖149块……Qoder还是太豪气了😅）

（3）AMD：有趣的NFC互动模式

AMD展台的内容偏硬件，EPYC、Instinct加速器、DPU网卡这些，说实话我不太感兴趣，走马观花看了一遍。

但我还是要提一嘴的原因是：它的展台集卡活动告诉我，原来NFC还能这么玩！我原以为NFC活动都是像“云栖大会”小程序那样，用小程序收集触碰馆内的各种NFC卡片（依赖于某个小程序/APP进行NFC读取）。结果AMD直接用“NFC识别打开网页链接”的方式——手机碰一下打开网页自动集卡，不限制于某个APP/小程序、不用注册、成本低、流程短，我觉得是个挺聪明的互动应用。

2.2 议题部分

（1）《想到就能做到：TapTap制造的AI游戏创作实践》

这场讲的是TapTap用自然语言生成小游戏。底层是“AI智能体 + AI原生引擎 + 开发者服务”，代码、美术、音乐一条龙，做完直接上架TapTap。只是目前的出品案例都非常简单，半小时出一个可玩的demo，多轮对话能堆出个完整小游戏，但离真正复杂的游戏还有距离。

台上也提到今年上半年已经生成了几千款这样的游戏——量是上来了，但新人做的东西没人看到，这个问题恐怕比技术难解。

第三天

第三天没去听论坛，又逛了一圈展台，看看哪些展台还能挤出点新东西。等到中午就抓紧撤退了，中秋放假的话下午必堵车。等回到家才听说，当天有马来西亚大领导来杭州，下午某一段路封路了，庆幸自己撤的快😂。

3.1 展台部分

（1）AI眼镜：镜腿能拔下来换电池

千问展台摆了两款AI眼镜：一款（S1）带光波导投影，能看到导航、翻译、提词器信息；另一款（N1）不带投影，纯靠语音对话交互。不知道是网络原因还是啥导致的，现场的演示交互并不顺利。

说实话它的功能上和Rokid那类差不多，没太大惊喜。唯一让我觉得有点意思的是镜腿是可插拔的——实际上那块就是电池，可以拆下来换；旁边还配了个类似大疆电池仓的东西，可以给镜腿轮流充电，眼镜盒自身也可以给眼镜充电（蓝牙耳机既视感😂）。

（2）TapTap展台：我亲手把一个游戏玩坏了

第二天听完那场演讲，我也手搓了一个小Demo。正巧线下又遇到了TapTap展台，就在体验区试了一把。展台上有2D和3D游戏的演示，我选了3D台球，提了个需求：加一个一键清台的道具。

第一版居然直接就能用了，我当时还挺惊喜，心想这效率可以啊！😎 于是手贱补了一句：“你帮我优化一下。”

然后就开始了噩梦，我在展台前站着，看它自动编码、优化、修BUG，修完又出新的BUG，再修……前前后后等了快半个小时。最后的结果是：台球不会动了。

（3）HappyOyster：和24年的Oasis差不多

这个我也上手试了。流程是通过AI生成一张基础世界图（现场演示是从模板世界中挑一个体验，限时2分钟），然后你可以控制画面里的主体移动、做一些基础动作。

低画质（480P）下生成速度还行，不卡。但交互层面只能说……有一些基础的碰撞检测。赛车场景里车撞墙撞栏杆，只有很朴素的物理反弹，没有火花、没有车漆磨损，高速状态下甚至能直接穿墙。而且没有场景记忆，转个头，场景就不一样了。整体观感和24年的Oasis差不多，但目前我没看出来它有什么特别好的落地场景——除了“好玩”。

结尾

去年结尾我说，我把AI发展比作从0到100的征程，2025年以为能见到60%，实际看下来还在20%。

今年我想把这个数字往上挪一点 —— 大概到35% 。

这次我看到的，是基础大模型在多模态上往前挪了一步，然后应用层跟着动了一下。像Wan 3.0、Qwen-Image 2.1、Qwen-Audio这几条线，都不是在展台上喊口号的东西，而是实打实把“能不能用”这个门槛往下压了一截。最直观的感受是：过去那些一看就很呆、一眼就能认出是AI的东西，开始变得不那么像AI了。

最后，AI大模型发展确实提升了不少，但从“能用”到“好用”，中间还隔着一大段调试、成本和稳定性的路。而这一段是展台上的demo给不了答案的，一起期待明年会有新的变化和发展吧。

附：日程清单网页的来由

其实一开始只是在大会官网看到下图，想着用Agent的能力导出一份Excel版议题清单就满足了，结果登录“千问办公”之后，沙箱环境不让用大会的cli skills，千问自己写了个爬虫去抓接口数据了😅。

然后就逐步有了“日程清单”网页，整体对话耗时大概3小时左右，用了1400+的积分（200积分≈10元），烧的实在太快了。下面是我统计的每次对话所消耗的积分，贴出来给大家看看😂