CCF杰出会员，浙江大学长聘教授，之江实验室副主任

浙江大学计算机学院长聘教授，之江实验室副主任和浙江省大数据智能计算重点实验室副主任。CCF杰出会员、信息存储专委常委、体系结构专委常委。研究方向为信息存储、智能计算、计算机体系结构等。主持国家自然科学基金、国家重点研发课题、企业项目20余项。发表论文100多篇，包括FAST、ASPLOS、MICRO、HPCA、EuroSys、ATC、SC、VLDB等CCF A类论文40多篇。担任CCF A类国际期刊IEEE TC、IEEE TPDS编委。获2020年IEEE TPDS优秀编辑奖、2023年浙江省科技进步一等奖，2025年中国发明协会成果奖一等奖、2025年算力中国·年度重大成果奖。

论坛共同主席

吉林大学副教授

吉林大学副教授/博导，CCF高级会员、体系结构/分布式计算与系统专委执行委员、YOCSEF长春分论坛AC委员。研究兴趣包括文件/存储系统、可信/机密计算以及人工智能方法/安全等。近五年以责任作者身份在FAST、TOS、TCOM、IoT-J、FGCS、IJCAI等高水平期刊/会议发表文章近30篇，授权国家发明专利8项。主持包括国家重点研发计划子课题等省部级及以上纵向项目4项，企业合作项目2项（包括百万横向1项），国家/部级科研平台开放性课题3项。入选吉林省青年人才托举工程、人社厅省域拔尖人才（D类），曾获吉林省自然科学二等奖（排2）、中国商业联合会科技进步一等奖（排3）。

论坛讲者

CCF信息存储技术专委会副主任、计算机历史工委副主任，清华大学长聘副教授

清华大学计算机系长聘副教授，国家杰出青年科学基金获得者，现任CCF信息存储技术专委会副主任、计算机历史工委副主任。主要研究大规模数据存储与分析理论与方法，涵盖存储系统、数据压缩、大数据与AI计算系统，主持国家杰青、重点研发计划、973、863等项目。在FAST、SOSP、EuroSys、VLDB等国际顶级会议及ACM ToS、IEEE TC等期刊上发表学术论文30余篇，获中国美国发明专利授权10余项。研究成果已应用于国内骨干企业的存储产品中，显著提升其性能与价值。

报告题目：面向交互式大模型推理的键值缓存优化设计

报告摘要：随着大语言模型规模和上下文长度的不断增长，推理过程中的键值缓存管理已成为系统性能的关键瓶颈。键值缓存需求的激增不仅导致显存占用过高，限制推理并行度，还因后端加载延迟引发计算停顿。针对上述挑战，本报告提出“存算双向感知”的系统设计理念。在计算侧，结合缓存内容读取延迟来进行请求调度，提升I/O效率并增强并发性能；在存储侧，结合模型推理的交互特征来设计替换策略，缓解容量与带宽压力。通过存储与计算的双向感知与协同优化，本研究在保障低延迟与高吞吐的同时，兼顾成本控制，为交互式大模型推理服务提供了系统性的解决思路。

湖南大学教授，长沙学院副校长

国家高层次人才，湖南大学教授，长沙学院副校长。主要研究领域为高性能计算，长期在国产超算平台以及飞腾、鲲鹏、海光、昇腾、景嘉微GPU等国产处理器上进行并行算法的设计和应用，主持研制了一系列的基础数值算法函数库和性能优化工具。获国家科技进步二等奖，湖南省自然科学一、二等奖等，获华为火花奖2项。主持国家自然科学基金重点项目、面上项目，国家重点研发计划课题，湖南省重点研发计划和揭榜挂帅等项目20余项。

报告题目：多级存储性能优化

报告摘要：内存池化技术允许单实例应用借用分布在其他服务器上的闲置内存，以此提高资源利用率。然而，访问这些远端内存会显著影响性能，导致多个应用性能下降严重。基于编译的分析技术，获取应用程序线程与访存特征，并在编译阶段进行插桩，进行内存预取、写回等优化，另一方面，结合体系结构特征与线程访存特征，找到最优的线程调度方式，最终实现在内存池化的场景下对用户程序零成本迁移和优化。

上海交通大学特聘教授

大规模网络智能计算实验室（NICE Lab）主任。担任中国计算机系统大会（ChinaSys）主席、IEEE Trans. Computers编委等。长期从事网络智能计算技术研究和系统研制。相关成果获CCF科技进步一等奖、国家科技进步二等奖、湖南省自然科学一等奖、FAST’23最佳论文奖等。

报告题目：大规模存储系统的故障发现和恢复：从SSD到HBM

报告摘要：数据存储可靠性是大规模智算集群的关键，存在如下两方面的挑战。一是各种软硬件问题引起SSD存储故障，导致数据丢失和服务中断。二是HBM故障导致训练过程中断。本报告针对上述挑战，介绍近期的研究进展。首先，对大规模云环境下NVMe SSD各种故障进行分析；第二，对大规模智算集群的HBM故障进行分析；最后，设计了基于EC的HBM故障恢复机制。

CCF杰出会员，浙江大学长聘教授，之江实验室副主任

报告题目：大模型存储系统

报告摘要：随着智能计算模型复杂度的不断提升，存储系统已成为制约大模型训练与推理性能的关键瓶颈。为此，我们开发了一系列创新的存储系统优化技术。这些技术显著提升了存储系统的整体性能，从而大幅提高了大模型训练与推理的效率。本报告将详细阐述我们在智能计算存储系统领域所面临的挑战、采取的优化方法以及积累的实践经验。

摩尔线程联合创始人兼首席技术官

前英伟达GPU架构师，博士毕业于加州大学戴维斯分校，本科毕业于浙江大学数学系。兴趣包括计算机图形学，机器学习，科学计算和GPU体系结构设计。在摩尔线程期间，带领团队五年成功研发五代集人工智能和图形渲染为一体的全功能GPU处理器架构，以及支持大模型预训练的GPU万卡智算集群。

报告题目：摩尔线程如何打造世界先进的AI工厂

报告摘要：介绍摩尔线程为大模型预训练打造的大型人工智能计算基础设施KUAE万卡集群以及相关的AI计算优化技术，包括基于MUSA多引擎统一系统架构设计的GPU，张量计算引擎，张量访存引擎和异步通信引擎，MUSA驱动软件，调试诊断工具，原生FP8计算和通信技术， FP8分块缩放因子技术，分布式训练并行策略优化工具，高性能检查点备份恢复，零中断容错训练，集群自检及调度优化。

华为云AI系统创新Lab技术专家

博士毕业于中国科学技术大学和香港城市大学，长期从事NLP算法、大模型、AI系统等研究工作，相关成果发表在 AAAI、IJCAI、TKDD、TOIS、Nature communications等顶会或期刊20+篇，对大模型压缩、AI训练推理优化等技术，以及AI在行业落地有深入的理解，拥有丰富的算法研究及工程落地经验。

报告题目：大模型压缩及推理优化技术分享

报告摘要：随着深度学习模型规模的不断扩大，人工智能迈入了千亿乃至万亿参数模型驱动的大模型时代（如DeepSeek R1、Qwen3等千亿参数模型），大模型的高存储占用、计算开销和延迟问题日益突出，制约了大模型规模化部署和使用。本技术报告从华为云AI系统与模型协同创新角度，梳理大模型压缩及推理优化的相关技术（如模型量化、KV稀疏、高效推理等技术），通过相关案例分享其中的关键技术，并与各位进行探讨。

CNCC2025将于10月22-25日在哈尔滨举办。专题论坛将在往年多样化主题的基础上，首次通过“基础-前沿-未来”的一体化设计，满足不同背景参会者的需求，构建从知识获取到创新激发的完整路径，打造系统化、进阶式的参会体验。重点设置9大主题板块，每个主题板块的专题论坛由三大核心模块组成：面向前沿领域的体系性Tutorial、聚焦前沿突破的专题论坛以及探讨未来发展路径的思辨论坛。