开幕式上，首先由北京航空航天大学吕卫锋副校长致辞。吕校长介绍了智算时代基础软件的科技属性，并强调了本次研讨会的重要性，同时表示北航会大力支持CCF分布式计算与系统专委的工作，携手各界共同推动智算时代分布式计算领域的科技进步与生态建设。

CCF会士、北京航空航天大学教授、中国科学院院士钱德沛教授作题为《抓两个融合，促算力建设》的主题报告。钱德沛院士简要回顾了算网融合的发展历程以及我国在该领域的实践，深入分析了在人工智能崛起的背景下，国家算力建设面临的新问题和新挑战，由此提出算智融合的必要性和紧迫性，并对算智融合的主要任务进行了讨论。最后介绍了基于智融融合的超算互连网的理念和进展。

原科技部高新司副司长一级巡视员，现中国信息协会算力网专委会主任梅建平主任作题为《以推进中国算力网建设发展新质生产力》的主题报告。梅主任指出，算力是新质生产力的拓新领域，算力互联网建设是响应党的二十大关于构建现代化基础设施体系号召的重要行动，也是落实国家加快形成全国一体化算力体系要求的关键一步。报告最后介绍了中国超算发展历程及中国超算发展的成功经验。

CCF会士、监事长、北京大学教授、高可信软件技术教育部重点实验室常务副主任金芝教授作题为《智算时代的新型软件方法学探讨》的主题报告。金教授介绍了智算生态的构建思路，指出在智算时代，应实现算法应用与算力服务的普适化，推动形成面向“人—机—物”融合场景的新型软件方法学，以探索智算服务生态化的实现途径。报告分析了万物互联背景下“人—机—物”三元融合的场景特征，探讨了智算能力服务化的软件定义方法，并提出构建智算时代新型软件方法学的关键挑战。

CCF会士、理事、人机交互专委主任、中国科学院软件研究所副所长，中国科学院软件研究所二级研究员、国家级领军人才田丰副所长作题为《发展空间计算系统软件的一些思考》的主题报告。田所长介绍了“人—机—物”三元融合的新一代空间计算形态，指出构建自主知识产权的空间计算系统软件具有重要意义。报告进一步阐述了发展新一代面向空间计算的系统软件需要的基础理论、关键技术、平台应用等多个层次融合的技术情况。

之江实验室副主任、浙江大学计算机科学与技术学院何水兵教授作题为《智能计算存储系统》的主题报告。何教授指出，随着智能计算模型复杂度不断提升，存储系统已成为制约智能计算性能的关键瓶颈。报告介绍了其团队在智能计算存储优化方向上的一系列创新成果，这些技术有效提升了系统的I/O性能，充分释放了智能计算系统的算力效率。最后，报告还详细阐述了团队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。

南京大学计算机学院顾荣副教授作题为《基于近似数据结构的云原生资源深度观测与精细优化》的主题报告。顾教授介绍了一套基于近似数据结构的云原生指标观测系统，该系统兼具信息深度、开销轻量与结果精准等特性，可有效支撑资源数据实时分析。基于该指标体系，设计了面向云原生多域网络的分位指标观测策略，以及一套针对云原生存储缓存的效益指标观测与优化方法，为云原生环境下资源深度观测与精细优化提供了一种可行的方案

厦门大学信息学院沈志荣教授作题为《面向小对象的访问相关感知内存缓存系统》的主题报告。沈教授介绍了团队设计的AC-Cache——一种面向小对象的访问相关感知内存缓存系统。AC-Cache将对象布局建模为整数线性规划问题，采用内存高效的方式捕捉访问相关性，进而构建细粒度的关联分组，并最后将关联分组的分布建模为最大流问题以平衡数据访问。

鹏城实验室高效能云计算研究所余跃所长作题为《从算力中心到算力网》的主题报告。余所长结合中国算力网研究计划的实践经验，从分布式计算的角度介绍了算力中心云际互联研究成果。

山东大学计算机科学与技术学院申兆岩教授作题为《分离式存储系统中基于DPU的混合索引设计》的主题报告。申教授介绍了数据处理单元（DPU）被部署在分离式存储系统中用于加速数据的传输过程，指出在分离式存储系统中的地址转换过程会带来大量的CPU计算开销，从而导致较高的系统延迟，成为数据访问的瓶颈。报告进一步介绍了团队设计的HIDPU，一种在分离式存储系统中基于DPU的混合索引方案，该方案引入多级索引结构，缓解了DPU计算与内存资源的限制。

北京航空航天大学软件学院盛律教授作题为《面向具身智能的大小模型协同算法研究和实践》的主题报告。盛教授探讨了复杂环境下具身智能的大小脑协同的基本形式，并在此基础上提出了实现具身智能体泛化解决能力的多种设计思路，涵盖在仿真环境和真机操作下的多项探索与实践。报告进一步分享了利用扩散模型构建高精度、可编辑三维视觉内容的一系列工作。

阿里云网络研究高级技术专家操佳敏作题为《面向大规模分布式训练的集合通信算法自动生成系统》的主题报告。报告介绍了阿里云研发的集合通信算法自动生成系统，该系统能够自动感知集群拓扑，并针对不同硬件互联生成最优通信算法。该技术显著提升了大模型训练的通信效率，降低了延迟与带宽瓶颈，加速了AI模型的迭代与部署进程。