本论坛聚焦智能体技术驱动下网络优化和智能演进路径，邀请六位学者围绕两个相互关联的研究层次展开对话。三位从事核心网络方向的研究者，分别从传输拥塞控制与网络测量入手，探讨如何在智能体流量激增、端边协同需求增强的背景下，维持网络的可控性与可观测性；另外三位专注于端与边缘智能体赋能的研究者，则关注智能体在资源受限环境中的部署、推理与协同机制。论坛旨在打通“核心传输—边缘智能”之间的技术断层，推动网络与智能两个领域在研究范式上的交汇与融合。

任丰原，清华大学计算机科学与技术系教授、博士生导师，国家杰出青年基金获得者，主要研究方向包括计算机网络、物联网、边缘计算及网络性能优化。他在IEEE/ACM Transactions等顶级期刊和SIGCOMM、NSDI等国际会议上发表论文200余篇，曾获国家自然科学二等奖、教育部自然科学一等奖等荣誉。担任多个国际期刊编委及学术会议主席，是中国计算机学会（CCF）杰出会员，IEEE高级会员。

曾荣飞，东北大学副教授。主要从事分布式机器学习（尤其是大语言模型）及其在网络领域应用的研究。在IEEE TPDS、IEEE TMC、IJCV、ICLR、Elsevier Computer Networks、IEEE ICDCS、ACM IWQoS等顶级期刊和会议上发表论文30余篇。担任WWW、AAAI、ICDCS和IWQoS等TPC。现任分布式计算与系统专委会执行委员，以及CCF科学普及工作委员会委员。兼任担任央视财经频道（CCTV2）、人民邮电出版社等机构顾问。

讲者简介：谢高岗，中国科学院计算机网络信息中心研究员，博士生导师，中国科学院大学岗位教授。主要从事计算机网络体系结构与分布式计算系统的研究工作，获得国家杰出青年科学基金、重点研发等项目资助。相关成果发表在SIGCOMM、MobiCom、NSDI、ToN等学术会议与期刊，并应用于多个实际系统，获国家科技进步二等奖、电子学会技术发明一等奖等奖励。

报告题目：太空算力网络高效互联转发研究

报告摘要：当前，天基算力星座加速组网，但星间高动态拓扑与激光链路脆弱性导致算力协同效率极低，超过90%的星上数据仍受限于“天感地算”回传瓶颈。本报告聚焦太空算力网络高效互联转发，突破星间高速组网与智能路由关键技术，旨在将分散星载算力聚合为天基分布式集群，实现数据在轨实时处理与星间协同推理，助力我国太空算力网络从“组网”向“好用”跨越。

讲者简介：张燕咏，中国科学技术大学讲席教授、人工智能与数据科学学院执行院长，国家海外高层次创新人才长期计划项目获得者，IEEE Fellow，国家科技创新2030“新一代人工智能”重大项目首席科学家，IEEE P3184国际标准工作组主席。

报告题目：面向高可靠操作的多模态力触VLA方法

报告摘要：本报告围绕机器人高可靠操作对精准感知、稳定控制和低损伤执行的需求，阐述融合视觉、力觉/触觉等多模态信息对提升具身智能操作性能的关键作用。重点介绍面向复杂接触任务的多模态力触VLA方法及其在物理交互预测、闭环控制和真机优化中的应用探索。

讲者简介：叶保留，南京大学教授、博士生导师，现任中国计算机学会（CCF）理事、CCF分布式计算与系统专委会副主任。长期从事分布式计算与系统、无线网络、边缘计算与边缘智能，近5年来先后主持国家自然科学基金重点项目及专项项目、国家重点研发计划课题、JW预研项目、江苏省基础研究计划重点项目等科研项目，在包括MobiCom、EuroSys、ATC、VLDB、INFOCOM等国际会议及ToN、JSAC、TMC、TPDS、TC等IEEE/ACM Transactions汇刊在内的国内外权威学术期刊与重要学术会议发表论文100余篇，被遴选为IEEE TPDS、IEEE TC亮点论文，获APNet 2018最佳论文奖、2016年度江苏省科学技术奖一等奖（第三完成人）、2019年度江苏省科学技术奖一等奖（第一完成人）、2024年上海市自然科学奖一等奖（第五完成人）。

报告题目：客户端自适应的联邦学习效率优化技术

报告摘要：联邦学习作为一种新型分布式机器学习范式，主要通过客户端上传模型更新而非原始数据，从而协同多个客户端训练全局模型，可有效避免数据集中收集带来的隐私泄露风险。然而，随着应用规模的扩大，联邦学习面临数据非独立同分布（Non-IID）导致的数据异构性、终端设备差异导致的通信瓶颈、以及在量化联邦学习框架下贡献评估困难导致的激励失衡三大挑战。报告围绕上述挑战，以构建“客户端自适应”的联邦学习优化机制为核心思想，介绍在自适应模型同步、自适应梯度量化、自适应竞标激励等方面的研究进展，以期增强客户端在联邦学习全生命周期中的自适应优化能力，为降低通信计算开销、加速模型收敛并保障系统公平性提供支撑。

讲者简介：徐梦炜，北京邮电大学计算机学院副教授，博士生导师。主要研究领域为端侧具身智能算法和系统软件，相关成果发表于MobiCom/ATC/ASPLOS/软件学报等国内外重要会议和期刊，获USENIX ATC 2024最佳论文奖。主持国自然青年基金B/C类、2030重大项目课题等多个项目，入选中国科协青年人才托举工程，北京市科技新星，微软亚洲研究院“铸星计划”访问学者。

报告题目：端侧具身智能系统

报告摘要：具身智能是人工智能下一个十年的重要范式，是抵达AGI的必经之路。具身智能强调智能体在复杂物理环境中的持续感知、理解、决策与行动闭环，为人工智能从信息处理走向真实世界任务执行提供了新的技术路径。随着模型能力的提升及端侧算力平台的持续演进，将具身智能能力部署到终端设备之上，正成为推动人工智能走向实时化、个体化与普适化应用的重要趋势。本报告将围绕端侧具身智能的关键技术展开讨论，重点介绍在端侧环境感知与行为建模、真实交互数据支撑、模型高效部署与推理加速等方面的研究进展。

讲者简介：赵世振，上海交通大学，长聘副教授，国家级青年人才，博士生导师，主要从事光电混合数据中心网络架构的研究，其提出的“低频切换”的光电混合数据中心网络控制方案得到业界的关注与应用。他的研究成果发表在SIGCOMM，NSDI，SIGMETRICS，ICNP，INFOCOM，IEEE/ACM TON等国际知名会议与期刊。

报告题目：基于机器学习的流量工程算法设计

报告摘要：在大型光电混合数据中心网络中，光层具备链路带宽高、重构灵活的特性，但其拓扑可动态调整；电层则承载着 AI 训练、分布式计算等业务，流量模式复杂且突发度极高。传统流量工程算法多基于固定拓扑与确定性流量假设，在面对光层频繁重构、电层流量剧烈波动的场景时，普遍存在求解速度慢、鲁棒性不足、难以实时适配等问题，无法兼顾拓扑动态变化、流量不确定性与算法执行效率。本报告围绕机器学习驱动的流量工程算法展开，系统介绍面向光电混合网络特性的轻量化 AI 设计方法，通过深度学习与对偶优化等技术加速流量工程求解过程，在大幅提升计算效率的同时，增强算法对动态拓扑与突发流量的自适应能力与可靠性。整套方案实现光层拓扑规划与电层流量分配的协同优化，有效缓解拥塞、降低传输时延，为大规模光电混合数据中心在 AI 算力密集场景下的高效、稳定运行提供关键算法支撑。

讲者简介：钱坤，阿里云高级技术专家，博士毕业于清华大学计算机系。负责阿里云智算集群网络的监控和稳定性系统建设。先后在国际顶级会议如 SIGCOMM、SOSP、OSDI、NSDI等累计发表论文10余篇。

报告题目：Aegaeon: 面向并发大语言模型服务场景的高效GPU池化技术

报告摘要：面向并发大语言模型服务场景，传统“一模型一GPU”的绑定模式导致GPU资源利用率极低。本报告聚焦高效GPU池化技术，通过在Token级别虚拟化GPU访问、实现多模型动态共享同一GPU资源，以组件复用、显存精细管理和KV缓存同步优化将降低模型切换开销。