阿里陈烨将出席QCon上海，解析AI从Coding走向消费的工程挑战

阿里巴巴中国电商事业群与飞猪CTO陈烨博士已确认出席2026年10月22日至24日在上海举办的QCon全球软件开发大会，并将在主论坛发表题为《从Coding到消费：AI的下一场革命》的主题演讲。这一议题直指当前AI落地的关键转折点：当大模型在代码生成等任务中已实现高可靠性后，如何将其能力延伸至交易、服务与履约等真实消费场景，正成为产业界亟待破解的系统性工程问题。

陈烨在演讲提纲中指出，AI之所以率先在Coding领域取得突破，关键在于其具备天然的“Verifier”机制——编译器、单元测试、CI/CD流水线等工具链提供了密集、即时且客观的反馈信号；而消费场景则面临反馈稀疏、延迟高、主观性强等挑战，且需穿透商家、库存、物流等物理世界环节，形成端到端的执行闭环。这意味着，AI从Coding迈向消费，并非简单地将更强模型接入App，而是需要重构一套适配真实世界的验证与执行体系。

他进一步提出，下一阶段AI演进路径应为：Coding → Agent → 消费。其中，Agent作为中间层，承担了任务拆解、工具调用与状态追踪的功能，但真正考验在于如何将物理世界的履约过程转化为可量化、可学习的训练信号。例如，一次酒店预订的成功与否，不仅取决于用户是否点击“下单”，更取决于后续入住体验、退款率、复购意愿等长周期指标——这些数据若能被结构化并反哺模型迭代，便构成持续优化的“数据飞轮”。

陈烨将Frontier Lab提出的“Infra × Data × Compute”框架迁移至消费场景，提出三大关键方向：一是构建AI-Native的供给与服务网络，使商家资源能被模型动态调度；二是将静态商品库与实时用户行为数据融合，转化为高质量训练资产；三是通过后训练（Post-training）机制，建立覆盖交易全链路的反馈回路。其核心判断是：下半场的竞争焦点，已从“让模型更聪明”转向“让履约过程可验证、可学习”。

这一观点与近期行业实践高度呼应。网易智企副总经理肖钰妍在2026数贸会上亦强调，企业AI应用正从“回答问题”转向“完成任务”，但落地难点在于ROI难以量化与基础数据治理薄弱。她指出，个人级Agent提效可达200%~300%，而组织级提效普遍仅10%~15%，根源在于流程、共识与数据底座缺失。真正的跃迁不是多开一个入口，而是“接住一件事”——即让AI完整执行一项业务动作并交付结果。

类似逻辑也体现在蚂蚁集团的战略调整中。2026年9月，蚂蚁整合支付宝事业群、数字支付事业群与芝麻信用事业部，组建全新支付宝事业群，目标正是打通“需求发起—交易支付—信用保障”全链路。CEO韩歆毅将此定位为智能体商业生态的“催化剂”，强调需解决安全信任与供需飞轮两大问题。尽管目前AI支付与健康助手“阿福”仍处于“暂不商业化”阶段，但其组织变阵与2025年350.3亿元科技投入（同比+50%），清晰传递出对场景化AI长期押注的决心。

值得注意的是，算力部署模式也在同步演变。极摩客联合AMD发布的EVO X5 Pro桌面AI超算，正是响应“AI推理本地化”趋势的产物。该设备支持本地运行320亿参数模型，配备192GB内存与55 TOPS NPU算力，旨在降低Token消耗、保障数据隐私并缩短响应延迟。MIT斯隆商学院研究显示，将日常任务如会议纪要、邮件摘要交由端侧小模型处理，仅核心决策调用云端，可节省80%以上Token成本；而200亿~300亿参数的端侧模型，能力已达顶尖云端模型的80%~90%。这为消费级AI的轻量化部署提供了硬件基础。

陈烨的背景亦为其观点提供扎实支撑：威斯康星大学麦迪逊分校信息系统与计算机博士，发表NeurIPS、SIGIR、KDD等顶会论文30余篇，三次获KDD与SIGIR最佳论文奖；曾创立虎博科技，其多模态大模型TigerBot入选国家首批大模型备案名单；曾任美团点评资深副总裁，主导搜索与效果广告平台建设。其学术与产业双重经验，使其对AI从理论到落地的断层有深刻体察。

QCon上海本次共设20个专题论坛，涵盖Agent工程、AI Infra、SRE可靠性、金融AI Native实践等方向，汇聚来自阿里、腾讯、字节、美团、小红书、蚂蚁、阶跃星辰、快手、百度、微软、华为等企业的100余位一线技术专家。除陈烨外，无问芯穹联合创始人戴国浩、小影科技CEO韩晟等也将分享学界与产业界的不同视角。

行业共识正在形成：AI的下半场，胜负手不在模型参数规模，而在能否将物理世界的复杂交互转化为可学习的信号。当消费行为本身成为训练数据源，每一次订单、退换货、评价反馈都将推动模型理解真实人类意图与约束条件——这或许正是通向更强通用智能的隐秘路径。