了解开源文化，探索异构并行计算生态的发展与机遇。

主要围绕GPU程序设计和异构系统编程进行由浅入深的讲解，理论与实践相结合，引领同学们熟悉和了解高性能计算生态的必备知识。

介绍 AMD 在 x86 上 TEE 相关的技术介绍和原理讲。

围绕 DCU 在 Anolis OS 环境部署做详细介绍，包括 DCU 产品介绍/DCU 在龙蜥社区的兼容性适配流程/DCU 环境的部署流程，最后就部署过程做演示。

联科集团加入龙蜥社区多年，一直与龙蜥保持深度合作，其超智融合算力管理平台 CHESS 与 Anolis OS 的完成了兼容适配认证。联科集团联席合伙人付鸿雁结合联科集团 25 年深耕高性能计算的经验，系统化解析超智融合算力中心的搭建路径，实现整套集群从芯片、存储、网络到操作系统、算力调度、系统运维完成超算和智算真正的融合。

指出在泛在智算场景下，实时推理等业务对系统时延敏感，影响体验与收益，且随着AI技术发展，推理服务下沉为基础设施，时延稳定性决定上层应用可靠性。然而，传统观测工具难以兼顾精确性、完整性和低开销，导致生产环境时延问题难定位优化。分享了全景低侵扰系统时延观测技术的实践：构建轻量化、可部署的时延分析框架，覆盖CPU调度到网络IO的全栈追踪，为系统性降低非预期时延干扰提供观测依据。实践表明该方案在性能损耗可控前提下，显著提升运维效率，为泛在智算提供高稳定、低抖动的OS支撑。

分析了多核场景下Linux调度器的挑战与机遇：优化进程唤醒时随核数增加而递增的idle CPU搜索开销；改进默认时间片调度，使其感知进程工作集、线程数据共享等指标，推进同进程线程组在相同LLC domain唤醒以减少跨核缓存失效；探讨了内核调度器支持的用户态BPF自定义调度与AI结合的潜力，即AI预测进程需求辅助BPF生成智能调度策略。

探讨了具身智能系统，其核心在于构建紧密耦合的“感知-融合-决策-执行”闭环，使机器能实时理解并作用于物理世界。指出实现面临的主要挑战：需达成高实时性、强鲁棒性的多模态感知融合，并进行高效动态决策与控制。该演讲以智能机器人为核心示例，聚焦基于Ubuntu + ROS2构建的主流机器人操作系统生态，探讨了OS在具身智能中的关键角色及其面临的端到端确定性问题。

针对AI在医疗、金融等敏感领域应用带来的数据隐私与模型安全推理问题，介绍了基于机密计算技术的Confidential AI解决方案。解析了如何在机密计算环境中实现端到端安全推理，涵盖加密模型部署、端到端通信安全、系统数据落盘加密保护等关键技术，旨在为行业提供可复用的安全推理框架。

作为RISC-V架构的先行者与领导者，SiFive介绍了其覆盖从超低功耗到高性能计算需求的创新、高度可定制RISC-V处理器IP核解决方案。该议题探讨了RISC-V在高性能服务器领域的突破潜力及其对传统架构的挑战；聚焦了RISC-V与AI技术的深度融合，解析了其作为高效能AI加速器控制核心或定制化AI计算单元的优势，展望了其在智能化浪潮中的核心作用。

分析了AI产业面临的数据、算力与系统安全威胁（如勒索病毒、挖矿病毒）。提出了解决方案：基于eBPF-LSM技术结合勒索病毒行为分析，实现基于诱饵的防御，保障数据完整性与保密性；基于eBPF+kprobe技术结合挖矿病毒动静态特征，实现检测与防御，防止算力滥用；旨在为AI场景构建坚实可靠的安全防线。

探讨了AI技术应用于复杂任务时，传统大语言模型（LLM）在动作决策和多步推理上的局限性。构建具备自主规划与动态纠偏能力的智能体系统成为关键挑战。中兴通讯介绍了其Co-Sight框架，该框架通过多Agent协同架构（Plan-Actor-Memory）实现任务降维，结合实时上下文精炼消除冗余，并依托分层反思系统生成奖惩信号以动态优化DAG执行路径。其核心创新在于关注点分离与闭环反思机制。在GAIA评测中，Co-Sight以72.73%综合得分超越Google DeepMind与OpenAI，在复杂多步任务（L2级）中稳定性显著领先。

介绍了大模型推理架构Mooncake。该架构通过创新的KVCache中心设计，显著提升了Kimi智能助手的推理吞吐和成本效率，已引起业界广泛关注。近期，清华大学与阿里云等多家企业宣布共建Mooncake项目，旨在构建高性能推理框架的开源生态。阿里云与清华大学共同探索了大模型资源池化技术的工业应用，推动推理实例共享与缓存池化层标准化，实现高效分布式资源解耦，提升大模型长上下文推理性能。目前Mooncake已在vLLM/SGLang等多个推理框架集成，并在多家企业落地。