5月27日下午,BEYOND Expo 2026开幕式在澳门巴黎人酒店·巴黎人剧场举行,正式拉开大会帷幕。本届博览会以“AI:数实共生”为主题,聚焦人工智能从数字系统走向物理世界的产业进程,围绕具身智能、机器人、空间计算、AI Agent、开放生态和全球资本等方向展开讨论,呈现人工智能加速进入产业场景和现实世界的新进展。

全国政协何厚铧副主席、澳门特别行政区第五任行政长官贺一诚、澳门特别行政区立法会何润生副主席、澳门中华总商会崔世昌会长、BEYOND Expo联合创始人卢刚列席开幕式。
本次开幕式吸引1000余位来自中国、韩国、东南亚、阿联酋、沙特、卡塔尔、巴西、欧盟等多个国家和地区的嘉宾参与。参会嘉宾涵盖企业高管、创业领袖、投资机构代表、地方政府代表、国际合作伙伴及媒体,形成跨区域、跨产业、跨生态的全球创新交流现场。
开幕式上,BEYOND Expo联合创始人贺建东首先登台致辞。他在现场谈到,BEYOND Expo希望连接亚洲创新力量与全球合作伙伴,让科技、投资、体育和娱乐在同一周内形成更多交流机会。围绕今年大会方向,BEYOND Expo 2026展区将汇聚近800家参展企业,既包括大型科技企业,也首次引入OPC(一人公司)等更小型的创新主体,让独立创业者和个人创作者与头部品牌同场展示。

贺建东谈到,亚洲不仅拥有AI软件和模型创新,也拥有先进制造、硬件创新和基础设施能力,能够为AI进入物理世界提供重要支撑。从芯片、硬件到Physical AI,数字智能要真正走向现实世界,需要能够承载和制造它的物理基础。

随后,NVIDIA 机器人与边缘 AI 副总裁 Deepu Talla 发表主题演讲,普渡机器人创始人兼 CEO 张涛,阿布扎比投资委员会(ADIC)董事总经理兼首席执行官办公室战略项目高级顾问Mark Nicholas Cutis,XREAL 创始人兼 CEO 徐驰,Linux 基金会全球AI 首席技术官 Matt White,依次与贺建东开展炉边对话。




以开幕式为起点,BEYOND Expo 2026也将在5月28日至30日持续展开更多精彩内容。现场将围绕七大舞台推进多项议程,并汇聚近800家国际企业参展。大会期间,BGlobal峰会、国际投融资峰会、物理AI峰会、数字AI峰会、日本科技论坛、韩国科技论坛、亚洲-欧洲科技论坛、亚洲-拉丁美洲科技论坛、SheTech女性科技峰会、Web2+3峰会、AI Beauty & Health峰会以及商务对接会、BEYOND Awards、极限速投和BEYOND HACK DAY等板块将陆续展开,覆盖技术展示、产业交流、跨区域合作、投融资对接、开发者生态和创新项目展示等方向。
BEYOND Expo 2026还与B站、小红书科技展开内容合作,通过视频创作、逛展笔记和现场打卡等形式,进一步放大展会现场的科技内容传播。大会期间,环球启航之夜、庆典晚宴、BGlobal泳池派对、BEYOND资本酒会、BEYOND官方派对、BEYOND UFC Watch Party、BEYOND AI Clash派对和国际创新交流之夜等八大特色派对也将陆续举行,让全球投资人、创业者、企业代表、媒体和产业伙伴在论坛、展览与发布之外继续交流、建立联系。
从Physical AI的技术演进,到具身智能的产业落地,再到空间计算、AI Agent、全球资本、开发者生态和跨区域合作的参与,BEYOND Expo 2026将以多个维度呈现AI从数字系统走向物理世界的产业路径。人工智能正在从屏幕、文本和云端模型,进一步走向机器人、可穿戴设备、空间计算、产业系统和现实世界执行,这也将成为本届大会接下来多项议程持续展开的核心主线。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。