大多数人还在用网页和App调用AI时，这场演讲展示了另一条路：把自然语言、后端和MCU压缩进一个能握在手里的“物理AI终端”。更反直觉的是，它不是为了效率，而是为了让人“想去玩”。
大多数RAG系统一开始就犯了一个隐形但昂贵的错误：先把文档丢给大模型再说。Abed Matini 在这场分享中反其道而行，提出“绕过多模态税”的混合RAG架构，用SQL、RRF和实时遥测，把聊天机器人从“烧Token的玩具”拉回“可控的工程系统”。
当所有人沉迷于“让AI写代码、马上上线”，MongoDB的Apoorva Joshi却抛出一个反直觉结论：真正决定AI系统成败的，已经不是代码，而是你在动手前的系统设计。这场演讲，用一个真实的医保理赔案例，把AI从想法走向生产的底层逻辑彻底讲透。
如果我告诉你：在某些场景下，向量检索和知识图谱都不是最优解，你会信吗？Luis Romero-Sevilla 在这场演讲中抛出一个反直觉结论——当“所有文档都相关、而且还在高速变化”时，真正的突破点不在检索，而在上下文本身。
很多团队死在同一个地方：研究原型明明很惊艳，一进生产就寸步难行。Higharc 的资深研究工程师给出一个反直觉答案——真正的瓶颈不在模型，而在“交接方式”。这是一套把前沿 ML 研究送进生产环境的硬核方法论。
把AI引入工程团队，最难的不是选模型、搭系统，而是改变工程师和“工作本身”的关系。Angie Jones 用几年时间，把一个3500人的工程组织推向“自治”，她的方法论，远比你想象得更反直觉。
当整个行业都在抱怨“AI不懂空间、不会做设计”时，Nori 的 CEO Amol Kapoor 抛出了一个极端反直觉的结论：不是模型不行，是我们给错了工具。只用 HTML，AI 不但能做幻灯片、文档，甚至连视频都能一把梭。
如果我告诉你，AI Agent 的检索层里，有接近 80% 的内存其实是“白白浪费”的，你可能会半信半疑。但在 ICLR 2026 上，Google Research 推出的 Turbo Quant 给了一个极具攻击性的答案：Embedding 根本不需要 32 位精度。更疯狂的是，压到 3–4 位，检索质量几乎不变，内存直接砍到五分之一。
当所有人都在追求用大模型“秒出代码”时，AWS 的一位资深工程师却泼了一盆冷水：真正能让你写得更快、更稳、更可控的，不是更强的模型，而是更严格的规格文档。这场关于 Spec-Driven Development 的分享，揭示了一个反直觉却正在成真的开发新范式。
你以为 AI Agent 失败是模型推理不够强？Sonam Pankaj 在这场演讲里给出一个更残酷的答案：大多数 Agent 其实死在了“检索之后”。评估信号进了 dashboard，却从没回到系统里，Agent 注定一错再错。