2025 OpenVINO™ DevCon：把 “能跑起来的 AI” 交到你手里

如果用一句话概括这一年的 DevCon：我们不只聊模型有多强，而是把 “从模型到应用、从 Demo 到可部署服务” 的坑与路，都铺给你了 —— 让你在 CPU / GPU / NPU 上都能更快、更稳地把 AI 跑起来。

也特别感谢每一位来到直播间或活动现场、认真提问、一起参与的朋友。你们的互动让 DevCon 不只是 “讲完就散” 的分享，而更像一次开发者共创。

一条主线串起 6 场：从 1 Model → 2 Optimize → 3 Deploy → 4 Build Apps → 5 Serve & Ship → 6 Robotics

DevCon 2025 的内容，其实可以非常清晰地归成一条 “可落地” 的路线：

1）Model：新模型与新能力，先把 “能用” 补齐

开年第一场 OpenVINO™ DevCon 活动，我们把 OpenVINO™ 2025.0 的关键能力更新做了总览：更广的 GenAI 覆盖、更丰富的模型支持、更顺手的框架集成，让 “模型可用性” 变成默认项。同时 OpenVINO™ GenAI 也强调了 Whisper 性能增强、LLM 性能优化、torch.compile 对 NPU 的支持等。

并且把 OpenVINO™ GenAI 的 “可编程接口” 讲得很清楚：LLM/VLM/Whisper/Text2Image 等 pipeline + generation config + chat template 这套组合，基本就是你写应用的积木盒。

2）Optimize：给你 “性能不玄学” 的抓手

在视觉侧，YOLO 专场用非常工程化的方式告诉你：先把最流行的模型跑通，再把性能与精度一起拉上去。标题就直指痛点：部署要 “快、准、省”。

并且给出 “零门槛路径”：Ultralytics 直接 export 到 OpenVINO™ IR，然后一行指定 intel:cpu /intel:gpu /intel:npu 跑起来。

更关键的是，它不仅给你 “能跑”，还给你 “敢用” 的依据：PPT 里对 YOLOv8n FP32 vs INT8 的 mAP 做了对比展示，强调后训练量化在精度损失很小的情况下能换来明显的性能收益。

3）Deploy：把 “部署” 从玄学变成标准动作

这一年 DevCon 很强调一句话：训练只完成了一半，部署才是另一半，并点出部署常见挑战（性能优化、版本管理、监控调试、系统集成等）。

也因此，内容里反复把 “怎么交付” 拆成可复用的方法：pipeline 化、服务化、跨设备一致化。

4）Build Apps：从单模型到 “认知 AI” 的系统级玩法

认知 AI（Cognitive AI）那一场，核心是把多模态 RAG 做成 “能落地的系统”：不仅仅是文档问答，而是图片 / 视频 / 幻灯片 / 医学图像等多模态数据一起索引与检索，并给出 “视频片段搜索 + 对话转录联合索引” 的真实场景例子。

它把多模态 RAG 的标准流水线讲得很完整：多模态 embedding → 向量库 / 索引 → VLM（列了 LLaVA、Phi、Qwen2.5-VL 等候选）→ 输出后处理。

同时也给了非常 “可抄作业” 的优化 / 部署方式：比如用 optimum-cli 导出 OpenVINO™、用 OpenVINO™ GenAI 的 VLMPipeline/LLMPipeline 跑起来。

更有意思的是，它还把 Agentic AI 的 “工具化” 引到 MCP（Model Context Protocol）工作流，给你一个从 RAG 迈向多工具 Agent 的自然升级路径。

5）Serve & Ship：Windows 生态里，把 “部署到 AI PC” 这件事做简单

Windows AI Foundry 那场非常落地：开发者最怕的不是写模型，而是打包、分发、兼容与后期服务。所以本场的重点之一是：Windows ML 在英特尔平台上可以默认带来 OpenVINO™ 加速，并把 OpenVINO™ EP（Execution Provider）纳入部署链路，从而 “简化模型部署、让你更专注应用”。

同时它也把 Foundry Local 的定位说得很清楚：本地推理 + 模型定制 + SDK/API/CLI 的开发体验，以及一个 OpenAI-compatible 的 REST 服务形态。

6）Robotics：当你想让 AI “动起来”，这里给了完整软件栈的入口

机器人专场把入口放在 Intel Open Edge Platform（OEP）以及 Robotics AI Suite（预览版）：这是面向工业的 AI 软件开发套件**，包含微服务与应用示例，并按 AMR / 固定式机器人视觉与控制 / 人形机器人仿真学习等类别组织在 Reference Pipelines 里。

尤其 “人形 - 模仿学习 ACT” 示例给了很明确的开发者路径：从文档开始，到 GitHub 代码，再到环境与补丁，强调一步步可复现。

并且对 “具身智能软件栈” 的定位讲得很硬核：ROS2 中间件、集成 CV / 控制 / 运动控制 / SLAM / LLM/VLM/VLA，并针对 Intel CPU/iGPU/dGPU/NPU 做优化与部署。

DevCon 2025 最 “值回票价” 的 3 个开发者亮点

1. 你不用在 “框架 / 硬件 / 部署” 之间做痛苦取舍：很多路径都在强调跨 CPU/GPU/NPU 的一致开发体验。

2. 从 RAG 到 Agent 的升级路径是连续的：多模态 RAG → 本地多 Agent → MCP 工具化，让你能按需逐步加复杂度。

3. 不止 Demo，还有 “交付到用户机器” 的路线：OpenVINO™ GenAI, OpenVINO™ Model Server 等，把最后一公里讲清楚。

错过直播？回看与资料入口在这里

• DevCon 2025 回看入口：https://bizwebcast.intel.cn/devcon2025

• OpenVINO™ Notebooks：https://github.com/openvinotoolkit/openvino_notebooks

• OpenVINO™ build and deploy：https://github.com/openvinotoolkit/openvino_build_deploy

结尾：感谢你把 “看热闹” 变成 “一起把东西做出来”

谢谢你今年在 DevCon 的每一次到场、每一个问题、每一次转发与反馈。我们真心希望你看完的不只是 “我懂了”，而是今晚就能把代码拉下来、模型跑起来、服务部署起来。

如果你错过了直播，欢迎直接去看回放。2026 我们会继续把 OpenVINO™ 的新能力、AI PC 的新平台以及 Agent/Robotics 的新玩法第一时间带给大家 —— 别走开，下一季更精彩。

 OpenVINO 小助手微信号 : OpenVINO-China