WAIC系列｜无问芯穹夏立雪：做 AGI 时代最需要的 AI Infra

综合 · 2026-08-12 00:41:09

7 月 20 日，系列芯穹夏立雪做需2026 年世界人工智能大会上 ，无问无问芯穹联合创始人兼 CEO 夏立雪提出，代最从 Pre-training（预训练） 到 Post-training（后训练）、系列芯穹夏立雪做需从Test-time（推理时扩展） 到 Agentic scaling（智能体扩展），无问在四条 Scaling Law 的代最作用下，模型训练和推理的系列芯穹夏立雪做需超级市场正在互相孕育。当下的无问人工智能基础设施（AI Infra）“必须以极致的效率服务更大规模 。”

据介绍 ，代最基于规模与效率两大锚点，系列芯穹夏立雪做需夏立雪从无问芯穹的无问 AI 生产力公式（AI生产力 = 智能资源规模 × Token 转化效率 × AI生产力转化效率）出发 ，首次公布无问芯穹 Agentic Infra 的代最“前店后厂一中心”战略布局 ，涵盖三大核心技术能力与产品服务体系
：

• “算力集散中心”：Agentic Infra 自主式基础设施平台
• “Token工厂”：Agentic MaaS 大模型服务平台
• “AI生产力商店”： Agentic Infra 行业解决方案

据了解，系列芯穹夏立雪做需无问芯穹 Agentic Infra 自主式基础设施平台的无问核心目标，是代最实现智能资源规模最大化。它就像一座“算力集散中心” ，把散落的、异构的算力资源统一集聚、弹性调度
、按需分发，为模型与应用层筑牢充足 、稳定、可扩展的算力底座。

夏立雪主张 ：“算力的异质化、碎片化问题是全球性的
，如何把不同的、跨区域的算力资源，高效聚合协同起来，是拉动智能资源规模的要紧。”

在跨域算力聚合训练实践方面，无问芯穹方面介绍，第一是超远距离聚合  。无问芯穹已联合中国电信 ，完成了国内首例超4000 公里距离的大模型跨域混训；第二是多数据中心聚合
。打通 4 个不同代际、不同型号的 GPU 集群，联合训练近百亿参数大模型  ，四集群协同性能优化 41%；第三是混合云算力聚合 。实现本地私有集群与公有云算力的安全互通混训，整体性能优化 68%。数据显示
，目前这套跨域训练完善已在全国部署触达超 37,000P 算力、覆盖 16 种主流芯片。

此外
，夏立雪表示 ，伴随着大规模跨集群强化学习训练技术的持续成熟突破，无问芯穹还将持续深耕并行策略、通信融合、智能算子、极致容错等核心技术，“未来，我们可以将跨域计算资源的支撑规模
，持续拓展至十万卡级以上
，支撑下一代Agentic AI的在线进化 。”

现场 ，夏立雪还用千卡至万卡规模下完整推理服务技术栈揭示了一座 Token 工厂内部的可优化空间 ，“从网关
、路由，到底层推理实例 ，Token 工厂层层可优化 
、处处有增量。”随后，夏立雪披露了无问芯穹首创的新一代推理完善优化成果跨集群异构PD分离架构（Prefill-RelayDecode-MainDecode, PDD）
。这一架构可以极大优化大模型推理完善效率
，是每座 Token 工厂都必备的“超级管线”。

夏立雪分析，随着跨集群异构 PD 分离架构的规模化落地 ，推理成本依然有 10 倍的下降空间。据了解，技术迭代驱动成本下降 ，业务规模加速技术创新。通过与 Kimi、智谱、Minimax、阶跃星辰等头部大模型企业的密切合作，截至 7 月，平台单日 Token 调用量较去年 12 月，已实现了 40 倍的爆发增长
 。

据悉
，夏立雪还带来了覆盖文娱游戏
、医疗健康、法律终端  、能源电力等多个垂直行业的 Agentic Infra 行业解决方案。包括文娱游戏场景 、医疗健康场景 、法律终端场景、能源电力场景。

最终
，夏立雪将视野从云端的数字世界延伸至真实的物理世界
。他提出 ：“在物理世界中，具身智能的 Scaling Law 同样需要高效率 、大规模的基础设施支持。”无问芯穹公布了在具身智能领域的全新探索  ，即首个面向大规模具身任务的云边端一体化管理与调度平台。同时，针对具身智能的训练与推理部署两大核心环节 ，夏立雪还发布了面向具身智能的大规模真机强化学习训练框架 RLinf V0.3 ，以及面向机器人与端侧 AI 场景的全栈的推理优化体系 Mizar-Robo
。

“让智能无所不能 ，是AGI，而让智能无处不在，是 AGI Infra。”夏立雪在发布会的尾声中说道。“AI 无疑是目前世界上发展变化最快的行业 ，但我们的初心从未转变，就是做 AGI 时代最需要的 AI Infra。”（定西）