WAIC 2026｜夏立雪发布无问芯穹 Agentic Infra“前店后厂一中心”战略布局

据介绍，无问芯穹 Agentic Infra 自主式基础设施平台的核心目标，是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汇聚、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。

夏立雪认为：“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，是扩大智能资源规模的关键。”

无问芯穹自成立以来一直致力于通过“多元异构、软硬协同”技术破解异质算力聚合的难题，打造了面向异构集群的大模型跨域训练系统，并集成于 Agentic Infra 自主式基础设施平台软件中，通过计算通信重叠的流水编排、自适应的通信流调度和异构算力调度机制，三位一体全栈协同优化，能够系统性地破解算力聚合的行业难题。

另外，针对跨域强化学习场景，无问芯穹把全栈协同的技术思路贯穿到底——从网络、平台到框架做一体式深度优化，打通分散的异构集群，实现全局资源一盘棋调度。

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，我们能够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。”

他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系统优化成果——跨集群异构PD分离架构（Prefill-RelayDecode-MainDecode, PDD）。

基于 Agentic MaaS 线上业务长期的大规模实践积淀，无问芯穹推理团队首先把为了 Decode 实例重复前缀存储去重而设计的 Decode Radix Cache 技术，创新性地迁移至跨集群异构 PD 分离架构之中，实现跨集群 KV Cache 传输数据量降低一个数量级，让“流量过载”的难题迎刃而解。

过去一年里，无问芯穹的 Token 工厂已通过一系列原始技术创新，推动了推理成本的 10 倍下降。夏立雪判断，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。“无问芯穹的 Token 工厂，则希望用这个‘优化即利润’的增长飞轮，向推理时代交出 Token 效率的答卷。”

值得一提的是，遵循“用智能体赋能基础设施，提升计算规模和智能效率”的核心目标，无问芯穹基础设施智能体蜂群目前已包含三个子集，对应在 AI 生产力转化、智能资源规模、Token 生产效率的三方面：面向用户的平台管家智能体系统、面向集群的运维智能体系统、以及面向芯片的算子生成智能体系统。

夏立雪提到：“我们不仅用 Agent 赋能资源规模扩展、提效 Token 生产，更致力于以 Agent 能力驱动整套 AI Infra 形成自主迭代、自我优化的闭环，让基础设施越用越强。”

最后，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。”

现场，无问芯穹公布了在具身智能领域的全新探索 ——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。该平台首次把云端 GPU 集群、边缘算力节点和机器人真机设备统一接入到一个平台中，支持训练、数据采集、评测和真机执行等多种具身任务统一编排运行，有效解决了具身训练中资源分散、跨集群协同困难、任务角色复杂、真机状态不可见、启动链路长的问题。

同时，针对具身智能的训练与推理部署两大核心环节，夏立雪宣布了无问芯穹两项技术升级：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。（青云）