无问芯穹夏立雪：数字世界与物理世界的所有AI生产力运行，都需要 Agentic Infra

“计算需求在指数级攀升，今天，仅依靠产能的线性增长去堆叠算力，已经远远无法弥合供需之间持续扩大的缺口。” 7月20日，2026年世界人工智能大会上，无问芯穹联合创始人兼 CEO夏立雪提出，从Pre-training（预训练） 到Post-training（后训练）、从Test-time（推理时扩展） 到Agentic scaling（智能体扩展），在四条Scaling Law的作用下，模型训练和推理的超级市场正在互相孕育。 当下的人工智能基础设施（AI Infra）“必须以极致的效率服务更大规模。” 基于规模与效率两大锚点，夏立雪从无问芯穹的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“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。 这套Agentic Infra产品与服务体系立足基础设施，向下汇聚能源和芯片，向上支撑模型和应用，不仅极致提升底层资源向AI生产力转化的规模和效率，更有着Agentic AI时代最显著的AI原生能力——用基础设施智能体蜂群赋能资源规模扩展、提效Token生产，并支持Agentic AI的持续进化。 Agentic Infra自主式基础设施平台，服务下一代Agentic AI在线进化 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。 该系统已经受过三大类跨域算力聚合训练实践的生产级考验： 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，在新疆哈密与广东深圳两地集群间，实现联合训练性能提升165%，验证了超远距离跨域集群协同训练的可行性。 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，四集群协同性能提升41%，有效盘活了不同批次的存量异构算力。 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，整体性能提升68%，帮助众多企业客户解决本地算力不足、云上资源却闲置的错配痛点。 目前这套跨域训练系统已在全国部署触达超37,000P算力、覆盖16种主流芯片，盘活了广域分散的异质算力，使之成为Agentic AI时代的最坚实底座。 当下，强化学习成为下一代AI进步的重要手段。但相较传统预训练，强化学习“多角色协同”的特性使其对硬件的种类需求更加复杂，规模量级也更加庞大，基于异构和超大算力规模的双重刚需，跨集群强化学习因此成为智能规模化及持续进化的新锚点，这也是无问芯穹Agentic Infra自主式基础设施平台重点布局与攻克的核心场景。该场景存在两大重要问题：一是跨集群之后，不同角色之间的等待时间将被拉长；二是当规模扩大到万卡级后，从显卡到服务器、网络、存储，故障将以小时级的频率存在，而重新拉起任务耗时长达数十分钟，任务难以持续稳定运行。 因此，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。 在此之上，无问芯穹进一步将优化渗透进全链路的每一个环节，尤其是在跨域通信和容错这两个层面：通过优化计算通信重叠技术，让跨域通信效率直接提升3-4倍，实现通信开销100%全掩盖，训练不再因跨域通信产生额外耗时损耗；同时搭建了故障无感的训练机制，成功实现了跨域强化学习训练连续一周0中断稳定运行。让大规模跨域强化学习不仅可以“跑得通”，还能“跑得快、跑得稳”。 “这只是一个起点。”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。” Agentic MaaS大模型服务平台，无问芯穹Token工厂以“效”搏大 Token经济时代，无问芯穹早在2023年初就提前布局的Agentic MaaS大模型服务平台，目前正在迎来高速且持续的增长曲线。该平台就像一座“Token工厂”，核心目标是用极致效率服务Token的规模化、高质量生产。 发布会现场，夏立雪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）。 智能体推理需求的特征有“三极”：上下文极长、交互轮次极多、缓存命中率极高，对吞吐、时延、缓存复用的要求，远高于传统对话场景。同时，从实测数据中能直观看到，不同芯片在Prefill、Decode阶段的性能差异极大。而眼下，这些散落在不同地区的存量集群几乎都是同构的，且几乎每个集群都“偏科”。 因此，该架构首先用高性价比的广域网以太网把分布在各地的、已经建好的同构数据中心连起来，让算力强的集群做Prefill任务，让显存带宽高的集群做Decode任务。这一架构设计相当于让“偏科”的硬件只刷自己最擅长的题，可以极大提升大模型推理系统效率，是每座Token工厂都必备的“超级管线”。 然而，基于以太网的KV Cache跨集群传输，存在带宽和延迟瓶颈，这根“超级管线”既要能扛住智能体业务的巨大“流量”，也要能跟得上用户对“流速”的极致要求。 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。 其次，更大的挑战在于“流速”——智能体的响应速度，是最直观的产品体验底线。 PDD将传统的PD分离链路“P-D”创新解构为“P-RLD-MD”的三级分离式推理架构，就像是为这条“超级管线”加装了一个“精密增压阀”。对于高传输延迟的请求，RelayDecode先行输出Token给用户，从而让用户侧完全感受不到这一实际上长达数十秒的传输延迟；当传输完成后，输Toke