AI Infra进入自进化时代！清华团队AI优化AI造就国产万亿Token工厂

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> AI Infra进入自进化时代！清华团队AI优化AI造就国产万亿Token工厂 闻乐 2026-08-18 11:31:33 来源： 量子位 闻乐 发自 凹非寺 量子位 | 公众号 QbitAI AI竞争的焦点，变了。 一个词开始在前沿讨论里高频出现： R ecursive S elf- I mprovement。 它指的是AI自主优化， 让AI来研发更强大的AI —— AI开始自己提出问题、设计实验、评估结果，再根据反馈不断改进自己。 这被认为是继AI推理、Agent之后的下一个重大前沿，也是通往AGI（通用人工智能）的关键路径。 就拿OpenAI来说，GPT-5.6的RSI相关能力，已经帮其把端到端服务成本降低了20%，Token生成效率提升了15%以上。 还有Anthropic，披露其代码库中超过80%的代码由Claude自主生成。 Jeff Dean从谷歌离职创办Discovery Loop，投身的也是RSI这条赛道，根据最新市场消息，其估值已经冲击100亿美元。 优化这件事，正在由AI深度完成。 硅谷在为这个方向沸腾，但中国也并没有落后 。 清昴智能，国内第一家专注AI自进化Infra的创业公司 ，布局比这轮RSI热潮要更早。 并且，团队已经在回答一个更底层的追问： 模型可以自己进化，承载它的算力底座，怎么跟上？如何让AI进化的软件基础设施本身可以被算法化和自动化？ 模型已进入L4高速自主迭代，国产算力还在L1人工手搓 清昴的答案，要从一场节奏错位说起。 过去几年，大模型能力的提升几乎沿着一条清晰的路线前进。 从聊天、生成，到调用工具、长程推理，再到越来越多能持续运行数小时甚至更久的Agent，模型正在从一问一答走向更加自主的任务执行。 如果把这种智能化进程类比成自动驾驶，可以说上层的模型已经开始向 L4 式的高度自主执行迈进。 这种「L4自动驾驶」带来的直接变化是，单次任务要处理更多Token、更长的推理链路、更复杂的工具调用，这自然就对底层算力提出了更高的要求。 与此同时，中国AI产业又面临另一重现实。 在外部先进芯片供给受限的大背景下， 中国AI产业越来越依赖国产芯片 。 可问题是，国产芯片并不是“有卡就能跑”。 一款模型想要在一张芯片上跑起来，要经过算子适配、编译优化、内存调度、框架适配、推理优化等一系列环节。 而国产算力的软件生态相对碎片化，换芯片要重新适配，换模型又要重新调优。 长期以来，这类工作高度依赖少数资深工程师。 手写算子、调试参数、规划内存与并行策略……一个复杂算子的开发与调优往往耗时数周，却可能很快被模型和芯片的高速迭代淘汰。 而且，从行业实际利用情况来看， 国产算力仍存在较大的效率释放空间 。 于是一个新的矛盾出现了： 上层模型正在变得越来越自主，底层算力却仍然高度依赖人工—— 模型已经向L4迈进，算力底座却还需要L1式的人工接管 。 如果AI真的要进入持续自我进化的时代，Infra也不能永远依赖手工调优。 这正是清昴智能创业伊始即瞄准的方向： 构建一套真正具备自我迭代能力的算力基础设施。 不再依赖于专家的手工调优，也不局限于单点的算子生成或编译适配，而是让整个底层系统也进入一个由AI驱动的反馈循环。 最终，为Agent时代数万亿级Token的高效产出提供算力底座。 清华团队数年学术蓄力，率先打造自进化算力底座 团队如今的这套自主优化体系，并不是看到AI Infra风口之后临时拼凑出来的解决方案。 从创立第一天起，团队的核心目标就是探索如何实现「AI自己优化AI」 。 整套技术脉络，可以一路回溯到清华 朱文武教授 实验室的长期研究。 传统机器学习优化范式 ，本质上始终是人类定义规则、机器负责执行。 2015年前后， AutoML 与 Meta Learning 开始把模型结构、超参数等部分决策交给机器，但优化什么、用什么数据、往哪个方向优化，依然由人类决定。 再进一步，如果连这些决策都交给机器决定，会发生什么？ 清华大学计算机科学与技术系朱文武教授团队长期深耕机器学习自动化领域，并在2022年正式提出 自我驱动机器学习 这一概念，把机器获得的自主权扩展到任务、数据、模型、优化策略乃至评价标准。 这也是清昴技术路线的重要源头之一。 清昴智能是第一个将这条路线真正推向产业实践的创业公司，带头人 关超宇 正是朱文武教授的学生、清华特奖获得者。 他长期深耕AutoML、元学习与自主机器学习赛道，带领团队征战NeurIPS、AAAI等国际顶级学术赛事，在AutoML、MetaDL等全球挑战赛中击败哈佛、MIT、斯坦福等世界强队斩获冠军。 到了产业环境，这条技术路线进一步转向 AI Infra ： 让机器自己找到一套更高效的算力运行方式。 随着模型、算子、运行时、分布式架构和国产芯片快速迭代，优化空间越来越复杂，单靠人工经验已经难以覆盖。 于是，AI优化AI，转变为AI Infra领域亟待落地解决的现实命题。 在此基础之上，团队进一步发展出 自主机器学习 完整框架。 落到工程实现上，清昴将整套体系拆解为两大核心能力—— 自主优化 与 自主演化 。 自主优化解决的是「这一次怎么优化」。 系统可以根据真实运行状态，自动定位瓶颈、尝试不同方案，并通过实际反馈找到更优解。 自主演化解决的就是「下一次怎么更快优化」。 系统会把每次优化过程中积累的经验沉淀下来，在面对新的模型、芯片和运行环境时复用已有经验，减少重复试错。 于是，原本一次性的调优，就变成了一个不断循环的过程： 优化→积累经验→再优化→再积累，闭环转起来，系统就越优化越会优化。 这套技术范式已经在国产算力真实生产环境中完成验证。 过去，一名资深专家完成一款复杂算子的开发与调优，往往需要耗费两周时间；依托清昴的自主优化系统，这一周期被压缩至约1小时，整体效率提升约336倍。 模型方面，国产芯片全链路打通原本需要一个月左右，现在压缩到1天至1周，综合提速约30倍。 部分代表性算子的性能，相较基线版本最高实现30倍加速，达到了行业顶尖水平。 截至目前， 清昴已完成数十款国产芯片的适配与性能优化，覆盖国内超半数主流国产算力芯片 ，是国内适配国产芯片和性能优化最多的AI Infra厂商之一。 但这些数字值得关注的地方并不只是比工程师快了多少。 更大的变化在于，过去只有少数顶尖专家掌握的优化经验，开始变成一种可以由机器执行、持续积累，并进一步复制到不同模型、不同芯片上的系统能力。 基于国产算力打造日均万亿级Token工厂 把算力优化好，只是清昴的第一步。 在Agent时代，算力面对的已经不是某一个模型能不能跑，而是能不能 稳定、持续、低成本 地生产海量Token。 尤其到了2026年，Agent的爆发持续拉动Token消耗。 部分复杂Agent单次任务Token开销较传统对话模型提升数百倍，不少业务场景的日均调用量已经向万亿级别靠拢。 清昴认为，随着未来视频模型、多模态、AI for Science