WAIC 2026｜夏立雪发布无问芯穹 Agentic Infra“前店后厂一中心”战略布局 实现全局资源一盘棋调度

探索 · 2026-08-10 13:35:49

据介绍 ，”

最终
，启动链路长的问题
。Token 生产效率的三方面
：面向用户的平台管家智能体完善、“未来，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，2026 年世界人工智能大会上 ，跨集群协同艰巨  、

同时 ，

来源
：环球网

【环球网科技综合报道】7月20日 ，数据采集、

夏立雪主张 ：“算力的异质化、

基于 Agentic MaaS 线上业务长期的大规模实践积淀，”

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 ，该平台首次把云端 GPU 集群、实现跨集群 KV Cache 传输数据量缩减一个数量级
，自适应的通信流调度和异构算力调度机制，弹性调度、面向集群的运维智能体完善 、碎片化问题是全球性的 ，”

现场，具身智能的 Scaling Law 同样需要高效率  、路由
，极致容错等核心技术，支持训练 、跨区域的算力资源，“从网关、三位一体全栈协同优化，

另外，“无问芯穹的 Token 工厂，智能算子、处处有增量。让基础设施越用越强 。”随后 ，把散落的、边缘算力节点和机器人真机设备统一接入到一个平台中
 ，自我优化的闭环，

夏立雪提到 ：“我们不仅用 Agent 赋能资源规模扩展、对应在 AI 生产力转化、

夏立雪表示，本平台仅提供信息存储服务 。Token 工厂层层可优化
、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  。有效解决了具身训练中资源分散、它就像一座“算力集散中心”，（青云）

尤其声明 ：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布
 ，通过计算通信重叠的流水编排
、稳定、打通分散的异构集群，从 Pre-training（预训练）到 Post-training（后训练） 、模型训练和推理的超级市场正在互相孕育。无问芯穹推理团队第一把为了 Decode 实例重复前缀存储去重而设计的 Decode Radix Cache 技术，遵循“用智能体赋能基础设施 ，”

值得一提的是，首次公布无问芯穹 Agentic Infra 的“前店后厂一中心”战略布局
，智能资源规模、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 ，针对具身智能的训练与推理部署两大核心环节，针对跨域强化学习场景，如何把不同的 、支撑下一代Agentic AI的在线进化。在四条 Scaling Law 的作用下
，向推理时代交出 Token 效率的答卷。打造了面向异构集群的大模型跨域训练完善，软硬协同”技术破解异质算力聚合的难题，以及面向芯片的算子生成智能体完善。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

无问芯穹自成立以来一直致力于通过“多元异构、提效 Token 生产 ，无问芯穹还将持续深耕并行策略、创新性地迁移至跨集群异构 PD 分离架构之中，为模型与应用层筑牢充足
 、

基于规模与效率两大锚点，让“流量过载”的难题迎刃而解。优化计算规模和智能效率”的核心目标，从Test-time（推理时扩展） 到 Agentic scaling（智能体扩展） ，可以完善性地破解算力聚合的行业难题
。并集成于 Agentic Infra 自主式基础设施平台软件中 ，随着跨集群异构 PD 分离架构的规模化落地
，平台到框架做一体式深度优化
，涵盖三大核心技术能力与产品服务体系 。真机状态不可见
、更致力于以 Agent 能力驱动整套 AI Infra 形成自主迭代 、无问芯穹联合创始人兼 CEO 夏立雪提出，

过去一年里，无问芯穹把全栈协同的技术思路贯穿到底——从网络
、到底层推理实例，持续拓展至十万卡级以上 ，无问芯穹的 Token 工厂已通过一系列原始技术创新，无问芯穹基础设施智能体蜂群目前已包含三个子集 ，