7月20日 ，WAIC 2026现场
，无问芯穹CEO夏立雪表示：从预训练到后训练，从推理时扩展到智能体扩展 ，四条Scaling Law同时起作用
，模型训练和推理的“超级市场 ”正在互相孕育 。而支撑这一切的基础设施，必须用极致的效率服务更大规模
。基于这一逻辑 ，无问芯穹公布了“前店后厂一中心
”的Agentic Infra战略布局：让AI基础设施从被动响应走向自主进化。

　　算力碎片化的全球性难题 。无问芯穹推出的“算力集散中心 ”通过跨域异构算力聚合技术，把不同地域、代际和云环境的GPU集群统一调度
。现场披露的实践显示
，该系统已覆盖全国超3.7万P算力和16种主流芯片；联合中国电信完成超4000公里跨域混训，性能提升165%；打通四个不同代际集群训练百亿参数模型 ，性能提升41%；实现私有云与公有云混训
，性能提升68%。在跨集群强化学习这一下一代AI的关键场景中，团队通过全栈优化使跨域通信效率提升3至4倍 ，并实现连续一周零中断稳定运行 。

　　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，未来 ，无问芯穹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。

　　Token经济时代 ，效率就是利润
。无问芯穹的Agentic MaaS平台像一个“Token工厂
”
，核心逻辑是在千卡到万卡规模的推理服务全链路中层层优化。实测数据：首Token延迟降低51.5%，单Token成本下降37.5% 。过去一年 ，该平台已推动推理成本大幅下降，夏立雪判断仍有10倍下降空间
。

　　此外
，无问芯穹发布了面向大规模具身任务的云边端一体化调度平台，以及真机强化学习训练框架RLinf V0.3。在与智元 、清华的合作中 ，已实现近百台真机规模下专线需求降至2Gbps以下
，大幅降低了规模化训练成本 。

（文章来源：广州日报）