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）