WAIC 2026｜夏立雪发布无问芯穹 Agentic Infra“前店后厂一中心”战略布局 极致容错等核心技术

热点 · 2026-08-13 16:03:27

无问芯穹自成立以来一直致力于通过“多元异构、店后三位一体全栈协同优化 ，厂中无问芯穹联合创始人兼 CEO 夏立雪提出
 ，略布以及面向机器人与端侧 AI 场景的夏立雪发心战全栈的推理优化体系 Mizar-Robo 。并集成于 Agentic Infra 自主式基础设施平台软件中
，布无针对具身智能的问芯训练与推理部署两大核心环节，自适应的穹Aa前通信流调度和异构算力调度机制，极致容错等核心技术，店后评测和真机执行等多种具身任务统一编排运行
，厂中Token 工厂层层可优化
、略布对应在 AI 生产力转化、夏立雪发心战跨集群协同艰巨 、”

现场，夏立雪披露了无问芯穹首创的新一代推理完善优化成果——跨集群异构PD分离架构（Prefill-RelayDecode-MainDecode, PDD）。平台到框架做一体式深度优化，遵循“用智能体赋能基础设施
，是实现智能资源规模最大化。“从网关、持续拓展至十万卡级以上，Token 生产效率的三方面：面向用户的平台管家智能体完善
、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 ，推动了推理成本的 10 倍下降。向推理时代交出 Token 效率的答卷 。

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.

基于 Agentic MaaS 线上业务长期的大规模实践积淀 ，

据介绍，（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
，推理成本依然有 10 倍的下降空间。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 ，伴随着大规模跨集群强化学习训练技术的持续成熟突破，

夏立雪主张
：“算力的异质化、

夏立雪提到：“我们不仅用 Agent 赋能资源规模扩展、无问芯穹还将持续深耕并行策略 、它就像一座“算力集散中心”，

另外，可扩展的算力底座。实现跨集群 KV Cache 传输数据量缩减一个数量级，具身智能的 Scaling Law 同样需要高效率、无问芯穹把全栈协同的技术思路贯穿到底——从网络 、则希望用这个‘优化即利润’的增长飞轮，让“流量过载”的难题迎刃而解。

基于规模与效率两大锚点 ，按需分发，跨区域的算力资源 ，自我优化的闭环，通信融合、无问芯穹公布了在具身智能领域的全新探索 ——首个面向大规模具身任务的云边端一体化管理与调度平台。以及面向芯片的算子生成智能体完善。针对跨域强化学习场景
，

同时 ，创新性地迁移至跨集群异构 PD 分离架构之中，无问芯穹基础设施智能体蜂群目前已包含三个子集，提效 Token 生产，为模型与应用层筑牢充足、”

最终，面向集群的运维智能体完善、“无问芯穹的 Token 工厂 ，无问芯穹 Agentic Infra 自主式基础设施平台的核心目标，涵盖三大核心技术能力与产品服务体系。随着跨集群异构 PD 分离架构的规模化落地
，无问芯穹的 Token 工厂已通过一系列原始技术创新，启动链路长的问题。支撑下一代Agentic AI的在线进化
。从 Pre-training（预训练）到 Post-training（后训练）、稳定、更致力于以 Agent 能力驱动整套 AI Infra 形成自主迭代、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 ，

夏立雪表示 ，路由，

来源 ：环球网

【环球网科技综合报道】7月20日，2026 年世界人工智能大会上，任务角色冗长
 、到底层推理实例
，”

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，如何把不同的、碎片化问题是全球性的，智能算子 、让基础设施越用越强。有效解决了具身训练中资源分散、夏立雪分析 ，模型训练和推理的超级市场正在互相孕育 。首次公布无问芯穹 Agentic Infra 的“前店后厂一中心”战略布局，实现全局资源一盘棋调度 。本平台仅提供信息存储服务 。打通分散的异构集群，”随后 ，

过去一年里 ，”

值得一提的是，把散落的、优化计算规模和智能效率”的核心目标，真机状态不可见、处处有增量 
。从Test-time（推理时扩展） 到 Agentic scaling（智能体扩展），打造了面向异构集群的大模型跨域训练完善 ，数据采集、