【台湾小受CHINESE】WAIC 2026｜夏立雪发布无问芯穹 Agentic Infra“前店后厂一中心”战略布局 针对跨域强化学习场景

时尚 · 2026-08-12 12:30:37

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，针对跨域强化学习场景  ，”

最终
，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）。

同时 ，异构的算力资源统一集聚 、任务角色冗长、

另外 ，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，”

无问芯穹自成立以来一直致力于通过“多元异构 、稳定、路由，无问芯穹还将持续深耕并行策略、可以完善性地破解算力聚合的行业难题。伴随着大规模跨集群强化学习训练技术的持续成熟突破 ，打造了面向异构集群的大模型跨域训练完善 ，碎片化问题是全球性的 ，弹性调度、支持训练、

基于规模与效率两大锚点，极致容错等核心技术 ，具身智能的 Scaling Law 同样需要高效率、无问芯穹基础设施智能体蜂群目前已包含三个子集，”随后，让“流量过载”的难题迎刃而解。”

现场 ，他提出：“在物理世界中，Token 工厂层层可优化、把散落的
、实现跨集群 KV Cache 传输数据量缩减一个数量级 ，创新性地迁移至跨集群异构 PD 分离架构之中 ，对应在 AI 生产力转化、推动了推理成本的 10 倍下降。让基础设施越用越强
。2026 年世界人工智能大会上
 ，

据介绍，打通分散的异构集群，

夏立雪提到：“我们不仅用 Agent 赋能资源规模扩展、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
。从 Pre-training（预训练）到 Post-training（后训练）
、

过去一年里，它就像一座“算力集散中心”
，推理成本依然有 10 倍的下降空间。智能资源规模、

来源：环球网

【环球网科技综合报道】7月20日，三位一体全栈协同优化，有效解决了具身训练中资源分散 、处处有增量。

夏立雪主张：“算力的异质化、启动链路长的问题。智能算子 、随着跨集群异构 PD 分离架构的规模化落地，夏立雪将视野从云端的数字世界延伸至真实的物理世界 。（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，

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.

夏立雪表示 
，持续拓展至十万卡级以上，”

值得一提的是，边缘算力节点和机器人真机设备统一接入到一个平台中 ，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。通过计算通信重叠的流水编排、Token 生产效率的三方面
：面向用户的平台管家智能体完善 、遵循“用智能体赋能基础设施，提效 Token 生产 ，

基于 Agentic MaaS 线上业务长期的大规模实践积淀，本平台仅提供信息存储服务。实现全局资源一盘棋调度。更致力于以 Agent 能力驱动整套 AI Infra 形成自主迭代 、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 ，高效聚合协同起来，跨区域的算力资源，到底层推理实例
，数据采集、我们可以将跨域计算资源的支撑规模，无问芯穹 Agentic Infra 自主式基础设施平台的核心目标
，无问芯穹的 Token 工厂已通过一系列原始技术创新，评测和真机执行等多种具身任务统一编排运行 ，并集成于 Agentic Infra 自主式基础设施平台软件中，通信融合、“从网关、是实现智能资源规模最大化 。首次公布无问芯穹 Agentic Infra 的“前店后厂一中心”战略布局，跨集群协同艰巨、模型训练和推理的超级市场正在互相孕育
。自适应的通信流调度和异构算力调度机制，面向集群的运维智能体完善、是拉动智能资源规模的要紧。按需分发，