本文来自微信公众号“明亮公司”，【作者】罗宾。
2026世界人工智能大会（WAIC）期间，在国泰海通主办的“智见AI合创未来”人工智能投融资论坛上，无问芯穹联合创始人兼CEO夏立雪以“新一代AI基础设施底座”为主题发表演讲，分享了AI产业供需错配下的底层逻辑与无问芯穹的解决方案与最新路径。
在AI基础设施层，夏立雪认为，AI产业正面临一场“指数级需求与线性供给”的结构性错配。随着AI从对话式交互向智能体范式演进，Token与算力的消耗量级正大幅提升，而芯片制造受限于线性增长，导致供需缺口持续扩大。“当一个指数函数和一个线性函数交汇时，差异只会越来越大。”
AI基础设施领域的产业价值，正在从硬件资产向软件与技术服务（Infra）转移。夏立雪指出，单纯增加算力供给已非唯一重点，通过软硬件协同优化提升“算力到AI产能的转化率”，是缓解全球AI供不应求的核心路径。在这一趋势下，以技术服务为核心的AI基础设施产值将快速增长，预计2030年中国AI基础设施市场规模将达4710亿元，其中技术服务份额占比将升至50.5%。
针对供需瓶颈，无问芯穹从“规模×效率”出发提供技术优化方向。在规模侧，公司接入16种异构国产芯片，整合全国超37000PFLOPS算力，解决单一芯片供给不足的问题；在效率侧，依托清华大学电子系近20年软硬件协同经验，在推理优化、异构调度、KV Cache压缩等层面实现深度优化，使算力资源成本降低约10倍，数百人团队即可维护数万PFLOPS算力集群。
基于这一能力，无问芯穹将基础设施能力封装为标准化AI生产力的输出，重新定义算力资源的价值分配逻辑；同时，公司并不止步于“Token工厂”模式，已开源具身智能强化学习框架RLInf，并前瞻布局了端云协同基础设施，将AI基础设施的能力边界从数字世界延伸至物理世界。
以下为「明亮公司」整理的演讲内容（未经演讲人审阅）：
01
AI行业指数级需求与线性供给的错配
虽然AI生产力的链路已经跑通，但背后的供需差异正越来越大。AI算力需求整体上呈指数函数增长，即使随着某一代技术的提出会有短暂跳变，但拉长到三至五年的时间维度，其增速远超线性。
需求大于供给在商业中是好事，但问题在于，供给的增速很大概率是线性的。芯片制造与设计本身维持着线性增长的方式。当指数函数与线性函数交汇，差异只会越来越大。从算力到芯片到Token，所有生产资料都在面临供不应求的问题。
这一需求的快速增长，本质上也是因为AI算法的能力及其能解决的问题正在进行范式变革。OpenAI曾提出AI发展的五个阶段，从对话式AI到推理型AI、智能体AI、创新性AI再到组织型AI。当下，Agent代表的是能够自我闭环完成复杂任务的时代，这带来了Token和算力需求的大量增长。
来源：无问芯穹演示资料
如果仅靠线性积累供应链能力，无法直接解决需求的指数级增长。我们需要做的是增大供给到需求的转化率。这就是基础设施层的核心公式：当我们把智能的最终生产视为结果来看，我们能做的事情一是继续扩大供给，二是提升每一分算力的转化效率。
02
产业价值重构：从硬件资产到软件技术服务
因此，在有限的供给下，如何发挥出尽可能多的智能产能，正受到金融界、资本圈和学术界的广泛关注与投资。
类比全球市场，尤其以硅谷为主，近年已涌现多家“Neo Cloud”公司。这些公司可进一步分为两类：一类以算力规模为核心竞争力，本质上更像是IDC资产的升级，从配置CPU变为配置GPU，以重资产投入为AI提供底盘；另一类则以核心优化技术作为技术壁垒，通过拥有最好的优化技术带动产业链从供到需的高效转化，最终实现全产业效率提升。后者在海外逐渐崭露头角，不断获得资本的认可。
因此，AI行业的认知正在从“谁拥有更多卡”转向谁能让每张卡产生更多Token。当产业链中每个重要环节都能贡献力量，供需差异就能尽可能缩减。
回到国内，中国与海外存在差异，但未必是差距。从能源角度，中国供给非常充沛；从应用场景角度，中国任何单一应用场景放在世界都是非常大的市场。生态上的繁荣复杂度是中国巨大的优势，但早期也呈现出琳琅满目的碎片化现象，芯片种类多、算力建设位置分散、使用方和应用场景分散，整体生态比海外分散得多。
这种分散反而为基础设施层的优化技术提供了更大的实践空间。一方面，有更多需求可以用AI提升效率，从而带来更多优化空间；另一方面，行业确实面临如何尽可能把每一种芯片、每一个已建造出来的算力都作为有效供给，为AI提供产能的真实问题。国家对此非常支持，政策与资源持续投入，这也印证了当产业面临的核心问题不再只是供给和生产，而是如何提高供给到需求的有效转化率时，技术优化自然成为产业发展的关键驱动力。
03
规模×效率：无问芯穹的核心技术方向
我们围绕前述的“AI生产力=资源规模×转化效率”这一公式，将扩大资源规模与提升转化效率作为公司最核心的两个技术方向开展研发。
无问芯穹自2023年成立至今经历了三年的增长和发展，从源自清华大学的技术型团队，快速实现了产品化和商业化，2025年已开始商业化，目前处于良性增长状态。
在规模侧，针对中国特色生态环境，无问芯穹接入16种国产芯片，让各种芯片都能在丰富的AI生态中找到适用场景。我们不直接制造芯片，我们让所有的芯片都能用起来，其实也变相扩大了规模。
在效率侧，依托清华大学电子系近20年软硬件协同的技术积累，让每个芯片的每一块面积的每一秒钟都用在刀刃上。具体技术点上，我们对于推理优化、异构PD、KV Cache等都有深入布局。通过这些技术，公司自身所使用的资源成本降低了10倍，整个算力转化Token的效率提升了10倍。这些对于我们自身及整个行业来说，都是非常重要的缓解供需关系的核心技术。
我们技术架构另一个核心在于，用人工智能辅助基础设施自身的迭代优化。这使得基础设施的演进速度能够跟上人工智能行业的快速变化，通过自进化的方式持续迭代架构。这也是AI原生企业最特殊的地方。
04
Token工厂：将Infra从成本中心重新定义为生产力中心
无问芯穹的产品服务矩阵经过几年探索已比较成熟。平台本身可以作为软件输出，同时更重要的是能够架设在所有可运营的芯片上，把效率进行最高转化，从而打造出“Token工厂”。
当AI能够作为硬通货之后，所有优化技术都变成了工厂生产效率的提升。无问芯穹做了最好的车间之后，就能够用自己的技术真正帮助行业解决生产力不足的问题。这个工厂是Infra公司商业化的一个重要代表产品。
此外，支持不同行业做落地也是我们重要的收益方向。目前，无问芯穹已能够以规模化方式运营全国超37000PFLOPS的算力和16种芯片，在推理上做了大量软硬协同的优化，同时帮助很多行业方进行了训练及场景落地，真正让AI在各个行业发挥价值。
截至2026年7月，无问芯穹AI基础设施平台的日均Token调用量较去年增长超过40倍。
05
端云协同与AI生产力的终极愿景
对于终端部分，我们非常认可端云协同的方向。我们本身很懂算力和算法，希望在未来看到人工智能走向千家万户，同时云与端能够充分配合。当云端算力成为稀缺资源，端侧的计算潜力必须被纳入AI生产力的统一调度体系。
AI应用正从云端大模型调用，走向云侧训练优化、边缘协同调度、终端实时执行的一体化架构。端云协同将成为下一代AI基础设施的重要方向。AI应用从数字世界走向物理世界，仅依赖云端算力难以满足规模与效率需求，云与端需形成动态分工，形成云边端一体化基础设施能力。
无问芯穹还布局了具身智能解决方案，研发具身智能强化学习框架RLInf，该项目开源半年以来获得GitHub Star 3700+、Fork 500+，被多家企业和研究团队采用。该框架解耦上层逻辑与底层优化，兼顾灵活性与高效性。
从整体战略愿景来看，无问芯穹遵循了三个阶段的路径：第一阶段“筑基”，构建覆盖训练、推理、调度及运维的标准化AI基础设施能力，以M种芯片×N种模型形成模块化组合，推动产业链协同；第二阶段“演进”，实现算力、模型及智能体工作流的自动优化与持续进化，降低智能体开发运营门槛，加速商业化闭环；第三阶段“升维”，构建云边端协同闭环，打造软硬一体解决方案，为AI智能体提供与物理世界交互的能力，开启AI生产关系革命。
三大阶段的本质是从“连接算力”到“优化算力”再到“重新定义算力边界”的能力跨越。我们希望能够在AGI时代，真正成为AI使用的底层能力贡献者，成为整个行业进一步发展的基石。
