无问芯穹夏立雪：智能体带来Token分层，国产芯片适配效果明显提升

有个数据挺有意思的：今年上半年，无问芯穹的Token调用量7个月涨了40倍，其中95%以上的推理任务都来自智能体需求。

在2026年WAIC期间，无问芯穹CEO夏立雪跟媒体聊了聊现状。目前，他们已在全国纳管16种不同架构的芯片，总共3.7万P算力。过去三年，推理成本已经降到了原来的十分之一，而且他判断，未来全链路协同下，还有90%的成本下降空间。

夏立雪认为，当前AI行业的核心矛盾其实一直没变：需求是指数级增长，但芯片供给是线性增长，单纯堆芯片已经追不上需求增速了。他有个很形象的比喻：大家不是觉得AI没用，是觉得它有点贵——这本身就是供不应求的信号。如果供大于求，大家只会觉得它没用。

过去三年推理成本的下降，已经带动了第一批场景落地。他判断未来全行业还有至少90%的成本下降空间，来源不只是单点技术优化，而是全链路协同：跨域异构集群的资源池化、PDD等新架构的普及，以及场景端的需求分层。

夏立雪认为，真正的生产力应该是“资源规模×Token生产效率×Token转化为生产力的效率”。目前全行业还在共创价值衡量指标，本质是计量每个Token产生的实际经济价值，推动行业从“按Token数量计费”转向“按最终价值计费”。

据了解，今年上半年，无问芯穹的Token增量几乎全部来自Agent。“95%以上的推理任务跑的都是智能体相关任务，不管是直接服务大模型厂商，还是直接服务垂类客户，最终需求都来自Agent落地。”夏立雪表示，目前代码生成、文娱营销、基础设施运维、具身智能、制造、电力、法律等行业都已经在大规模使用AI。

针对行业普遍关注的Token标准化问题，夏立雪明确判断：Token必然分层，且分层已经在发生。未来会出现面向高端复杂任务的高价值Token，也会有面向简单场景的高性价比Token。

这种分层直接带动了过去一年国产芯片的落地进展。他坦言，国产芯片适配效果的明显提升，一半来自技术端解决了跨集群调度、负载均衡等问题，但更核心的原因是Agent带来了任务分层：智能体会派生大量不同复杂度的子任务，不需要所有任务都跑在最高端的芯片上，国产芯片可以承担自己擅长的任务，不用再“硬扛”最复杂的大模型训练负载。

“不同芯片各有侧重，都能在价值金字塔里找到自己的位置，不用浪费资源杀鸡用牛刀。”

夏立雪透露，目前无问芯穹已经在和行业客户探索多模型协同的分层交付模式，通过不同能力的模型配合完成任务，直接为最终结果负责。

对于今年的热点话题物理AI，无问芯穹宣布将具身智能场景纳入Token工厂的覆盖范围。

夏立雪表示，AI必然从数字世界走向物理世界，云侧GPU、边缘节点、机器人本体的算力都应该被纳入统一资源池调度，而团队过去在大规模云侧强化学习、跨集群调度上积累的能力可以直接复用，其发布的RLinf新版本已经实现真机渲染、训练到推理的全链路云边协同，Mizar-Robo推理优化方案已经和星海图、云深处等具身机器人厂商达成合作，优化机器人端侧推理效率，形成“机器人采集物理世界数据-云侧强化学习训练-端侧推理落地”的闭环。“我们不做机器人本体，就做好具身场景的Token工厂，给伙伴们提供低成本的弹药，让他们能以更低的成本推产品、拓市场。”

谈到AI赛道的行业竞争，在夏立雪看来，AGI不是单一公司能完成的使命，当前行业供需缺口还在持续扩大，只要技术能创造效率价值就有商业空间。近期智谱GLM、月之暗面Kimi等清华系开源大模型登顶国际榜单，中国的开源生态是核心优势，开源让技术、数据、资源能更快流动形成闭环，带动全行业效率提升。

当天，无问芯穹公布Agentic Infra 的“前店后厂一中心”战略布局，涵盖三大核心技术能力与产品服务体系：“算力集散中心”：Agentic Infra 自主式基础设施平台；“Token工厂”：Agentic MaaS 大模型服务平台；“AI生产力商店”： Agentic Infra 行业解决方案。