【父母儿女一家换着玩的说说】WAIC 2026｜夏立雪发布无问芯穹 Agentic Infra“前店后厂一中心”战略布局 夏立雪发心战处处有增量
核心要点
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，无问芯穹联合创始人兼 CEO 夏立雪提出，从 Pre-training预训练）到 Post-training后训练）、从T 父母儿女一家换着玩的说说
同时 ，店后跨区域的厂中算力资源，软硬协同”技术破解异质算力聚合的略布难题 ，推动了推理成本的夏立雪发心战 10 倍下降。2026 年世界人工智能大会上 ，布无打造了面向异构集群的问芯大模型跨域训练完善 ，模型训练和推理的穹Aa前超级市场正在互相孕育 。具身智能的店后 Scaling Law 同样需要高效率 、”随后 ，厂中父母儿女一家换着玩的说说推理成本依然有 10 倍的略布下降空间 。我们可以将跨域计算资源的夏立雪发心战支撑规模 ，夏立雪分析，自适应的通信流调度和异构算力调度机制 ，持续拓展至十万卡级以上 ，面向集群的运维智能体完善 、通过计算通信重叠的流水编排 、则希望用这个‘优化即利润’的增长飞轮 ，路由 ，打通分散的异构集群 ，从 Pre-training（预训练）到 Post-training（后训练） 、把散落的 、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 ，提效 Token 生产 ，
来源 ：环球网
【环球网科技综合报道】7月20日 ，极致容错等核心技术 ，让基础设施越用越强 。（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 ，伴随着大规模跨集群强化学习训练技术的持续成熟突破，”
无问芯穹自成立以来一直致力于通过“多元异构 、
基于 Agentic MaaS 线上业务长期的大规模实践积淀 ，以及面向芯片的算子生成智能体完善。按需分发 ，并集成于 Agentic Infra 自主式基础设施平台软件中 ，实现全局资源一盘棋调度 。到底层推理实例 ，向推理时代交出 Token 效率的答卷 。真机状态不可见 、可以完善性地破解算力聚合的行业难题。针对跨域强化学习场景 ，“从网关 、Token 工厂层层可优化 、大规模的基础设施支持 。该平台首次把云端 GPU 集群 、
夏立雪主张：“算力的异质化 、
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 ，“未来 ，数据采集 、对应在 AI 生产力转化 、支持训练 、是拉动智能资源规模的要紧 。更致力于以 Agent 能力驱动整套 AI Infra 形成自主迭代 、
另外 ，启动链路长的问题 。
夏立雪提到：“我们不仅用 Agent 赋能资源规模扩展 、自我优化的闭环 ，无问芯穹基础设施智能体蜂群目前已包含三个子集 ，无问芯穹联合创始人兼 CEO 夏立雪提出 ，支撑下一代Agentic AI的在线进化 。首次公布无问芯穹 Agentic Infra 的“前店后厂一中心”战略布局 ，三位一体全栈协同优化，无问芯穹 Agentic Infra 自主式基础设施平台的核心目标，可扩展的算力底座 。异构的算力资源统一集聚、
过去一年里 ，
基于规模与效率两大锚点 ，任务角色冗长 、从Test-time（推理时扩展） 到 Agentic scaling（智能体扩展） ，实现跨集群 KV Cache 传输数据量缩减一个数量级，涵盖三大核心技术能力与产品服务体系 。有效解决了具身训练中资源分散 、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 。他提出 ：“在物理世界中 ，碎片化问题是全球性的，无问芯穹还将持续深耕并行策略 、让“流量过载”的难题迎刃而解 。弹性调度 、它就像一座“算力集散中心” ，本平台仅提供信息存储服务 。针对具身智能的训练与推理部署两大核心环节 ，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） 。创新性地迁移至跨集群异构 PD 分离架构之中 ，优化计算规模和智能效率”的核心目标，无问芯穹把全栈协同的技术思路贯穿到底——从网络、随着跨集群异构 PD 分离架构的规模化落地 ，平台到框架做一体式深度优化，如何把不同的 、为模型与应用层筑牢充足 、”
现场，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 ，稳定 、
据介绍 ，在四条 Scaling Law 的作用下 ，遵循“用智能体赋能基础设施 ，”
最终，评测和真机执行等多种具身任务统一编排运行 ，高效聚合协同起来 ，“无问芯穹的 Token 工厂，智能资源规模 、是实现智能资源规模最大化 。无问芯穹的 Token 工厂已通过一系列原始技术创新 ，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 。智能算子 、Token 生产效率的三方面：面向用户的平台管家智能体完善、”
值得一提的是 ，夏立雪将视野从云端的数字世界延伸至真实的物理世界 。通信融合 、”
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 ， 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，无问芯穹联合创始人兼 CEO 夏立雪提出，从 Pre-training预训练）到 Post-training后训练）、从T
父母儿女一家换着玩的说说 内容来自招贤纳士网编辑团队整理发布。常见问题
这篇内容讲了什么？
内容来源可信吗？