大会上，无问芯穹联合创始人兼CEO夏立雪围绕AGI时代AI基础设施变化发表演讲，并公布无问芯穹Agentic Infra“前店后厂一中心”战略布局。

　　夏立雪表示，从预训练、后训练，到推理时扩展和智能体扩展，多条Scaling Law正在共同推动模型训练和推理需求增长。仅依靠产能线性增长堆叠算力，已经难以弥合供需缺口，AI基础设施需要以更高效率服务更大规模。

　　基于“规模”和“效率”两大锚点，无问芯穹提出“AI生产力=智能资源规模×Token转化效率×AI生产力转化效率”的思路，并将Agentic Infra拆解为三类产品与服务：作为“算力集散中心”的自主式基础设施平台、作为“Token工厂”的Agentic MaaS大模型服务平台，以及作为“AI生产力商店”的行业解决方案。

　　在算力侧，无问芯穹重点解决异构、分散算力的聚合与调度问题。夏立雪表示，公司已打造面向异构集群的大模型跨域训练系统，并将其集成于Agentic Infra自主式基础设施平台中，通过计算通信重叠的流水编排、自适应的流调度和异构算力调度机制，提升跨区域、跨集群算力协同效率。

　　据介绍，该系统已完成超远距离聚合、多数据中心聚合、混合云算力聚合等训练实践。目前，相关跨域训练系统已在全国部署触达超37000P算力、覆盖16种主流芯片。面向跨域强化学习场景，无问芯穹还提出通过网络、平台、框架一体化优化，提升大规模训练的稳定性和效率。

　　在推理侧，无问芯穹将Agentic MaaS大模型服务平台定位为“Token工厂”。夏立雪介绍，智能体推理需求具有上下文长、交互轮次多、缓存命中率高等特点，对吞吐、时延和缓存复用提出更高要求。无问芯穹发布跨集群异构PD分离架构，以提升不同地区、不同类型存量集群的推理效率。公司披露的实测数据显示，该架构可使首Token延迟降低51.5%，单Token成本降低37.5%。

　　围绕行业应用，无问芯穹展示了覆盖文娱游戏、医疗健康、法律终端、能源电力等领域的Agentic Infra行业解决方案。公司方面表示，将通过“算力集散中心”和“Token工厂”把计算资源转化为高质量Token，再进一步转化为面向行业场景的AI生产力。

　　夏立雪还介绍了无问芯穹在具身智能领域的探索，包括面向大规模具身任务的云边端一体化管理与调度平台，以及面向具身智能训练和机器人端侧部署的相关技术升级。他表示，数字世界与物理世界中的AI生产力运行，都需要更高效、更大规模的AI基础设施支撑。