過去兩年，Token的生產成本一直在下降，但售價卻一直漲。

看起來前後矛盾的事，背後是一筆基於Token商業模式逐漸成熟而成立的生意。

硬體和模型，這幾年不斷最佳化迭代，幾乎都指向同一個方向：更便宜的推理、更低廉的算力。

但另一面，是逐漸成熟的智能體以及已經閉環的業務。“真正靠AI賺到錢的人，根本不會被價格勸退，只會默默想辦法降本。”夏立雪說，他幾乎沒有任何思考時間就下了這個判斷，似乎是已經提前看明白了這個問題。他是無問芯穹的聯合創始人兼CEO。這家2023年成立的、與清華大學電子工程系有深厚淵源的公司，做的一部分事情，在行業裡有一個越來越流行的說法：Token工廠。

可能很難在市場上找到對標無問芯穹模式的公司，其卡住了一個此前未被發現的場景，或是長在了隨著AI需求拉動而新誕生的結構洞上的創新模式。它不研發通用大模型，不做晶片，也不做面向C端的應用，它坐在晶片和模型之間，把供不應求的算力資源進行調度、匹配、最佳化，更高效地轉化為Token，晶片廠商、模型廠商、應用廠商等各方都需要在無問芯穹的Agentic Infra體繫上整合，由無問芯穹進行調度和分配，這是一種由技術領先的軟體與演算法定義的商業模式。

這種特殊的模式讓無問芯穹比任何一個在Token產業鏈上的公司都能率先感知始於青萍之末的變化。

我在上海模速空間無問芯穹的會議室見到夏立雪，黑色的公司文化衫，語速極快，說到技術問題，似乎進入一種“心流”狀態。模速空間是上海AI創新的核心，以無問芯穹為圓心的2公里，產業鏈的上下游在此匯聚。

夏立雪本人 圖片由無問芯穹提供

據公司今年5月披露，去年12月到今年4月底，無問芯穹的Agentic MaaS業務中，Token呼叫量增速超過20倍，這是過去從未有過的增長。

這個數字背後，是一件已經成為現實的事：推理，正在成為比訓練大得多的市場。

過去三年，AI產業的敘事主線是訓練。誰有更多GPU，誰訓練出更大的模型，誰就站在食物鏈頂端。算力競賽的邏輯清晰粗暴：堆卡、堆電力、堆錢。輝達的H100在黑市上賣到六位數美元，甚至要靠提前囤貨。

但2025年底開始，這個邏輯變了。2026年推理的資料量首次超過了訓練。根據國際資料機構統計，2026年全球企業在推理基礎設施上的資本支出預計達680億美元,而訓練基礎設施支出為450億美元。

當AI不再只是回答一個問題，而是要完成一項複雜的任務：寫完整的程式碼、審閱一份合同、持續跟進一個項目，它消耗的Token數量是聊天場景的幾十倍甚至上百倍。無問芯穹的資料是，在其 Agentic MaaS 平台呼叫的 Token 中，95%以上都是智能體場景。

推理需求的爆發，正在把AI產業鏈的價值重心往下移。晶片製造商、模型公司、雲服務商，每一層都在重新定價，而位處中樞的基礎設施服務商，正在從“管道”變成“工廠”，又從工廠變為在價值鏈擁有更大影響力的Token生產力轉化。

衡量這個工廠運轉得好不好，無問芯穹內部有一個指標：每月能產出多少有價值的兆參數級模型的Token。這個指標拆開來看，有兩個衡量標準，一個是效率：單位時間的token產出量；另一半是穩定性，系統能不能連續不當機地跑下去。兩個指標，在兆參數大模型場景下，無問芯穹過去一兩年實現了5到10倍的性價比提升。

在無問芯穹，有一個公式：AI生產力=智能規模*Token生產效率*Token價值轉化。

當Token業務在產業中能實現商業化閉環的時候，就能為市場提供更充沛、更穩定、更高性價比的優質Token，進而在產業內獲得口碑，吸引更多使用者使用。

拿到更多需求之後，也能提煉出更好的最佳化空間，一方面是接觸到更多真實場景，可以明確不同最佳化技術在場景中的價值；另一方面是需求足夠多的情況下，資源分配的調整空間更大，需求種類越豐富，和非同質化資源的適配可能性就越多，M 種模型乘以N種晶片的最佳化空間也會越來越大。

這也解釋了為什麼agent的崛起對無問芯穹是一個乘數效應，而非加法。

在這套公式下，飛輪正在轉動。

推理需求爆發，國產晶片和解決方案正在迎來全新的機會，這件事與曾經在這個領域常見的國產替代敘事截然不同。中國晶片廠商對成本的敏感和工程化的能力，正在為這個產業鏈帶來在全球市場角逐的競爭力。

AI算力市場的現實是：晶片種類越來越多，但沒有那一張晶片能高效跑所有任務；模型規模越來越大，單機八卡早就存不下兆參數的模型，需要叢集協作；不同的推理任務，對延遲、吞吐量、精度的要求截然不同。這一切疊加在一起，讓“把算力用好”這件事，變成了一個極其複雜的系統工程問題。當然，這也是中國工程化能力優勢的體現。

這個判斷在推理側，prefill和decode的分離上得到了具體驗證。大模型推理分為兩個階段：prefill負責理解輸入、建構上下文，計算密集；decode負責逐步生成輸出，通訊密集、對延遲更敏感。兩種任務對晶片的要求完全不同。這是AI算力精細化需求下爆發出的新的場景。

依託團隊長期在軟硬協同等方面的技術積累，無問芯穹很早就開始深度研究P/D分離，把兩類任務分配給更適合的晶片——國產晶片在prefill場景已經可以落地，這意味著供不應求的市場裡，國產算力有了真實的著力點，不再是非黑即白的“能不能用”，而是“在那裡用最合適”，甚至是“用好”。

無問芯穹以token作為其AI生產力公式的核心變數之一，是在2026年，這意味著整個公司的最佳化目標，變為在“怎麼把晶片用滿”的基礎上，還要解決“怎麼讓每一個Token產生最大價值”——技術最佳化節省的成本，直接轉化為毛利，再投入下一輪研發，形成正向循環。Token，正在成為AI產業裡最接近貨幣的單位。它可以被生產、被消耗、被定價、被交易。

更大的判斷，夏立雪用了一個類比：Token的爆發，像極了移動網際網路從3G到4G的階段。

但他補了一句，4G時代最重要的“應用”不是微信，也不是淘寶，而是那些充分使用流量、敢於在流量便宜之後重新設計組織的公司。到了token時代，真正改變產業格局的未必是某一款殺手級AI應用，而是那些用AI重構內部分工、讓人和AI真正協作起來的小型組織——十人、二十人，甚至一兩個人，但生產效率遠超傳統同規模團隊。

無問芯穹團隊討論 圖片由無問芯穹提供

這類組織已經在出現了。“現在不用擔心沒有應用場景，核心是我們能不能接得住這麼多需求。”

這句話引出了無問芯穹正在做的下一步：跳出純token工廠的邊界，開始介入Token的生產力轉化環節。

虎嗅：當華為、中興等這些系統廠商他們也在用叢集的方式提高Token的性價比，無問芯穹這個模式的壁壘在那裡？

夏立雪：表層的壁壘是我們在軟硬協同領域有充足的積累和成熟成果。我們是基於系統演算法做硬體適配最佳化，不針對單一硬體廠商或單一模型，能力可以覆蓋產業全生態，是中立的第三方，技術適配性強，在各類場景下都可以使用。

其次，我們的視野是面向整個供不應求的產業做佈局，把市場上所有晶片產能都作為最佳化的輸入變數，最終實現讓整個生態中所有現有主體都發揮最大價值。這不是單點的一對一最佳化，當產業生態複雜度提升——比如出現多種模型、多種晶片並存的情況，我們這種大體系資源最佳化能力就會形成生態層面的壁壘。

我們團隊內在的核心壁壘是始終跟進業界最新的發展變化。此前做稠密模型和MoE最佳化，之後又針對兆參數模型難以在單一硬體上規模化擴展的問題，很早就開始深度研究P/D分離和半分離相關技術，目前也在研發可以差異化體現國產晶片能力的相關技術。

我們的壁壘不是單點的技術領先，而是系統化的、滾動式的持續創新。

虎嗅：從晶片到模型之間存在中間最佳化的空間，針對Token經濟學，不同廠商也提出了不同的解決方案，例如華為和一些晶片廠商提出的“超節點”的方法，以叢集能力應對單卡算力不足，從無問芯穹的立場，如何建立中間的最佳化層？

夏立雪：現在是演算法牽引系統、硬體和叢集建設的時代，我們和晶片廠商有共同的目標，就是要實現真實的產業落地，只要各方能對接上、跑通業務，就是好的生態。晶片廠商最核心的是要做好自己的“產品說明書”，而怎麼把晶片這個複雜精密的硬體用好，是我們作為行業專家要做的事。現在國內各種各樣的晶片都有類似CUDA的層，有CAN、SUCA、MARCA等不同的架構，我們的生態就是把這些架構統一接入、調度、精細化管理和資源分配，保證服務穩定，最終實現商業化閉環。

虎嗅：有沒有具體的數字說明客戶選擇你們的方案，在同等推理任務和同等效果下，Token成本下降了多少？穩定性達到了什麼程度？

夏立雪：比如在兆參數規模的大模型場景下，我們實現的token每秒產能對應的性價比和一兩年前相比已經做到了五到十倍的下降，這是軟硬協同最佳化帶來的運行成本下降。

Token產能有兩個核心維度，一個是微觀運行層面的生產效率，也就是單位時間內的Token產出量；另一個是宏觀層面的穩定性，避免頻繁停機維護導致實際產能下降。我們在這兩個指標上都取得了很好的成果，最直接的證明就是客戶都在持續使用我們的服務。

虎嗅：內部最看重的核心指標是什麼？

夏立雪：本質上最終都會歸攏到單位時間內的Token產出量，這是檢驗最佳化效果的唯一指標。我們核心關注的是無問芯穹每月能夠產生多少有價值的兆參數大模型的Token。

這個指標下涵蓋兩個部分：一個是Token每秒的生產效率，另一個是可參與生產的資源規模。軟硬協同最佳化中也包含大規模系統穩定性的最佳化，這點常常被忽略，但非常重要。

因為當我們從小而美的技術團隊轉向系統服務商時，需要為客戶交付大規模持續穩定的業務，規模的擴張必須以穩定性作為支撐。

虎嗅：2026年被認為是推理大年，你們那條業務線有明顯增速？

夏立雪：以公司 Agentic MaaS 平台為例，從2025年年底到今年5月，Token呼叫量增速在20倍以上。而且這種增長是健康的結構化增長，是多種需求同時存在、有分層結構的增長，並非難以持續的單點增長。

現在整個模型產業的發展類似金字塔從底部向上突破，尖端應用在不斷拓展新的需求領域，AI已經可以實現寫程式碼、做設計、做行銷，未來還可能覆蓋法律等場景。推理需求的快速增長帶動了全產業鏈的健康發展，覆蓋模型公司、應用公司、基礎設施服務商甚至晶片公司。

從這一年的經驗來看，全鏈路都完成數位化、所有訊號都可以在數字世界閉環的任務和組織，會更快進入自我閉環的迭代，也會最優先吃到 AI 進化帶來的紅利乃至利潤增長。人工智慧本身擅長自我迭代，類似AlphaGo可以通過自我對弈實現快速進化。

虎嗅：這些場景具體都是那些？能舉幾個例子嗎？

夏立雪：比如程式碼生成場景最早爆發，一方面是研發人工智慧的程式設計師本身最熟悉程式碼場景，另一方面是程式碼的提交、評審全流程都有數位化記錄，類似的還有線上行銷場景，相關流程都有數字世界的記錄。整體來看，上一波數位化轉型做得好的、或者網際網路時代原生的場景，需求增長都非常快。

如果按需求複雜度劃分，我們公司95%的需求都來自智能體場景，也就是由AI完成完整可交付的任務，而非簡單的聊天需求，使用者更願意為生產力和最終結果付費，這是產業落地的良性趨勢。現在在程式碼生成這類賽道，已經可以實現AI團隊協作，不同的AI分別承擔程式碼編寫、質量保障的工作，形成最簡單的協作模式，這類場景已經跑通，後續也會在其他行業逐步落地，當前人工智慧落地的節奏非常好，我們作為產業中資源打通的主體也會獲得對應的價值。

虎嗅：這是年初OpenClaw出現之後帶來的拐點？

夏立雪：在OpenClaw推出之前相關需求就已經出現了，OpenClaw是產業發展到一定階段孕育出的產品之一。核心原因是人工智慧的智能性突破了臨界點——當AI的智能性達到可以完成子任務、具備長上下文記憶能力的臨界點之後，才具備作為"大腦"指揮子任務完成管理工作的基礎。後續還會有更多針對不同場景的同類產品出現。

虎嗅：無問芯穹有一個公式：AI生產力=智能規模×Token生產效率×Token價值轉化，從無問芯穹的角度，這幾個變數裡可以怎麼賺到錢？無問在這個公式裡，飛輪怎麼轉起來？

夏立雪：Token業務在商業化能閉環的產業裡，是非常好的模式。當自身最佳化能力足夠強的時候，就能為市場提供更充沛、更穩定、更高性價比的優質Token，進而在產業內獲得口碑，吸引更多使用者使用。

拿到更多需求之後，也能提煉出更好的最佳化空間，一方面是接觸到更多真實場景，可以明確不同最佳化技術在場景中的價值；另一方面是需求足夠多的情況下，資源分配的調整空間更大，需求種類越豐富，和非同質化資源的適配可能性就越多，M種模型乘N種晶片的最佳化空間也會越來越大。

這兩點會使得接到的需求越多、可使用的資源能支撐的需求越多，最佳化能力就越強，最佳化能力越強又能反過來提供更穩定、更便宜、更充沛的服務，吸引更多需求，飛輪就此轉動。

虎嗅：這種算力精細化需求下催生的模式，無問芯穹的商業模式是按結果收費還是case by case？

夏立雪：目前Token工廠的模式已經比此前成熟很多，有更偏向結果的定價方式，就是按照Token計費，Token本身也有差異化，類似廣告行業的CPM計費。現在Token已經是非常貼近業務的定價指標，使用者可以直觀感知到token對應的價值，不用關心底層用了什麼晶片。

以Token作為結算維度有很多好處：一方面能讓整個賽道更關注AI產生的價值，而不是單純的資源，我們所有技術最佳化節省的成本，都會提升公司的毛利率水平，可以再投入到新的技術研發裡，形成正向的循環；另一方面Token作為結算指標也能很好地相容跨行業的差異化，不用每個行業都做一套獨立的計價方式，更利於產業結構的擴展。

虎嗅：推理大年裡，國產晶片的機會大嗎？

夏立雪：2026年行業內大家都很看好，國產晶片的機會非常大。市場是健康的，各類需求都有缺口。現在的任務就是先把能填上的缺口填上。

虎嗅：推理需求進一步分化，分為Prefill（預填充）和Decode（解碼），國產晶片的優勢在這個細分需求裡有差異嗎？

夏立雪：國產晶片已經越過了“能不能用”的非黑即白，進入了“好不好用”的性能較量階段。

其實現在的算力需求非常多樣化。比如，應用端有對延時極度敏感的，也有相對包容的；模型端有兆參數等級的極限挑戰，也有千億參數就能高效解決的場景。

回到 Prefill 和 Decode 的細分。相對來說，Prefill 更契合當下國產晶片的能力狀態。因為它是計算密集型任務；而 Decode階段不僅是訪存密集型，還對卡間通訊頻寬、以及晶片底層的整體軟硬體生態提出了苛刻得多的要求。

虎嗅：如果拋開國產化敘事，無問芯穹的業務依然能增長這麼好嗎？

夏立雪：到了2026年這個時間點，中國市場和海外市場沒有根本的區別，整體都是健康的產業分配狀態，也同時面臨著資源不夠用的現狀，並且在未來相當長的時間，仍會供不應求。我們公司所處的賽道核心，恰好是如何解決供不應求的問題。

Token進入5G階段，可能出現真正的AI型組織

虎嗅：你之前把Token的增長比成手機流量從3G到4G的階段。移動網際網路時代的流量爆發帶來了微信或電商這樣的模式，進入Token 4G甚至5G階段，最有可能爆發的AI應用會是什麼？

夏立雪：我覺得對應的不是單一的業務，而是AI型的組織。OPC是最近比較火的極致概念，一人公司大規模出現難度比較大，但十人、二十人或者幾個人的小公司，這類充分使用AI、人和AI充分合作的組織會大量爆發，這才是Token流量進入4G階段真正產生的核心“應用”。

4G、5G時代的移動應用特點是大量使用流量，是基於流量充足的前提誕生的和以往不同的產品。對應到AI領域，不是某類應用會大量使用AI，而是某類組織會大量使用AI並創造出好的新作品。已經完成數位化的賽道，會更早誕生這類原生 AI化的機構和組織。

虎嗅：這類AI智能組織現在已經出現了嗎？

夏立雪：已經有很多了，有很多很有趣的組織產生，大家會把AI用在工作的方方面面，而且這些組織裡使用的不同AI之間還會互動，形成人與AI共生的組織形態，這些組織創造的產品就是AI 4G時代最有趣的新興產品。

虎嗅：隨著AI快速發展，對無問芯穹來說最大的挑戰是什麼？如果未來出現競爭對手，有可能是那一類公司？

夏立雪：從人工智慧整體發展來看，核心問題還是資源限制。表面看有兩個限制，一個是模型能不能突破到下一個範式，目前距離真正的AGI還有大概一到兩個範式的差距，而範式突破需要大量的訓練資源和人員投入，最終還是回到資源問題。

我們認為短期內AI範式不會有根本性的突破，但目前AI已經突破了可用的臨界點，正在不斷拓展新的應用場景，核心問題變成我們能不能接得住這麼多需求。這取決於資源是否夠用、資源效率是否足夠高。

關於競爭對手，我認為現在是需求大於供給的市場，遠遠沒到零和博弈階段。產業鏈有上下游分配，不同主體有不同的資源稟賦，橫向縱向都可以找到自己的市場空間，只要創造價值就能獲得收益，核心產業層面的競爭其實很稀薄，企業自身的發展才是最重要的。

虎嗅：如果AI進入了下一個範式，當前的商業模式依然成立嗎？

夏立雪：AI範式不會出現跳變，就像5G出來之後4G技術依然有應用場景，會有一個過渡的節奏。如果範式突破帶來新的基礎設施變化，反而會產生新的機會和發展空間，我們不怕事情難——無問芯穹的技術團隊從一開始就是奔著解決最難的技術問題去的，並且找到了很好的 TMF(技術-市場適配）。

虎嗅：Token相關產業什麼時候能迎來類似通訊領域5G的拐點？

夏立雪：用通訊領域4G、5G的劃分來類比AI產業不是特別合適，下一個時代的跳變有兩種可能性。一種是模型真的發生範式變化，但這種變化是什麼目前沒有人能夠預測。第二種是模型的成本降到足夠低，現在計費方式已經從千Token多少錢降到百萬Token多少錢，如果成本再下降一到兩個數量級，就會出現類似流量包、包月的概念，屆時整個產業的付費模式會發生質變。

成本下降1-2個數量級是有可行路徑的，核心是更深層次的軟硬體結合，對模型結構、模型組合和硬體結構都進行調整，提升兩者的匹配度，還有1-2個量級的最佳化空間。我們一方面會在成本下降1-2個數量級的過程中創造價值，另一方面也在提前做佈局，推出匹配未來新的生產關係和商業模式的新產品和新能力。  (虎嗅APP)

隨著大模型進入工程化與規模化階段，越來越多資本開始關注底層基礎設施能力。

硅星人獲悉，5月7日，人工智慧基礎設施企業無問芯穹宣佈此前已再獲超7億元融資。本輪融資中，聯合領投方為杭州高新金投集團和惠遠資本，跟投方包括國興資本、秦淮資料、廣發乾和、力合清瞳、中保投資、AEF NextGen、騰瑞資本、卡萊特、中信建投資本和寬德智能學習實驗室 (Will)，老股東君聯資本、上海國投孚騰和元智未來追加投資。

無問芯穹於2023年5月由清華大學電子工程系推動成立，創始成員來自清華大學、上海交通大學、阿里雲與曠視科技等頂尖高校與AI企業。

在無問芯穹成立的三年中，全球 AI 行業經歷了“百模大戰”、推理模型爆發、智能體興起等多個階段，而隨著模型快速迭代，如何更高效地生產和利用token，逐漸成為行業關注的核心問題之一。

01. 模型運行效率與系統能力成為新焦點

當外界討論“中國大模型性能”時，注意力往往集中在模型本身，比如Kimi K2.6 的 Agent Swarm 智能體叢集協作與超長程工程能力，智譜 GLM-5.1 在 AutoGLM 端到端自主操作以及 8 小時長程任務執行上的突破。

但在這些頭部模型背後，支撐其高效運轉的基礎設施層，其實都有無問芯穹的身影。

2026年3月，在中關村論壇上，無問芯穹聯合創始人兼 CEO 夏立雪與月之暗面創始人楊植麟、智譜 CEO 張鵬同台對話時，首次公開提到：無問芯穹已經成為 Kimi、智譜等眾多頭部大模型企業的核心基礎設施與 Token 服務商。

大模型競爭演進至今，已不再侷限於模型能力強弱的比拚，模型運行效率與系統承載能力的較量同樣重要。

對於 Kimi、智譜這類頭部模型公司來說，真正昂貴的並不只是訓練，而是持續不斷的推理成本。使用者每一次提問、生成回答或呼叫 Agent，本質上都在消耗 GPU 算力和 Token 資源。隨著呼叫量暴漲，推理系統會迅速變成一個極其複雜的工程問題。

理論上，這些公司當然可以全部自建。但現實是，自建意味著巨額 GPU 投入、資料中心建設、算力調度、系統最佳化，以及長期維運成本。相比之下，如果有一家能夠提供更低成本、更高效率的基礎設施平台，很多模型公司更願意把這部分能力外包。

這也是無問芯穹切入的位置。它並不直接參與最強模型的競爭，而是成為這些模型背後的基礎設施支撐者。

在某種程度上，AI Infra像大模型時代的“Token工廠”。使用者在使用AI產品寫程式碼、做分析、呼叫 Agent 完成任務時，背後會涉及到大量 Token 的生產、推理資源的調度，以及不同晶片之間的適配，這些都是無問芯穹在做的工作。

而這類基礎設施的價值，會隨著 AI 使用量增長被不斷放大。

夏立雪曾提到，當 Kimi、智譜等頭部模型呼叫量出現幾十倍增長時，無問芯穹作為其 Token 服務商，也同步實現了幾十倍增長。在當下這個階段，AI Infra企業已經深度嵌入中國頭部 AI 公司的生產鏈路之中。

在中國 AI 行業中，算力環境本身就極其複雜。不同公司使用不同 GPU，不同晶片之間的軟體棧、編譯框架、通訊協議並不統一。很多模型雖然訓練出來了，卻未必能在不同硬體環境中高效穩定運行。

比如在輝達 GPU 上完成訓練與最佳化的大模型，在遷移到國產推理晶片時，常常會遇到算子不相容、視訊記憶體調度方式不同等問題，需要重新做算子適配與推理圖最佳化，否則在實際部署中可能出現吞吐下降、延遲上升，甚至無法穩定服務請求的情況。

無問芯穹的核心價值之一，就是在不同晶片與算力環境之間建立統一的“運行層”，通過底層調度與最佳化能力，讓大模型能夠在異構算力上以接近一致的方式穩定運行與高效推理。

目前，無問芯穹的 Agentic MaaS 大模型服務平台已經對GLM、Kimi、DeepSeek、通義千問、MiniMax 等國產主流模型進行了高性能服務最佳化，精度對齊率超過99.9%，吞吐量提升2-3倍，時延縮減50%，首字延遲低於500ms，企業級高可用性達到99.95%。

這些技術層面的參數，會體現在非常具體的系統體驗與業務能力上——響應速度是否足夠及時，系統在高並行情況下是否穩定，峰值流量下是否仍可持續服務，以及企業級場景中能否可靠完成模型的規模化部署與落地應用。

03. AI 基礎設施進入“跨圈層共識”階段

本輪融資中，無問芯穹再獲超 7 億元融資，累計融資規模超過 22 億元，持續位居中國 AI 原生基礎設施賽道前列。但相比數字本身，更具訊號意義的是本輪投資方結構的顯著外擴。

從資方構成來看，對 AGI 基礎設施核心價值的認同，正在從科技投資圈，擴展至更廣泛的產業與戰略資本體系之中。

從資方構成來看，這一輪融資呈現出三個層面的結構性變化。

第一類是政策與產業導向資本的進入。以杭州高新金投集團、惠遠資本為代表的政府產業資本參與，使這一輪融資帶有明顯的區域產業戰略屬性。其關注重點不只是企業成長性，而是將 AGI 基礎設施視為數字經濟底座能力的一部分，從“支援科技企業”轉向“配置基礎設施能力”。

第二類是國家級資本的參與。中保投資等國家隊資金的進入，讓這一輪融資具備更強的長期屬性，其核心邏輯更接近基礎設施等級的配置判斷，即圍繞技術自主可控與長期系統能力進行佈局，而非短期商業回報。

第三類是產業側與應用側資本的跨界進入。秦淮資料等資料中心營運商的參與，反映出上游算力基礎設施正在從“資源供給方”向“AI系統協同方”演進，其投資邏輯不再只是機櫃、電力與頻寬，而是希望通過與 AI Infra 層協同提升整體算力利用效率。

與此同時，卡萊特、量化基金等製造業與金融資本的進入，則意味著實體產業與金融體系開始以更直接方式參與 Token 經濟，一方面作為投資者，另一方面也可能成為實際使用者。

04. Token經濟時代，無問芯穹想做什麼

截至 2026 年 4 月底，無問芯穹 Agentic MaaS 平台的日均 Token 呼叫量，相較 2025 年底增長超過 20 倍。這一增長並不是線性擴張，而是一種基礎設施級應用的指數級放大。

夏立雪在中關村論壇上提到，“上一次看到這樣的增速，還是 3G 時代移動網際網路流量爆發的時候。”Token 正在成為類似“流量”的基礎資源單位，其增長曲線本身就代表著 AI 使用方式的結構性變化。

從行業整體來看，這一趨勢並非孤立現象。根據國家統計局相關資料，截至 2026 年 3 月，全國日均 Token 呼叫量已突破 140 兆，較上年末增長超過 40%。在這一背景下，無問芯穹平台 20 倍的增長幅度，意味著其並非簡單跟隨行業擴張，而是在頭部模型呼叫與企業級場景中形成了更高密度的承載與聚集效應。

而支撐這一增長的，並不只是流量本身的擴張，也是底層技術體系的同步演進。本輪融資所指向的三大技術方向，實際上構成了其增長背後的基礎支撐結構。

首先，是多元異構算力體系的持續強化，通過技術極致最佳化的可用算力規模，在 Token 經濟時代實現更高利用率的資源供給；

其次，是軟硬體協同能力的進一步深化，通過最佳化推理鏈路與系統調度機制，加快從“電能到 Token”的轉化效率，即在相同物理資源下生成更多有效 Token 輸出；

再次，是面嚮應用層的基礎設施升級，通過企業級智能體服務平台，將模型能力嵌入不同行業場景，使 Token 不再只是計算結果，而是進入業務流程本身，完成從“Token 到生產力”的轉化。

這三條路徑分別對應算力供給、運行效率與應用轉化三個層面，共同指向同一個目標：在更大規模 Token 呼叫增長的背景下，持續提升 AI 基礎設施的整體運行效率。

可以看到，Token 正在從“模型輸出單位”逐步演化為支撐產業系統運行的基礎資源，而基礎設施能力則成為影響其規模化效率的關鍵變數。

當 Token 進一步成為基礎資源單元，資源調配與系統運行效率開始直接決定 AI 能力的實際邊界。融資、增長與技術路線在此交匯，所指向的並不是單一公司的階段性擴張，而是一個更清晰的行業趨勢——AI 基礎設施正從支撐性角色，轉向決定 AI 規模化能力的核心底座。

在這一意義上，無問芯穹的角色也不再僅是基礎設施公司，而是在持續擴張的 Token 經濟體系中，成為一個被不斷放大的運行樞紐。  (硅星人Pro)

近日，《麻省理工科技評論》（MIT Technology Review）刊發了一篇題為《關注DeepSeek之外的四家中國人工智慧初創公司》的報導，指出階躍星辰（Stepfun）、面壁智能（ModelBest）、智譜AI（Zhipu）、無問芯穹（Infinigence AI）四家企業同樣展現出不遜於DeepSeek的技術實力與全球競爭力。

這不是勵志雞湯，而是《麻省理工科技評論》最新報告揭示的真相。

Lisa姐姐告訴大家，其實中國不僅是這四家AI企業，我長期關注了10家“科技幽靈企業”，正在用以下方式顛覆職場規則：

- 給會玩《崩壞：星穹鐵道》的應屆生開價250萬

- 要求用《甄嬛傳》解釋AI倫理問題

- 把招聘廣告藏在arXiv論文評論區

當大廠白領還在卷OKR時，有人已經用“技術黑話”年薪翻倍

凌晨2點，西二旗某大廠會議室。

35歲的程式設計師老張正在為“如何最佳化使用者留存率0.3%”的KPI焦頭爛額。

在北京五環外的一棟灰色小樓裡，00後應屆生小王正在用《原神》角色技能設計AI訓練模型，年薪直接碾壓他的3倍。

更殘酷的是：這些公司80%的崗位從未公開招聘，只靠“技術黑話”在極小圈子內流通。

深扒10家“科技幽靈”：大廠人轉型的黃金跳板

（註：所有企業資訊均來自公開資料，薪資資料引用BOSS直聘/脈脈/企業官網）

1. 階躍星辰（AGI領域核彈玩家）

背景：微軟前全球執行副總裁沈向洋創立，成立1年融資超20億，兆參數大模型Step-2性能對標GPT-4。

行業地位：國產長文字與多模態模型迭代的引領者，與Kimi等公司共同推動算力需求增長。

主要產品：Step系列大模型，聚焦長文字處理與多模態能力。

未來趨勢：AGI技術突破與商業化落地，可能向醫療、教育等垂直領域滲透。

緊缺崗位：演算法工程師（多模態模型）、算力最佳化工程師、資料標註專家

背景：清華系團隊打造“中國版CoreWeave”，用國產GPU把大模型訓練成本砍到1/3。

行業地位：證據中未直接提及，推測其依託國產化政策加速發展，可能涉及晶片設計或算力服務。

主要產品：推測為AI晶片或算力解決方案。

未來趨勢：受益於中美科技摩擦下的自主可控需求，需突破技術壁壘。

緊缺崗位：晶片架構師、算力維運工程師（需結合國產化經驗）

背景：清華嫡系部隊，ChatGLM模型服務20萬家企業，政府訂單佔60%。

行業地位：技術自主性高，政策支援下的核心參與者。

主要產品：通用大模型底座，可能服務於政務、金融等領域。

未來趨勢：全端國產化技術鏈建構，推動行業標準制定。

緊缺崗位：大模型訓練工程師、安全合規專家（資料隱私方向）

背景：由清華大學電腦系畢業生曾國洋與清華大學電腦系長聘副教授劉知遠共同創立，核心團隊來自清華大學自然語言處理實驗室（THUNLP），

行業地位：被稱為大模型創業浪潮中的“半壁江山”。

主要產品：模型最佳化工具或輕量化解決方案。

未來趨勢：邊緣計算與端側AI需求增長。

緊缺崗位：模型壓縮工程師、邊緣計算研發崗。

5. 中科曙光（算力基建扛把子）

背景：承擔國家“東數西算”工程，2023年AI算力營收88億元。

行業地位：國產AI算力伺服器市佔率領先，深度參與國家算力基建。

主要產品：高性能伺服器、液冷資料中心、AI計算平台。

未來趨勢：液冷技術普及、國產晶片適配（如寒武紀、海光）。

緊缺崗位：液冷系統工程師、國產晶片適配工程師。

6. 三博腦科（腦機介面醫療派）

背景：民營腦科龍頭，侵入式腦機介面進入臨床，市值87億。

行業地位：可能與杭州強腦科技競爭，但具體市場地位不詳。

主要產品：醫療級腦機介面裝置或神經調控技術。

未來趨勢：醫療康復與神經疾病治療場景落地。

緊缺崗位：神經訊號處理工程師、醫療裝置合規專家。

7. 漢威科技（人形機器人關節王者）

背景：感測器市佔率全球前3，人形機器人關節電機突破海外封鎖。

行業地位：可能對標特斯拉Optima供應鏈企業，但需技術突破。

主要產品：高精度關節模組或驅動系統。

未來趨勢：人形機器人量產需求推動核心部件國產化。

緊缺崗位：精密機械工程師、運動控制演算法工程師。

8. 宇樹科技（Unitree）（四足機器人全球領跑者）

背景：全球首個量產消費級四足機器人的公司，產品覆蓋B端工業巡檢和C端娛樂場景，技術對標波士頓動力。

行業地位：行業絕對龍頭，技術成熟度領先波士頓動力。

主要產品：消費級/工業級四足機器人（如Go2、B2）。

未來趨勢：安防巡檢、物流配送等場景擴展。

緊缺崗位：仿生運動演算法工程師、行業解決方案經理。

9. 雲深處科技（DEEPRobotics）（具身智慧型手機器人先鋒）  
背景：國內首個實現四足機器人電力巡檢落地的企業，客戶包括國家電網、南方電網，產品登陸《Science Robotics》封面。

行業地位：可能聚焦機器人感知與互動技術，需與優必選等競爭。

主要產品：智能服務機器人或協作機械臂。

彙整鉅亨號中所有使用「無問芯穹」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

半年20餘倍增長，一個中國Token工廠的生意飛輪

Kimi、智譜背後的“隱形冠軍”藏不住了！AI Infra搶跑者開始重寫資本坐標

麻省理工透露：像DeepSeek這樣的AI公司，中國至少還有10家。“科技幽靈”企業正在百萬年薪大力招人