推理成本一年降十倍，但谁来把散落的国产算力变成一张网
2026年秋天，大模型公司不再只拼参数。当AI Agent开始进入律所、医院、电网和游戏工作室，真正卡住商业化节奏的不再是模型能力，而是推理成本、芯片适配和跨地域算力调度。一家大模型公司可能同时采购英伟达、AMD、华为昇腾、天数智芯、沐曦、摩尔线程的算力，却很难让这些芯片在同一套训练或推理任务里协同工作。更普遍的情况是，算力散落在全国各大数据中心，闲置与紧缺同时存在。
无问芯穹试图站在这个矛盾的中间。10月12日，这家总部位于上海市徐汇区的公司宣布完成23亿元C轮融资，成立以来累计融资额达43亿元。据IT之家转述证券时报消息，单轮及累计融资额均创下中国AI原生基础设施赛道最高纪录，该口径尚无独立第三方验证。本轮投资方未披露。
| 字段 | 内容 |
|---|---|
| 公司 | 上海无问芯穹智能科技股份有限公司（无问芯穹 / Infinigence AI） |
| 轮次 | C轮 |
| 金额 | 23亿元 |
| 投资方 | 未披露 |
| 总部 | 上海市徐汇区 |
| 创始人 | 发起人汪玉；联合创始人兼CEO夏立雪；联合创始人、首席科学家戴国浩；CTO李伯勋 |
| 官网 | https://www.infinigence-ai.com/ |
“前店后厂一中心”不是口号，是一套把算力变成Token的流水线
无问芯穹把自己的业务结构概括为”前店后厂一中心”。这个说法最早出现在公司对外披露中，科技日报在10月12日的报道里引用了这一表述：公司已形成”前店后厂一中心”的Agentic Infra战略布局，贯通算力资源、Token生产与行业应用三层价值链。
具体拆开看，”一中心”是算力集散中心，对应Agentic Infra自主式基础设施平台；”后厂”是Token工厂，对应Agentic MaaS大模型服务平台；”前店”是AI生产力商店，面向行业提供解决方案。这套结构的关键不在于命名，而在于它把AI基础设施从一个资源池变成了一条生产链：先把异构算力聚合起来，再把算力转化为Token，最后把Token嵌入具体业务场景。
在技术层面，无问芯穹提出了M×N技术范式，即连接”M种模型”与”N种芯片”。据IT之家报道，其千卡规模异构芯片混训平台已实现华为昇腾、天数智芯、沐曦、摩尔线程四种国产芯片分别与AMD、NVIDIA两种进口芯片进行大模型混合训练，算力利用率最高达97.6%。公司还称，其平台具备万卡扩展性。
更具体的性能指标来自跨集群异构PD分离架构（PDD）。据科创板日报报道，公司称该架构实现首Token延迟降低51.5%、单Token成本降低37.5%。公司披露，过去一年Token工厂推动推理成本下降10倍，该数据尚无独立验证。三项指标口径不同：51.5%和37.5%是特定架构下的相对优化幅度，10倍是年度累计降幅，不能直接合并评估其成本优化能力。
37000P算力与40倍Token增长，两个数字背后的验证边界
无问芯穹最常被引用的两个运营数字是：算力集散中心已部署触达37000P算力，覆盖16种主流芯片；截至2026年7月，Agentic MaaS平台单日Token调用量较2025年12月增长40倍。两项数据均来自科技日报报道，属公司披露口径。
“触达37000P”是一个值得拆解的表述。触达不等于持有，也不等于常态调度。公司未披露自有算力规模，触达口径与自有口径的差异待公司说明。这意味着37000P更接近”平台可连接的算力资源池”，而非”平台自有算力”。对于一家中间层公司来说，这既是轻资产模式的优点，也是其能力边界的注脚：它的价值取决于调度效率，而非资源持有量。
40倍Token调用量增长同样需要放在时间维度里理解。基期是2025年12月，报告期是2026年7月，跨度约七个月。对于一个从低基数起步的MaaS平台，40倍增长可以反映客户接入速度，但无法直接推导出收入规模或市场份额。
从已披露的客户名单看，无问芯穹已与智谱、月之暗面等头部大模型企业达成合作，客户还包括中国移动、中国联通、南方科技大学、咪咕文化科技等政企与科研机构。行业解决方案覆盖文娱游戏、医疗健康、法律服务、能源电力。这些客户名称和行业分布来自IT之家和科技日报的报道，但合作深度与收入贡献未披露，不能将合作名单等同于商业化收入。
中间层的真实天花板：不造芯片也不做模型，价值如何不被上下游吸走
无问芯穹的定位是AI基础设施的”中间层”。这个位置在产业链里天然承压。公司已披露的芯片适配范围是16种主流芯片，客户名单同时包含头部大模型公司与政企客户，这意味着它需要在芯片厂商自有软件栈和大模型公司自建推理系统之间找到持续存在的空间。
东方财富网在10月12日的报道中列出了竞争格局：基流科技已推出端网融合的GPU-RDMA集群管控通信框架；联想万全异构智算平台V5.0实现了从百卡到万卡规模的全场景覆盖，单节点可搭载40张GPU，FP8算力超28 PFLOPS，并推出AI一体机、词元工厂与AI训练场；摩尔线程的夸娥万卡级智算集群已落地部署，浮点运算能力达到10 Exa-FLOPS。这些竞品各有侧重：基流科技偏网络通信层，联想万全偏整机与平台集成，摩尔线程则从芯片向上延伸。无问芯穹的差异在于它不绑定特定硬件，而是以软件层跨芯片调度。
但”不绑定硬件”的另一面是”不控制硬件”。当芯片厂商自己加强软件生态，或者云厂商推出更完整的异构调度方案时，中间层的议价空间会被压缩。无问芯穹的应对策略是向行业解决方案延伸，把Token转化为可交付的行业生产力。公司披露称，其基础设施智能体蜂群由平台管家智能体、智算运维智能体和算子生成智能体KernelMind组成，可根据任务复杂度、时延要求和Token成本，协同完成模型组合、任务管理与执行保障。
从已披露的客户结构看，无问芯穹同时服务头部大模型公司和政企客户。这两类客户的需求差异很大：大模型公司对成本和性能极度敏感，政企客户对合规和私有化部署要求更高。这个平衡的难度会直接体现在人效和毛利上，但公司未披露各行业收入占比、付费客户数量、客单价或收入结构，因此无法判断其商业化结构是否健康，也无法评估两类客户对收入的相对贡献。
23亿C轮与43亿累计额：资本结构里藏着什么信号
本轮C轮融资23亿元，投资方未披露。这是一个不寻常的安排。通常到了C轮，公司会公布领投方和主要跟投方，以向市场传递机构信心。无问芯穹选择不披露，具体原因尚不明确。科创板日报在报道中只写了”本轮投资方未披露”，没有给出更多解释。
从历史融资看，无问芯穹的投资方阵容横跨国资、产业资本和财务投资机构。据IT之家报道，自成立以来累计投资方中，国资机构包括杭州高新金投、社保中关村基金、珠海科技产业集团、厦门国兴投资、徐汇资本等；产业投资方包括腾讯、百度、联想、小米等；财务投资机构包括红杉中国、启明创投、洪泰基金、达晨财智、顺为资本等。这份名单是历史累计口径，不是本轮C轮投资方。腾讯新闻在10月12日的报道中也使用了”自成立以来其投资方阵容汇聚多方知名机构”的表述，进一步印证了这一点。
历史融资节奏显示：2024年9月完成近5亿元A轮融资；2025年11月完成近5亿元A+轮融资；2026年5月宣布获得超7亿元融资，联合领投方为杭州高新金投集团和惠远资本。加上本次C轮23亿元，公开披露的轮次金额与公司累计口径之间存在未完全对齐的部分，具体差额因统计口径不明无法确认。差额可能来自未单独披露的天使轮、战略轮或其他融资安排，也可能因为部分轮次金额为”近”或”超”的约数。
编辑分析：从已披露名单看，杭州高新金投、徐汇资本等国资机构与腾讯、百度、联想、小米等产业资本同时出现在历史投资方中，这意味着无问芯穹需要同时回应区域产业落地诉求与战略协同诉求。在IPO预期下，这两类诉求的平衡会直接影响公司节奏。
关于IPO，IT之家援引彭博社引述知情人士消息称，无问芯穹最近几个月已以保密形式向港交所递交IPO申请，计划募资数亿美元，目标最快于2027年上半年挂牌上市。该信息为市场传闻，未经公司或港交所确认。IPO传闻与资金用途之间是否存在关联，来源材料未提供直接证据。
推理基础设施超过训练，但窗口期不会永远敞开
投资界在报道中引用Gartner报告称，全球AI Token呈现”训练持续增长、推理加速扩张”的趋势，预计2026年全球推理基础设施支出将超过训练。高盛则预测，随着AI Agent普及，到2030年Token消耗量可能增长至当前水平的24倍。这两项均为第三方研究机构判断，不是无问芯穹的业绩承诺。
公司披露的Token调用量增长口径是：截至2026年7月，Agentic MaaS平台单日Token调用量较2025年12月增长40倍。但公司未披露Token调用量的绝对值、付费客户数量、客单价或收入结构，因此无法验证其从行业增长中获利的程度。待验证指标包括：推理业务收入增速是否跑赢行业Token消耗增速、单位Token调度的毛利水平、以及客户从试用转向长期付费的转化率。
无问芯穹的卡位优势在于它较早提出了Agentic Infra的概念，并把”前店后厂一中心”从战略叙事落到了产品结构上。公司称，其早在去年已布局Agentic Infra，并提出AI生产力公式，将AI生产力拆解为智能资源规模、Token生产效率和Token价值转化三个变量。编辑分析：从叙事结构看，它把AI基础设施的价值从”提供算力”提升到”生产Token”再到”交付生产力”，是一个完整的商业叙事；但这是叙事结构而非已验证商业模式，能否变成收入取决于行业客户是否愿意为”生产力”而非”算力”付费。
资金用途未披露，但跨域混训与行业落地已经划出方向
本轮23亿元C轮融资的资金用途，公司未披露。这是本次披露中最大的信息缺口之一。可核验的后续披露节点包括：公司是否在后续公告中披露本轮投资方名单、是否更新分行业收入或Token调用量绝对值、以及IPO进程是否有港交所或公司层面的正式确认。
从已有业务线索看，无问芯穹联合中国电信完成了国内首例超4000公里的大规模跨域混训技术验证，落地新疆哈密至广东深圳推理集群，实现300亿参数模型训练。这个项目来自IT之家的报道，属于公司披露的技术验证案例。如果跨域混训从验证走向常态化商用，需要持续投入网络优化、调度算法和运维体系。
行业解决方案方面，无问芯穹已推出覆盖文娱游戏、医疗健康、法律服务、能源电力等领域的Agentic Infra行业解决方案。从已披露的四个行业看，客户决策周期、合规要求和项目制程度差异明显，但公司未披露各行业收入占比，因此无法判断其复制难度和收入结构。
公司称，过去一年Token工厂推动推理成本下降10倍，且未来仍有10倍下降空间。这个”仍有10倍下降空间”的说法属于公司预期，不是已实现的事实。如果推理成本继续下降，无问芯穹的毛利率和定价能力将面临考验：降本的好处是否会让渡给客户，还是留在自己手里，取决于竞争格局和客户议价能力。
待验证的假设：调度能力能否成为可持续的付费理由
无问芯穹的核心假设是：异构算力调度和推理优化能力，可以成为客户愿意持续付费的独立价值。这个假设的成立需要三个条件同时满足，每个条件都对应公司已披露的具体指标。
第一，客户的异构算力需求足够复杂，以至于自建调度系统的成本高于采购无问芯穹的服务。公司称其平台已覆盖16种主流芯片，支持华为昇腾、天数智芯、沐曦、摩尔线程与AMD、NVIDIA的混合训练。可核验指标是：公司是否持续扩大芯片适配范围，以及客户实际使用的芯片组合数量。若该能力稳定可靠，理论上可降低适配成本，但降幅尚无来源支持。
第二，推理成本的下降速度能够跑赢客户自建系统的优化速度。公司称其PDD架构实现首Token延迟降低51.5%、单Token成本降低37.5%。可核验指标是：公司是否披露这些性能指标的测试条件和对比基线，以及优化是否在不同场景下可复现。如果优化是一次性的，客户在享受完初期红利后可能转向自建或更换供应商。
第三，行业解决方案能够形成足够的收入贡献，而不只是战略卡位。无问芯穹的”前店”AI生产力商店面向文娱游戏、医疗健康、法律服务、能源电力等行业。可核验指标是：公司是否披露分行业收入占比、付费客户数量或客单价。这些数据目前均未披露。
本轮未披露投资方和资金用途，进一步增加了外部观察的难度。对于一家传闻即将IPO的公司来说，透明度本身就是市场信心的一部分。
验证边界与可复核指标
本文涉及的公司运营数据、技术指标和客户案例均来自公司披露或媒体转述，尚无独立第三方验证。其中，37000P算力触达、16种芯片覆盖、40倍Token调用量增长来自科技日报报道；97.6%算力利用率、超4000公里跨域混训验证来自IT之家报道；51.5%首Token延迟降低、37.5%单Token成本降低来自科创板日报报道；10倍推理成本下降、基础设施智能体蜂群构成来自投资界转述公司资料。上述数据均属公司披露口径，测试条件、对比基线和收入结构未披露。
RecodeX 极客视：无问芯穹的23亿C轮融资，表面上是AI基础设施赛道的又一次资本加注，实质上是推理时代对”算力中间层”的一次定价测试。公司用37000P触达算力、16种芯片适配和40倍Token增长构建了一个完整的叙事，但叙事要变成生意，还需要回答一个更朴素的问题：当客户自己也能调度算力时，为什么还要为中间层付费？这个问题的答案，不在融资新闻里，而在下一份收入结构里。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。