石油成为现代工业的血液，用了半个多世纪。它要先被开采、被提炼、被定价，才谈得上驱动一个时代。
Token走完这条路，只用了三年。
国家统计局的数据：截至2026年3月，中国日均Token调用量突破140万亿，比上年末增长超40%。随着调用量和计费体系扩张，Token正从技术计量单位转向可被生产、消耗和计价的标准化资源。
大宗商品的价值，由三件事决定：产量、单位成本、最终产出的生产力。
7月20日的2026世界人工智能大会，无问芯穹发布「前店后厂一中心」Agentic Infra战略布局，把这三件事写成了一个公式：
AI生产力=智能资源规模×Token转化效率×AI生产力转化效率。
这个公式的三个变量，正是资本市场重新给AI基础设施定价的三条线。
过去，市场衡量一家AI基础设施公司，主要看规模。随着推理需求上升，同样的算力能产出多少有效Token、单位成本能降到多低、能支撑多少实际业务，正在成为新的评价维度。
无问芯穹押注的，正是这次迁移。
超级周期已确认，资本在为「规模与效率」集中定价
全球AI基建的「超级周期」正在进行中。
高盛在最近发布的《Tracking Trillions》报告中给出一组数字：2026年超大规模数据中心资本支出，共识口径5270亿美元，基准模型口径高达7650亿美元；到2031年，累计AI基础设施投资将达7.6万亿美元。四大超大规模厂商合计资本支出接近7000亿美元，同比增长77%。
对资本市场来说，「要不要投AI基建」不再是问题，问题已转向「投在哪里，回报最高」。
一级市场先给出了答案。2026年上半年，AI基础设施赛道密集出现标志性融资：Together AI估值83亿美元，Fireworks AI以150亿美元估值洽谈新一轮，Baseten达到130亿美元。
三家成立都不超过四年，都聚焦推理优化，估值都在半年内跳级。
资本正在用真金白银，为「推理效率」这一件事集中定价。过去，训练主导，谁有更多GPU、训更大的模型，谁就拥有定价权；现在，推理主导。
2026年推理工作负载已占AI算力总量约三分之二，推理基础设施资本支出预计达680亿美元，超过训练的450亿美元。
更关键的是成本曲线与需求曲线的背离，斯坦福《AI指数报告》与TokenCost的数据显示，AI推理成本近两年下跌超过99.7%；而同一时期，企业AI云支出在2024到2025年间翻了三倍。成本大幅下降，用量涨得更快，杰文斯悖论正在AI算力上重演。
SemiAnalysis创始人Dylan Patel在红杉资本《Training Data》播客中给出过一个判断：推理将成为比石油更大的市场，占全球GDP的多个百分点。
Token需求仍处于快速扩张期。每一次代表性模型或产品的爆发，都会抬高单次调用量：从最初几百Token的对话，到推理模型的1万量级，再到部分Agent任务50K起步的输入。需求增长快于物理算力供给，推理基础设施因此持续承压。
供需缺口，因此是长期的、结构性的。
海外投行也给出了同一方向的判断，花旗在2026年6月的推理专题报告中指出，算力的稀缺性正在被价格快速货币化，而货币化的速度，快过它被技术解决的速度。一个佐证是，连上一代的A100，租赁价格都在六周内累计上涨了11%。
在这条迁移线上，单纯算力租赁的同质化压力正在上升。Agentic Infra的估值弹性来自软件优化和推理需求，商业确定性仍取决于算力利用率、客户留存和单位经济。
无问芯穹的生意怎么拆
回到那个公式，AI生产力=智能资源规模×Token转化效率×AI生产力转化效率。
无问芯穹「前店后厂一中心」Agentic Infra战略布局，各自对应这个公式的三个变量。
「一中心」，算力集散中心，最大化智能资源规模，把散落的、异构的算力资源统一汇聚、弹性调度、按需利用，为模型与应用层筑牢充足、稳定、可扩展的算力底座。
无问芯穹推出面向大模型的异构集群跨域训练系统，实现调度、通信、框架三位一体的全栈协同优化。目前这套系统已在全国部署触达超 37,000P 算力、覆盖 16 种主流芯片，盘活了广域分散的异质算力。
在中国算力供给高度碎片化的背景下，跨集群、异构芯片的部署触达，决定了名义算力能否转化为有效算力，其技术门槛远高于单纯的资源聚合。
「后厂」，Token工厂，用极致效率服务Token 的规模化、高质量生产。其商业逻辑可以概括为：算力即收入，优化即利润。
在本次WAIC发布会上，公司提出了一项新的核心技术：跨集群异构PD分离，将大模型推理的Prefill和Decode两个阶段解耦，分别部署到跨集群的异构芯片上，以提高异构算力的推理效率。
据公司披露，这项技术带来了明显的成本改善：实测显示，该架构在首 Token 延迟（TTFT）降低 51.5%的同时，单 Token 成本可降低 37.5%。
在Token计费模式下，系统优化降低的单位推理成本可以直接改善毛利率，前提是服务价格和算力利用率保持稳定。
技术驱动的平台生意，和资源驱动的转售生意，赚的是两种钱。这条路径，海外头部也在走。
据The Information报道，OpenAI通过一次系统级优化，把部分模型的推理成本压低了约一半，办法是提高现有服务器利用率，没有增加新硬件。这说明系统优化已经成为AI基础设施单位经济的核心变量。
据公司披露，通过与头部大模型企业的密切合作，无问芯穹在真实业务场景中持续打磨、积累大量经验，截至7月，无问大模型服务平台单日 Token 调用量较去年12月，已实现了40倍增长，而海量业务数据又能反哺技术快速迭代，催动平台性能与可靠性的同步跃升，形成“业务带技术，技术提效率，效率促增长”的正向循环。
夏立雪在发布会上呼应黄仁勋提出的“算力即收入”，提出了下一句 ：“优化即利润”。这是无问芯穹在“后厂”业务上，如何兼顾规模与效率的答卷。
「前店」，AI生产力商店，把Token 高效转化为产业真正认可的高质量AI生产力，持续赋能千行百业降本提效。
它有两个方向。
对外，把智能体解决方案输出给百业，文娱游戏、医疗健康、法律终端、能源电力，各有落地，把技术势能全面转化为各行业能用、好用、可复用的落地价值。
对内，用Agent改造基础设施自身：通过智算集群运维智能体系统“智算集群运维+智能体”，通过多智能体协作，能够端到端地解决实际生产场景中的运维难题，这样一个7×24 小时全天候值守的智能专家，让智算集群的运维从“人找问题”转变为“问题找人”，和“问题自己解决”，公司宣布，该系统可实现运维人效提升 5 倍以上，关键故障处理效率提升 6 倍；此外，通过“高性能算子生成智能体系统 KernelMind”，能够在真实编译试错与知识沉淀中持续自迭代，稳定交付可直接落地的高质量工业级算子——算子是 AI 算力的核心基石，极大影响了芯片与集群的真实算力上限，同时也是拉开基础设施效率差距的关键变量。
通过对于“前店后厂一中心”的拆解，不难发现，Token工厂只是无问芯穹Agentic Infra体系的一环。完整的Agentic Infra技术组合在一起，形成覆盖训练、推理、调度、运维和生产力赋能的能力网络。
其中，模型路由正被机构看作下一个价值高地。花旗判断，能够决定「哪个模型、何种量化、在哪种硬件上处理哪个子任务」的路由层，将成为未来捕获推理价值的关键。模型路由也因此成为无问芯穹继续补齐的关键环节。
而放在全球坐标，无问芯穹与Together.ai、Fireworks等同属第三方推理基础设施平台，商业逻辑都建立在算力供给之上的软件优化与服务能力。
无问芯穹的差异化能力，在于同时适配16种芯片体系，并应对中国市场更复杂的异构算力供给，这是公司基于国内算力生态构建的一道技术“护城河”。
四个维度，看Agentic Infra这门生意的价值
在资本市场的坐标里，无问芯穹Agentic Infra的价值，可以从三个维度观察。
第一，需求更具持续性。
单次训练具有阶段性，推理则会随着用户调用持续发生。Agent每完成一个任务，都在消耗Token。据公司披露，无问芯穹95%以上的Token调用来自Agent化场景，表明平台Token需求结构已经明显向智能体驱动的推理迁移。
Anthropic提供了一个可参照的样本：其在2026年二季度已实现净利润为正的现金流（不含股权激励），Opus 4.8的Token毛利率超过80%。算力供给直接推高了营收上限。
Dylan Patel的判断与此呼应：AI算力的供需差异，在可预见的未来都难以弥补。模型每迭代一次，就会大幅扩展它能完成的有价值任务的范围，而这种扩展的速度，始终快过算力供给的增长。
这呼应了无问芯穹在本次 WAIC 上还发布了一个新的关键洞察：强化学习成为下一代AI进步的重要手段。但相较传统预训练，强化学习有“多角色协同”的独特特性，其算力需求的硬件种类更加复杂，规模量级也更加庞大，基于异构和超大算力规模的双重刚需，跨集群强化学习因此成为智能规模化及持续进化的新锚点，这也是无问芯穹Agentic Infra 自主式基础设施平台重点布局与攻克的核心场景。
针对跨域强化学习场景，无问芯穹利用全栈协同的技术思路，从网络、平台到框架做一体化深度优化，打通分散的异构集群，实现全局资源一盘棋调度，让大规模跨域强化学习不仅可以“跑得通”，还能“跑得快、跑得稳”。
无问芯穹联合创始人兼CEO夏立雪在发布会现场表示，未来，公司还会将跨域计算资源的支撑规模，持续拓展至十万卡级以上，支撑下一代Agentic AI的在线进化。
第二，盈利更具护城河。
推理服务的价格竞争最终会落到单位成本。
公司在WAIC宣布，过去一年，通过一系列原始技术创新，推动了推理成本下降 10 倍，而随着跨集群异构 PD 分离架构的持续成熟落地，可预见的未来，推理成本依然有10倍以上的下降空间。
Together AI也提供了一个参照：其推理优化引擎ATLAS通过自适应推测解码加速Token生成，性能较超大规模云厂商快2至3倍。
技术驱动的效率，决定了推理平台能否在价格竞争中保留利润空间。
第三，市场更具想象力。
黄仁勋把AI基础设施放进「能源、芯片、基础设施、模型、应用」的五层蛋糕里，基础设施与芯片、能源同属万亿量级的市场。
Agentic Infra的天花板，会从算力规模一路延伸到全行业的AI生产力。
更远的空间在物理世界，无问芯穹在本次 WAIC 上发布了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，尝试突破“物理世界中，具身智能的 Scaling Law 同样被基础设施限制”的难题。
针对具身智能的训练与推理部署两大核心环节，公司宣布了两项重磅技术升级：面向具身智能的大规模强化学习训练框架 RLinf V0.3 ，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。
RLinf V0.3 首次完整打通了数据采集、数据管理、监督微调（SFT）、强化学习（RL）、模型评测以及真机部署等关键环节，实现从仿真训练到真实机器人在线学习、再到持续迭代优化的统一开发闭环。不仅为具身智能提供开源开放的基础设施，能够高效训练机器人策略，更能够支撑机器人在真实世界中的长期持续进化。
Mizar-Robo 则依托流水线调度、算子内核、量化压缩、计算图四层协同优化，全方位释放端侧硬件潜力，大幅提升具身模型的部署效率，让具身智能即便在低功耗硬件上，也能实现连贯流畅、低延迟、长续航的高精动作交互。
公司表示，这将是“为未来数字与物理世界的所有AI生产力的运行构筑基础设施。”
结语：Token经济的枢纽底座
Token 调用量的高速增长，正在改变AI基础设施的估值标准。卡量和峰值算力决定供给规模，有效Token产出、单位成本和真实利用率，决定这门生意最终能赚多少钱。
无问芯穹的「前店后厂一中心」提供了一个中国样本：以算力集散中心扩充智能资源规模，以系统优化压低Token成本，再通过行业Agent提高算力利用率。这套架构已经完成初步市场验证，估值空间能否继续打开，仍要看两条曲线：Token调用量能否保持增长，单位推理成本能否继续下降并转化为毛利。
当AI基础设施进入规模与效率双重竞争阶段，无问芯穹已经给出了完整业务架构和技术范式，并将在实践中证明其价值。
*以上内容不构成投资建议，不代表刊登平台之观点，市场有风险，投资需谨慎，请独立判断和决策。