AI Infra進入自進化時代！清華團隊AI優化AI造就國產萬億Token工廠

一個詞開始在前沿討論裡高頻出現：Recursive Self-Improvement。它指的是AI自主優化，讓AI來研發更強大的AI—— AI開始自己提出問題、設計實驗、評估結果，再根據反饋不斷改進自己。這被認為是繼AI推理、Agent之後的下一個重大前沿，也是通往AGI（通用人工智能）的關鍵路徑。就拿OpenAI來說，GPT-5.6的RSI相關能力，已經幫其把端到端服務成本降低了20%，Token生成效率提升了15%以上。還有Anthropic，披露其代碼庫中超過80%的代碼由Claude自主生成。

Jeff Dean從谷歌離職創辦Discovery Loop，投身的也是RSI這條賽道，根據最新市場消息，其估值已經衝擊100億美元。優化這件事，正在由AI深度完成。硅谷在為這個方向沸騰，但中國也並沒有落後。清昴智能，國內第一家專注AI自進化Infra的創業公司，佈局比這輪RSI熱潮要更早。並且，團隊已經在回答一個更底層的追問： 模型可以自己進化，承載它的算力底座，怎麼跟上？如何讓AI進化的軟件基礎設施本身可以被算法化和自動化？模型已進入L4高速自主迭代，國產算力還在L1人工手搓 清昴的答案，要從一場節奏錯位說起。過去幾年，大模型能力的提升幾乎沿著一條清晰的路線前進。

從聊天、生成，到調用工具、長程推理，再到越來越多能持續運行數小時甚至更久的Agent，模型正在從一問一答走向更加自主的任務執行。如果把這種智能化進程類比成自動駕駛，可以說上層的模型已經開始向L4式的高度自主執行邁進。這種「L4自動駕駛」帶來的直接變化是，單次任務要處理更多Token、更長的推理鏈路、更復雜的工具調用，這自然就對底層算力提出了更高的要求。與此同時，中國AI產業又面臨另一重現實。在外部先進芯片供給受限的大背景下，中國AI產業越來越依賴國產芯片。可問題是，國產芯片並不是“有卡就能跑”。一款模型想要在一張芯片上跑起來，要經過算子適配、編譯優化、內存調度、框架適配、推理優化等一系列環節。

而國產算力的軟件生態相對碎片化，換芯片要重新適配，換模型又要重新調優。長期以來，這類工作高度依賴少數資深工程師。手寫算子、調試參數、規劃內存與並行策略……一個複雜算子的開發與調優往往耗時數週，卻可能很快被模型和芯片的高速迭代淘汰。而且，從行業實際利用情況來看，國產算力仍存在較大的效率釋放空間。於是一個新的矛盾出現了： 上層模型正在變得越來越自主，底層算力卻仍然高度依賴人工—— 模型已經向L4邁進，算力底座卻還需要L1式的人工接管。如果AI真的要進入持續自我進化的時代，Infra也不能永遠依賴手工調優。這正是清昴智能創業伊始即瞄準的方向： 構建一套真正具備自我迭代能力的算力基礎設施。

不再依賴於專家的手工調優，也不侷限於單點的算子生成或編譯適配，而是讓整個底層系統也進入一個由AI驅動的反饋循環。最終，為Agent時代數萬億級Token的高效產出提供算力底座。清華團隊數年學術蓄力，率先打造自進化算力底座 團隊如今的這套自主優化體系，並不是看到AI Infra風口之後臨時拼湊出來的解決方案。從創立第一天起，團隊的核心目標就是探索如何實現「AI自己優化AI」。整套技術脈絡，可以一路回溯到清華朱文武教授實驗室的長期研究。傳統機器學習優化範式，本質上始終是人類定義規則、機器負責執行。

2015年前後，AutoML與Meta Learning開始把模型結構、超參數等部分決策交給機器，但優化什麼、用什麼數據、往哪個方向優化，依然由人類決定。再進一步，如果連這些決策都交給機器決定，會發生什麼？清華大學計算機科學與技術系朱文武教授團隊長期深耕機器學習自動化領域，並在2022年正式提出自我驅動機器學習這一概念，把機器獲得的自主權擴展到任務、數據、模型、優化策略乃至評價標準。這也是清昴技術路線的重要源頭之一。清昴智能是第一個將這條路線真正推向產業實踐的創業公司，帶頭人關超宇正是朱文武教授的學生、清華特獎獲得者。

他長期深耕AutoML、元學習與自主機器學習賽道，帶領團隊征戰NeurIPS、AAAI等國際頂級學術賽事，在AutoML、MetaDL等全球挑戰賽中擊敗哈佛、MIT、斯坦福等世界強隊斬獲冠軍。到了產業環境，這條技術路線進一步轉向AI Infra： 讓機器自己找到一套更高效的算力運行方式。隨著模型、算子、運行時、分佈式架構和國產芯片快速迭代，優化空間越來越複雜，單靠人工經驗已經難以覆蓋。於是，AI優化AI，轉變為AI Infra領域亟待落地解決的現實命題。在此基礎之上，團隊進一步發展出自主機器學習完整框架。落到工程實現上，清昴將整套體系拆解為兩大核心能力—— 自主優化與自主演化。

自主優化解決的是「這一次怎麼優化」。系統可以根據真實運行狀態，自動定位瓶頸、嘗試不同方案，並通過實際反饋找到更優解。自主演化解決的就是「下一次怎麼更快優化」。系統會把每次優化過程中積累的經驗沉澱下來，在面對新的模型、芯片和運行環境時複用已有經驗，減少重複試錯。於是，原本一次性的調優，就變成了一個不斷循環的過程： 優化→積累經驗→再優化→再積累，閉環轉起來，系統就越優化越會優化。這套技術範式已經在國產算力真實生產環境中完成驗證。過去，一名資深專家完成一款複雜算子的開發與調優，往往需要耗費兩週時間；依託清昴的自主優化系統，這一週期被壓縮至約1小時，整體效率提升約336倍。

模型方面，國產芯片全鏈路打通原本需要一個月左右，現在壓縮到1天至1周，綜合提速約30倍。部分代表性算子的性能，相較基線版本最高實現30倍加速，達到了行業頂尖水平。截至目前，清昴已完成數十款國產芯片的適配與性能優化，覆蓋國內超半數主流國產算力芯片，是國內適配國產芯片和性能優化最多的AI Infra廠商之一。但這些數字值得關注的地方並不只是比工程師快了多少。更大的變化在於，過去只有少數頂尖專家掌握的優化經驗，開始變成一種可以由機器執行、持續積累，並進一步複製到不同模型、不同芯片上的系統能力。基於國產算力打造日均萬億級Token工廠 把算力優化好，只是清昴的第一步。

在Agent時代，算力面對的已經不是某一個模型能不能跑，而是能不能穩定、持續、低成本地生產海量Token。尤其到了2026年，Agent的爆發持續拉動Token消耗。部分複雜Agent單次任務Token開銷較傳統對話模型提升數百倍，不少業務場景的日均調用量已經向萬億級別靠攏。清昴認為，隨著未來視頻模型、多模態、AI for Science、具身智能和物理模型的全面爆發，Token調用量還將躍升至全新的量級。當調用規模進一步擴大，決定業務能否跑通的是每一個Token背後對應的算力成本、延遲和資源利用率。行業當下稀缺的正是這種高性能、低成本、可穩定大規模交付Token輸出的工程能力。

沿著這條思路，基於國產芯片的萬億Token工廠也成為了清昴底層自進化能力產品化和服務化的體現。對於國產算力中心來說，清昴對自己的技術能力非常有信心： 因為極致的Infra優化能將原本閒置或低效的算力轉化為高價值的Token產能。基於這種點石成金的底氣，清昴不僅採用租賃的方式獲得大規模國產算力，還提供了深度賦能的私有化或代運營模式，與其共同打造從算力生產、適配、調度再到分發及場景的國產算力生態。可以說，清昴是市場上率先以自進化技術打通「從算力自主適配優化到Token生產」端到端閉環的服務商。

對於模型廠商、API平臺以及行業客戶而言，他們並不關心Token底層究竟跑在什麼芯片上，他們只關心最終的產出效率與成本。基於此，清昴的商業交付模式非常清晰： 既直接提供高性價比的Token產出（賣Token），也對外輸出整套自進化的Token生產平臺（賣產線）。這意味著，無論客戶選擇哪種模式，他們購買的都不再是一次性的芯片適配外包，而是一套能夠持續優化的Token生產能力。其中最重要的變化，是「適配」本身開始變成持續運行的過程。新模型來了，系統自動學習；新芯片來了，系統自動調優；新的業務場景出現了，也不必完全從零開始。這樣，「適配」就形成了複利。

這就是清昴自進化Infra的目標： 不是替客戶做一次優化，而是把優化本身變成一項能夠持續運行的基礎設施能力，加快從L1進化到L4。現階段，清昴優化的是模型、算子和國產芯片，支撐萬億級的Agent市場。面向未來，經過優化的模型與Agent將進一步反哺算力底座，抬升算力優化基礎設施的智能化、自動化的上限。AI optimizing Infra, and Infra empowering AI.（AI優化基礎設施，基礎設施賦能AI） 在國內AI Infra的版圖中，清昴既是最早把「AI優化AI」當作創業第一性問題的團隊，也是最堅決地把全部籌碼押在國產算力上的那一家。

當多數玩家仍在通用算力賽道內卷，把精力耗費在貨源甄別與價格比拼上，清昴則選擇了一條難度更高、著眼長遠的道路： 讓國產算力的軟件底座自己學會進化。這不是權宜之計的替代，而是算力自主時代的序章。版權所有，未經授權不得以任何形式轉載及使用，違者必究。