2026-08-18 11:31:33
来源：量子位
ALL IN 国产算力生态
闻乐 发自 凹非寺
量子位 | 公众号 QbitAI
AI 竞争的焦点变了。
一个词开始在前沿讨论中高频出现：Recursive Self-Improvement（RSI，递归自我提升）。
它指的是 AI 自主优化，让 AI 来研发更强大的 AI——AI 开始自己提出问题、设计实验、评估结果，并根据反馈不断改进自己。
这被认为是继 AI 推理、Agent 之后的下一个重大前沿，也是通往 AGI（通用人工智能）的关键路径。
以 OpenAI 为例，GPT-5.6 的 RSI 相关能力已帮助其将端到端服务成本降低了 20%，Token 生成效率提升了 15% 以上。
还有 Anthropic，披露其代码库中超过 80% 的代码由 Claude 自主生成。
Jeff Dean 从谷歌离职创办 Discovery Loop，投身的也是 RSI 这条赛道。根据最新市场消息，其估值已冲击 100 亿美元。
优化这件事，正在由 AI 深度完成。硅谷在为此沸腾，而中国也并没有落后。
清昴智能，作为国内第一家专注 AI 自进化 Infra 的创业公司，布局比这轮 RSI 热潮还要更早。
并且，其团队已经在回答一个更底层的追问：模型可以自己进化，承载它的算力底座怎么跟上？如何让 AI 进化的软件基础设施本身实现算法化和自动化？
模型已进入 L4 高速自主迭代，国产算力还在 L1 人工手搓
清昴的答案，要从一场节奏错位说起。
过去几年，大模型能力的提升几乎沿着一条清晰的路线前进。从聊天、生成，到调用工具、长程推理，再到越来越多能持续运行数小时甚至更久的 Agent，模型正在从一问一答走向更加自主的任务执行。
如果把这种智能化进程类比为自动驾驶，可以说上层的模型已经开始向 L4 级的高度自主执行迈进。
这种“L4 自动驾驶”带来的直接变化是，单次任务需要处理更多 Token、更长的推理链路以及更复杂的工具调用，这自然对底层算力提出了更高的要求。
与此同时，中国 AI 产业又面临另一重现实。在外部先进芯片供给受限的大背景下，中国 AI 产业越来越依赖国产芯片。
但问题是，国产芯片并不是“有卡就能跑”。一款模型想要在芯片上运行，需要经过算子适配、编译优化、内存调度、框架适配、推理优化等一系列环节。
然而，国产算力的软件生态相对碎片化，换芯片要重新适配，换模型又要重新调优。长期以来，这类工作高度依赖少数资深工程师。
手写算子、调试参数、规划内存与并行策略……一个复杂算子的开发与调优往往耗时数周，却可能很快被模型和芯片的高速迭代所淘汰。
而且，从行业实际利用情况来看，国产算力仍存在较大的效率释放空间。
于是一个新的矛盾出现了：上层模型正在变得越来越自主，底层算力却仍然高度依赖人工——模型已经向 L4 迈进，算力底座却还需要 L1 式的人工接管。
如果 AI 真的要进入持续自我进化的时代，Infra（基础设施）也不能永远依赖手工调优。
这正是清昴智能创业伊始便瞄准的方向：构建一套真正具备自我迭代能力的算力基础设施。
不再依赖专家的手工调优，也不局限于单点的算子生成或编译适配，而是让整个底层系统也进入一个由 AI 驱动的反馈循环。最终，为 Agent 时代数万亿级 Token 的高效产出提供算力底座。
清华团队数年学术蓄力，率先打造自进化算力底座
团队如今的这套自主优化体系，并非看到 AI Infra 风口之后临时拼凑出来的解决方案。从创立第一天起，团队的核心目标就是探索如何实现“AI 自己优化 AI”。
整套技术脉络，可以一路回溯到清华朱文武教授实验室的长期研究。
传统机器学习优化范式，本质上始终是人类定义规则、机器负责执行。
2015 年前后，AutoML 与 Meta Learning 开始把模型结构、超参数等部分决策交给机器，但优化什么、用什么数据、往哪个方向优化，依然由人类决定。
再进一步，如果连这些决策都交给机器，会发生什么？
清华大学计算机科学与技术系朱文武教授团队长期深耕机器学习自动化领域，并在 2022 年正式提出自我驱动机器学习这一概念，将机器获得的自主权扩展到任务、数据、模型、优化策略乃至评价标准。
这也是清昴技术路线的重要源头之一。
清昴智能是第一个将这条路线真正推向产业实践的创业公司，带头人关超宇正是朱文武教授的学生、清华特奖获得者。他长期深耕 AutoML、元学习与自主机器学习赛道，带领团队征战 NeurIPS、AAAI 等国际顶级学术赛事，并在 AutoML、MetaDL 等全球挑战赛中击败哈佛、MIT、斯坦福等世界强队斩获冠军。
到了产业环境，这条技术路线进一步转向 AI Infra：让机器自己找到一套更高效的算力运行方式。
随着模型、算子、运行时、分布式架构和国产芯片的快速迭代，优化空间变得极其复杂，单靠人工经验已难以覆盖。于是，“AI 优化 AI”转变为 AI Infra 领域亟待落地解决的现实命题。
在此基础之上，团队进一步发展出自主机器学习的完整框架。
落到工程实现上，清昴将整套体系拆解为两大核心能力——自主优化与自主演化。
- 自主优化解决的是“这一次怎么优化”。系统可以根据真实运行状态，自动定位瓶颈、尝试不同方案，并通过实际反馈找到更优解。
- 自主演化解决的是“下一次怎么更快优化”。系统会把每次优化过程中积累的经验沉淀下来，在面对新的模型、芯片和运行环境时复用已有经验，减少重复试错。
于是，原本一次性的调优变成了一个不断循环的过程：优化 $\rightarrow$ 积累经验 $\rightarrow$ 再优化 $\rightarrow$ 再积累。闭环运转起来后，系统就会越优化越聪明。
这套技术范式已在国产算力的真实生产环境中得到验证。
过去，一名资深专家完成一款复杂算子的开发与调优往往需要耗费两周时间；依托清昴的自主优化系统，这一周期被压缩至约 1 小时，整体效率提升约 336 倍。
模型方面，国产芯片全链路打通原本需要一个月左右，现在压缩到 1 天至 1 周，综合提速约 30 倍。部分代表性算子的性能相较基线版本最高实现了 30 倍加速，达到了行业顶尖水平。
截至目前，清昴已完成数十款国产芯片的适配与性能优化，覆盖国内超半数主流国产算力芯片，是国内适配国产芯片和性能优化最多的 AI Infra 厂商之一。
但这些数字最值得关注的地方，并不只是比工程师快了多少，而在于过去只有少数顶尖专家掌握的优化经验，开始转化为一种可由机器执行、持续积累，并能进一步复制到不同模型和芯片上的系统能力。
基于国产算力打造日均万亿级 Token 工厂
把算力优化好，只是清昴的第一步。
在 Agent 时代，算力面对的已不是某一个模型能不能跑的问题，而是能不能稳定、持续、低成本地生产海量 Token。
尤其到了 2026 年，Agent 的爆发持续拉动 Token 消耗。部分复杂 Agent 单次任务的 Token 开销较传统对话模型提升了数百倍，不少业务场景的日均调用量已向万亿级别靠拢。
清昴认为，随着未来视频模型、多模态、AI for Science、具身智能和物理模型的全面爆发，Token 调用量还将跃升至全新的量级。当调用规模进一步扩大，决定业务能否跑通的关键，在于每一个 Token 背后对应的算力成本、延迟和资源利用率。
行业当下稀缺的，正是这种高性能、低成本、可稳定大规模交付 Token 输出的工程能力。
沿着这条思路，基于国产芯片的万亿 Token 工厂，也成为了清昴底层自进化能力产品化和服务化的体现。
对于国产算力中心来说，清昴对自己的技术能力非常有信心：因为极致的 Infra 优化能将原本闲置或低效的算力转化为高价值的 Token 产能。
基于这种点石成金的底气，清昴不仅采用租赁的方式获得大规模国产算力，还提供了深度赋能的私有化或代运营模式，与合作伙伴共同打造从算力生产、适配、调度再到分发及场景的国产算力生态。
可以说，清昴是市场上率先以自进化技术打通“从算力自主适配优化到 Token 生产”端到端闭环的服务商。
对于模型厂商、API 平台以及行业客户而言，他们并不关心 Token 底层究竟跑在什么芯片上，他们只关心最终的产出效率与成本。
基于此，清昴的商业交付模式非常清晰：既直接提供高性价比的 Token 产出（卖 Token），也对外输出整套自进化的 Token 生产平台（卖产线）。
这意味着，无论客户选择哪种模式，他们购买的都不再是一次性的芯片适配外包，而是一套能够持续优化的 Token 生产能力。
其中最重要的变化，是“适配”本身开始变成一个持续运行的过程。新模型来了，系统自动学习；新芯片来了，系统自动调优；新的业务场景出现了，也不必完全从零开始。这样，“适配”就形成了复利。
这就是清昴自进化 Infra 的目标：不是替客户做一次优化，而是把优化本身变成一项能够持续运行的基础设施能力，加快从 L1 进化到 L4。
现阶段，清昴优化的是模型、算子和国产芯片，支撑着万亿级的 Agent 市场。面向未来，经过优化的模型与 Agent 将进一步反哺算力底座，抬升算力优化基础设施的智能化、自动化上限。
AI optimizing Infra, and Infra empowering AI.（AI 优化基础设施，基础设施赋能 AI）
在国内 AI Infra 的版图中，清昴既是最早把“AI 优化 AI”当作创业第一性原理的团队，也是最坚决地把全部筹码押在国产算力上的那一家。
当多数玩家仍在通用算力赛道内卷，把精力耗费在货源甄别与价格比拼上时，清昴选择了一条难度更高、着眼更长远的道路：让国产算力的软件底座自己学会进化。
这不是权宜之计的替代，而是算力自主时代的序章。