AI原生基礎設施服務商無問芯穹已完成23億元C輪融資，加上此前各輪，公司累計融資額達到43億元，單輪與累計金額均重新整理國產AI基礎設施賽道的融資紀錄。據彭博社援引知情人士報道，無問芯穹近幾個月已以保密形式向港交所遞交IPO申請。
這家公司不訓練模型、也不做應用，而是卡在模型與晶片之間的中間層：把多種模型演算法與多種晶片硬體連線起來，做效率與成本最佳化。其目標是聚合異構、碎片、跨域的算力資源，從每一度電、每一秒晶片運轉中產出低成本、生產級可用的Token，並推動Token進入真實業務場景。
從投資方陣容看，無問芯穹匯聚了國資機構、產業投資方與財務投資機構等多類資本。國資方面包括杭州高新金投、社保中關村基金（君聯資本管理）、珠海科技產業集團、廈門國興投資、徐匯資本、孚騰資本、中保投資、國開科創等；產業投資方包括Dabanc Holding、聯想、九坤創投、同歌創投、騰訊、百度等；財務投資機構則包括紅杉中國、洪泰基金、惠遠資本、啟明創投、達晨財智、順為資本、礪思資本等。
海外市場已為這門生意給出定價參照。做同類業務的三家公司過去一年估值大幅攀升：Fireworks AI從40億美元漲到175億美元，漲幅337%；Baseten漲160%；Together AI漲151%。連在GPU產業鏈上游賺得盆滿缽滿的輝達，也親自下場押注下游AI Infra。獨立研究機構SemiAnalysis創始人Dylan Patel判斷，算力短缺會一直持續——一個Agent跑一次任務，背後是幾十個推理請求連環呼叫，Token消耗量與單輪對話不可同日而語。20VC創始人Harry Stebbings談及對Fireworks AI的投資時稱，15分鐘就敲定了，是十年投資生涯裡最容易的決定之一。
無問芯穹選擇的路徑是「不碰機房」：自身不擁有實體資料中心，而是把散落各處的算力通過軟體編排織成一張網。其平台已適配輝達、AMD、華為昇騰、壁仞、海光、摩爾線程、沐曦、燧原科技、平頭哥等16種晶片，服務著37000P算力；新晶片的適配週期約2個工作日，國產晶片適配成本砍掉70%以上。公司稱已率先實現千卡規模異構晶片混合訓練，算力利用率達97.6%，並用華為昇騰、天數智芯、沐曦、摩爾線程四種國產晶片與AMD、NVIDIA兩種進口晶片，完成700億引數大模型的異構混合訓練。此外，無問芯穹聯合中國電信完成國內首例超4000公里的大模型跨域混訓，把新疆哈密與廣東深圳的算力拉通，在300億引數模型上聯合訓練，效能提升165%；還打通了4個不同代際、不同型號GPU叢集的多資料中心聯合訓練，以及本地私有叢集與公有云的混合雲混訓，效能分別提升41%和68%。
在軟體棧層面，公司從自動化並行編排與搜尋、運算元及計算圖最佳化，到計算與通訊重疊、動態編排排程做了一整套最佳化。據其披露，在最佳化後的基礎設施上，萬億引數MoE模型的訓練吞吐比主流開源框架高41%到75%。2026年WAIC上，公司釋出跨叢集異構PD分離架構PDD，首Token延遲降低51.5%，單Token成本降低37.5%。
面向Agent時代，無問芯穹引入大小模型自適應協同機制：複雜任務交給大模型做規劃推理，輕量級即時響應交給小模型，系統按任務複雜度、時延要求與Token成本動態切換。其還部署了智慧體蜂群，包含面向使用者的平台管家、面向叢集的運維、面向晶片的運算元生成三個子集，試圖讓基礎設施形成自主迭代、自我最佳化的閉環。
業務結構上，無問芯穹分為三層：底層是算力集散中心，統一匯聚、彈性排程、按需分發異構算力；中間是Token工廠，即Agentic MaaS大模型服務平台，已與智譜、月之暗面等頭部大模型公司合作，上線百餘款大模型；頂層是AI生產力商店，面向企業提供覆蓋文娛遊戲、醫療健康、法律服務、能源電力等領域的行業解決方案。公司稱，Agent應用爆發後，其大模型服務平台日均Token使用量半年漲了超過40倍，95%以上的推理任務來自Agent。
團隊方面，無問芯穹是典型的清華系公司：發起人汪玉為清華電子系長聘教授、時任系主任、IEEE Fellow；CEO夏立雪、首席科學家戴國浩、CTO李伯勳均畢業於清華電子系。團隊從博士階段起研究深度學習硬體加速與異構系統最佳化。
從產業視角看，這筆融資的意義不止於金額本身。當模型能力逐漸趨同，競爭重心正轉向「把差不多的模型跑得又快又便宜又穩」的中間層。無問芯穹向下連線能源與晶片、向上支撐模型與應用，客戶越多，排程與場景適配的複雜度越高，這既是壁壘也是挑戰。海外同類公司估值已跑出百億美元量級，國內賽道剛誕生融資額新紀錄，資本對AI Infra的重新定價正在兩地同步展開。