先说一个反常识的事实:这轮中国 AI 基础设施领域最大的一笔融资,获奖的公司不造芯片,也不做大模型。
10月12日,上海的 无问芯穹(Infinigence AI) 宣布完成 23亿元人民币 C 轮融资(约3.44亿美元),创下中国 AI 原生基础设施赛道单笔融资纪录。累计融资 43亿元。
它做的事,用一句话说清:把 16 种不同厂商的 AI 芯片,当成同一台机器来用。
这不是比喻。官方口径是——平台横跨 16 种芯片、算力达 3.7 万 PFLOPS、混合芯片训练的计算利用率最高做到 97.6%。
一、先把数字摆清楚
| 项目 | 内容 |
|---|---|
| 本轮 | 23 亿元人民币(约3.44亿美元)C 轮 |
| 时间 | 2026年10月12日 |
| 纪录 | 中国 AI 原生基础设施赛道单笔融资最高 |
| 累计融资 | 43 亿元人民币 |
| 融资节奏 | 2024年9月 A 轮约5亿 → 2025年11月 A+ 轮同量级 → 2026年5月超7亿 → 2026年10月 23亿 |
| 背后股东 | 腾讯、百度、联想;红杉中国、启明、顺为;更早的投资方还包括联想资本、小米与智谱(Z.AI) |
| IPO | 据彭博报道已秘密递交香港上市申请,拟募资数亿美元,发行前估值约 143 亿元人民币,最早或于 2027年上半年落地 |
二、公司是谁:清华电子系孵出来的”中间层”
无问芯穹 2023年从清华大学电子系孵化,由 王宇教授 发起,他的前博士生、现任 CEO 夏礼学 联合创办。
公司把自己的战略叫作 “Agentic Infra”,分成三块:
- 一个聚合硬件的算力分发中心
- 一个把模型当服务卖的”Token 工厂”
- 一个把 Token 推进真实业务场景的行业解决方案部门
而它最关键的一点是:它几乎不拥有自己卖的那些硬件。
所以它的商业模式本质上是做”中间层”和”调度层”——在芯片和模型之间,架一座桥。
三、最难的技术:为什么”异构芯片一起训练”这么难
这是本文最值得展开的部分,因为这是它拿到钱的技术理由。
把不同厂商的加速卡放进同一个训练任务,困难非常朴素:
- 并行策略各不相同——每家芯片的通信方式、数据摆放思路都不一样
- 工具链不通用——通常意味着要把整个训练栈推倒重写
无问芯穹给出的解法叫 M×N:M 个模型 × N 种芯片,靠调度软件粘合,而不是靠某一家厂商的全家桶。
已公开的能力与数据(以下均为公司口径):
| 维度 | 数据 |
|---|---|
| 芯片兼容 | 16 种主流芯片,含华为昇腾、摩尔线程、AMD、英伟达等 |
| 算力规模 | 3.7 万 PFLOPS |
| 千卡平台 | 已建成千卡平台,可扩展到万卡 |
| 混合训练利用率 | 最高 97.6% |
| 推理侧 | 跨集群架构把首 token 延迟降低 51.5%,每 token 成本降低 37.5% |
| 业务增长 | 模型服务平台日 token 用量从 2025年12月到 2026年7月增长 40 倍 |
其中最硬的一条案例来自与中国电信的合作:
“完成了中国首次大规模跨区域混合训练测试,链路超过 4000 公里,把新疆哈密的集群与深圳的集群连起来,训练一个 300 亿参数模型。“
4000公里——这个距离本身就是问题的量级说明:不是同一间机房里插几张不同的卡,而是跨省份、跨机房、跨供应商地混着跑。
四、最关键的独家视角:同一个问题,两边给出了方向相反的答案
这是本文最想提醒的一件事。
把时间轴并排放:
| 时间 | 谁 | 做法 |
|---|---|---|
| 10月8日 | 英伟达投资的 Upscale AI | 发布 Token Fabric——一个把不同供应商芯片连起来的平台 |
| 10月12日 | 无问芯穹 | 把 16 种芯片聚成一台机器,拿到创纪录融资 |
相隔四天,两边在做同一件事:异构芯片的统一调度层。
差别在于归属感:
- 英伟达系的 Token Fabric,做的是”帮别人把卡接进来”——但接口和生态的主导权仍然在英伟达那一侧
- 无问芯穹的做法是”让 16 种芯片在调度软件面前平等”——包括让昇启和英伟达平等
这就是为什么出口管制会催生这一层。当顶级英伟达芯片的获取变得不确定,一个理性的回应不是等下一颗更强的卡,而是——
“既然拿不齐,那就让手上这堆参差不齐的卡凑合着用。“
这条逻辑链,把本文和本站前几天发布的几篇连成了完整的一条线:
- 中国把 2 万亿参数模型和 AI Agent 写进出口管制——供给端要管
- 美国把 AI 芯片许可证当外交筹码——需求端要卡
- Tenstorrent 用 RISC-V 做开放硬件——第三阵营要自己的路
- 无问芯穹做异构调度——在现有约束下把利用率榨到最高
五、三个必须泼的冷水
- 97.6%、51.5%、37.5%、40倍,全部是公司自己的数字。没有任何第三方基准测试。这类”峰值指标”的口径通常对应特定负载与特定卡型组合,换成你的实际模型和真实流量,落差可能很大
- “中立层”本身就是一个战略矛盾。它同时要给华为昇腾、摩尔线程、AMD、英伟达做适配,而每一家芯片厂商都希望这一层最终变成自己的。中立性能维持多久,取决于商业谈判而不是技术
- IPO 数字是传闻口径。143亿元人民币的发行前估值与香港上市时间均来自彭博对知情人士的报道,公司未正式确认,上市文件也未公开
六、如果你在做国产化适配,这篇该怎么看
- 最重要的判断依据是芯片覆盖广度,而不是单卡跑分。如果你未来三年内要经历一到两次芯片供应变化,调度层能否同时吃下新旧两种硬件,比峰值性能更能决定你会不会被迫重写训练栈
- 看它的公开客户构成,而不只看合作名单。目前已知落地的最硬案例是中国电信的跨区域混合训练。运营商级的规模验证,比互联网厂商的验证更能说明工程可靠性
- 但要警惕被绑进单一生态。如果一家”中间层”公司同时是某家芯片厂的投资方、或某家云厂商的独家合作方,它的中立性就有折扣。这一点目前公开信息不足以判断,需要你自己尽调
- 43亿元累计融资 vs 143亿元发行前估值——中间层公司最难的部分不是融资,是把技术做成别人离不开的默认选项。这需要时间,不是一轮钱能解决的
七、写在最后
这轮融资的意义,不在于又多了一家公司。
而在于它标记了一个分水岭:算力竞争的焦点,正在从”谁的芯片更快”,转向”谁能让手上的芯片更好用”。
过去两年,AI 基础设施的故事是芯片叙事——更先进的制程、更大的集群、更快的互联。
而从 2026 年下半年开始,故事里多了一个层级:调度层。
这个层级的存在,说明了一个现实:芯片的供给已经不再是可以假设的前提了。当一家公司需要把 16 种芯片混起来用才划算时,它面对的已经不是性能问题,而是供应链问题。
而供应链问题的答案,最终都不是技术答案——是能不能拿到货的答案。
这也是为什么中国在这件事上下注下得早、下得重:
当不确定性成为常态,把所有不确定性都变成可调度的变量,本身就是一种解法。
信息源(本文交叉核验6来源):
- 融资一手口径:TechNode(据公司10月12日材料)、China Daily(据 ChinaVenture)
- 深度分析:Nexi.fund(技术拆解、融资节奏、股东结构、香港IPO报道溯源、Upscale AI Token Fabric 对照)
- 补充报道:todayforai、The Insight Asia、finance.biggo.com
- 对标与背景:Bloomberg(香港IPO传闻,2026年10月1日)、The Agent Watch 10月15日简报
诚实标注:97.6% 利用率、51.5% 首token延迟下降、37.5% 单token成本下降、40倍日token增长、3.7万PFLOPS、4000公里跨区域训练,全部为公司自述口径,无第三方基准测试;香港上市与 143 亿元发行前估值为彭博援引知情人士的报道,公司未确认、上市文件未公开;本文未获取该公司营收、客户数与芯片采购规模数据。