清华团队用AI优化AI，国产万亿Token训练工厂落地

一个词开始在前沿讨论里高频出现：Recursive Self-Improvement。

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，再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。

就拿OpenAI来说，GPT-5.6的RSI相关能力，已经帮其把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，其估值已经冲击100亿美元。

优化这件事，正在由AI深度完成。硅谷在为这个方向沸腾，但中国也并没有落后。

清昴智能，国内第一家专注AI自进化Infra的创业公司，布局比这轮RSI热潮要更早。

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可以被算法化和自动化？

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成自动驾驶，可以说上层的模型已经开始向L4式的高度自主执行迈进。

这种「L4自动驾驶」带来的直接变化是，单次任务要处理更多Token、更长的推理链路、更复杂的工具调用，这自然就对底层算力提出了更高的要求。

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。

一款模型想要在一张芯片上跑起来，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。

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。

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也不能永远依赖手工调优。

构建一套真正具备自我迭代能力的算力基础设施。

不再依赖于专家的手工调优，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。

团队如今的这套自主优化体系，并不是看到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决定，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，把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。

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，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：

随着模型、算子、运行时、分布式架构和国产芯片快速迭代，优化空间越来越复杂，单靠人工经验已经难以覆盖。

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——

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。

自主演化解决的就是「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，就变成了一个不断循环的过程：

优化→积累经验→再优化→再积累，闭环转起来，系统就越优化越会优化。

这套技术范式已经在国产算力真实生产环境中完成验证。

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。

但这些数字值得关注的地方并不只是比工程师快了多少。

更大的变化在于，过去只有少数顶尖专家掌握的优化经验，开始变成一种可以由机器执行、持续积累，并进一步复制到不同模型、不同芯片上的系统能力。

在Agent时代，算力面对的已经不是某一个模型能不能跑，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Token开销较传统对话模型提升数百倍，不少业务场景的日均调用量已经向万亿级别靠拢。

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是每一个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，与其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。

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。

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、自动化的上限。

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」当作创业第一性问题的团队，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，清昴则选择了一条难度更高、着眼长远的道路：

这不是权宜之计的替代，而是算力自主时代的序章。