清昴智能：AI自优化重构国产算力，支撑万亿Token
当前全球人工智能领域的竞争焦点正在发生深刻变化，一个高频出现在前沿讨论中的概念正引领新的赛道方向：递归自我优化（Recursive Self-Improvement，简称RSI）。
所谓递归自我优化，指的是AI实现自主优化——让AI来研发更强大的AI本身，具体表现为AI可以自主提出问题、设计实验、评估结果，并根据反馈持续改进自身。这一方向被认为是继AI推理、智能体（Agent）之后的下一个重大前沿领域，也是通往通用人工智能（AGI）的关键路径。
从全球行业布局来看，这一赛道已经吸引了大量头部玩家投入：OpenAI依托GPT-5.6的相关RSI能力，将端到端服务成本降低了20%，Token生成效率提升15%以上；Anthropic披露其代码库中超过80%的代码由Claude自主生成；此前从谷歌离职的Jeff Dean创办的Discovery Loop，也投身这一赛道，根据最新市场消息，其估值已经冲击100亿美元。硅谷对这一方向的热情正持续高涨。
值得注意的是，中国在这一领域并没有落后。清昴智能作为国内首家专注AI自进化算力基础设施的创业公司，其布局甚至早于这一轮RSI热潮。团队从创立之初就一直在思考一个更底层的问题：当模型可以实现自主进化，承载它的算力底座如何跟上发展节奏？又该如何让AI进化的软件基础设施本身实现算法化和自动化？
清昴的答案，要从当前AI产业的一场节奏错位说起。过去几年，大模型的能力提升路径清晰可见：从基础的聊天、内容生成，到调用工具、长程推理，再到能够持续运行数小时甚至更久的智能体，大模型正在从一问一答的交互模式，转向更加自主的任务执行。如果将这种智能化进程类比为自动驾驶，那么上层的大模型已经开始向L4级别的高度自主执行迈进。
这种L4级别的自主能力带来的直接变化是，单次任务需要处理的Token数量大幅增加，推理链路更长，工具调用也更复杂，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挑战：在外部先进芯片供给受限的大背景下，国内AI产业越来越依赖国产算力芯片，但国产芯片并非“有卡就能跑”。
一款模型要在国产芯片上顺利运行，需要经过算子适配、编译优化、内存调度、框架适配、推理优化等一系列复杂环节。而国产算力的软件生态相对碎片化，更换芯片需要重新适配，更换模型又需要重新调优。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需要耗费数周时间，却可能很快被快速迭代的模型和芯片淘汰。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。
由此便产生了一个新的矛盾：上层的模型已经进化到L4级别的自主执行能力，底层的算力底座却仍然需要L1级别的人工接管。如果AI真的要进入持续自我进化的时代，算力基础设施也不能永远依赖手工调优。
这正是清昴智能从创立伊始就瞄准的方向：构建一套真正具备自我迭代能力的算力基础设施。这套体系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的高效产出提供稳定的算力底座。
团队如今的这套自主优化体系，并非是看到AI Infra风口之后临时拼凑的解决方案。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”。整套技术脉络可以回溯到清华大学朱文武教授实验室的长期研究成果。
传统机器学习的优化范式，本质上始终是人类定义规则、机器负责执行。2015年前后，AutoML（自动机器学习）与Meta Learning（元学习）开始将模型结构、超参数等部分决策工作交给机器，但优化方向、使用的数据、优化目标等核心决策，依然由人类主导。
如果连这些决策都完全交给机器，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。
清昴智能的带头人关超宇正是朱文武教授的学生，同时也是清华特奖获得者。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。进入产业环境后，这条技术路线进一步转向AI Infra领域，目标是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，优化空间越来越复杂，单靠人工经验已经难以覆盖所有优化场景，AI优化AI也因此成为AI Infra领域亟待落地解决的现实命题。
在此基础之上，团队进一步发展出完整的自主机器学习框架。落到工程实现层面，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“这一次如何优化”的问题：系统可以根据算力的真实运行状态，自动定位性能瓶颈、尝试多种优化方案，并通过实际运行反馈找到最优解。
自主演化则解决“下一次如何更快优化”的问题：系统会将每次优化过程中积累的经验沉淀下来，当面对新的模型、芯片和运行环境时，可以直接复用已有经验，减少重复试错的成本。
由此，原本一次性的调优工作，就变成了一个不断循环的闭环：优化→积累经验→再优化→再积累，随着循环的持续，系统会越来越擅长优化工作。
这套技术范式已经在国产算力的真实生产环境中完成了全面验证。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。在模型适配方面，国产芯片全链路打通原本需要一个月左右，现在已经压缩到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远不止效率提升的幅度。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。
不过，把算力优化好只是清昴的第一步。在Agent时代，算力面对的已经不是“某一个模型能不能跑”的问题，而是能否稳定、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Token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。当下行业稀缺的，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。
沿着这一思路，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充满信心：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。
基于这种技术底气，清昴不仅通过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，与算力中心共同打造从算力生产、适配、调度再到分发及场景落地的国产算力生态。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服务，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，系统自动学习适配；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。这样一来，“适配”就形成了复利效应。
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，加快算力底座从L1向L4的进化。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：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。
