算力缝隙里的7亿元：谁在为无问芯穹的“中间件”生意买单？
5月7日，国产AI基础设施服务商无问芯穹（Infinigence AI）宣布完成新一轮超7亿元规模的融资。
本轮融资由杭州高新金投集团和惠远资本联合领投，跟投方阵营包括国兴资本、秦淮数据、广发乾和、力合清瞳、中保投资、AEF NextGen、腾瑞资本、卡莱特、中信建投资本和宽德智能学习实验室，同时老股东君联资本、上海国投孚腾和元智未来追加投资。
在算力供需矛盾、底层芯片架构分散的行业背景下，这笔融资揭示了长期被低估的“AI基础设施服务”赛道的真实商业价值。
公司将其业务模式精确为“算力运营商”，即公司运营的是算力资源，而其研发的软件平台是实现资源高效调度的工具。
当前，大模型产业面临的核心痛点是“M×N”的适配难题，即上游有N种不同架构、不同生态的AI芯片，下游有M种不同结构的大模型。
由于不同硬件的算子库和编译环境互不兼容，模型厂商在迁移算力时面临高昂的时间与研发成本。
无问芯穹切入的正是这一“软硬解耦”的中间件空白地带。其核心产品是Agentic MaaS大模型服务平台及配套的软硬件联合优化工具链。
如果将大模型视作现代工业的“电力”，芯片是“发电机”，那么无问芯穹扮演的就是“变电站”和“智能电网”的角色。
通过将异构算力池化、虚拟化，无问芯穹屏蔽了底层硬件的差异，为上层应用提供标准化的算力接口，从而获取基于Token吞吐量、算力租赁及私有化部署的服务性收入。
和AI的全面爆发同节奏，无问芯穹成立于2023年5月，凭借清晰的商业路径，在资本市场的吸金速度极快，加上最新宣布的一轮融资，公司累计融资金额已近22亿元。
此次超7亿元的新一轮融资落地，其背后的出资方名单透露出严密的产业协同逻辑。
一方面， 杭州高新金投集团的领投带有明确的产业基建布局意图。在各地大规模建设智算中心的当下，地方政府不仅需要物理机房，更需要能够盘活这些异构算力资产的技术运营方，以提高算力设备的整体利用率。
同时还有来自产业上下游的绑定，跟投方中出现了秦淮数据（IDC数据中心服务商）、卡莱特（视频图像显示控制硬件提供商）等实体企业。这表明无问芯穹的业务范畴正在向物理基础设施和终端硬件延伸，试图在算力供应链中建立更稳固的上下游合作关系。
能被资本集中青睐，也是因为其确实有一定的技术沉淀。
据了解，无问芯穹的核心班底源于清华大学电子工程系的NICS-EFC实验室，创始人汪玉与夏立雪这一师徒组合在深度学习软硬件联合优化、EDA（电子设计自动化）和AI芯片架构领域有着长期的数据与技术积累。
资本对无问芯穹的重注，建立在其各项核心运营数据的持续兑现上。
在执行精度层面，其Agentic MaaS平台在支撑复杂工具链时，与原厂模型的精度对齐率超过99.9%。在计算效率上，平台将系统整体吞吐量提升了2到3倍，系统时延缩减50%，并将首字延迟严格控制在500毫秒以内。
此外，业务规模化扩张的数据验证了算力调度市场的旺盛需求。
宏观层面，截至2026年3月，我国日均Token调用量已突破140万亿，比上年末增长超40%。在这一行业红利下，截至今年4月底，无问芯穹大模型服务平台的日均Token调用量相较于去年底，实现了超20倍的爆发式增长。
数据的爆发揭示了行业计费逻辑的根本性重构。
随着大模型API价格战逼近边际成本，市场对算力的采购基准正从按“GPU租赁时长”计费，转向以“Token吞吐量与生成效率”为核心的Token经济学。
在这一新范式下，无问芯穹的商业闭环得以跑通，其不赚取硬件倒卖差价，而是通过算子重构和模型压缩，在同等硬件损耗下榨取并交付远超均值的有效Token数量。这种基于极致降本增效获取的技术优化溢价，正是支撑其超7亿元融资的底层财务逻辑。
本轮融资后，行业关注的焦点将落在无问芯穹如何消化估值并进一步扩展业务边界。
无问芯穹提出了“AI生产力公式”，将其定义为“智能规模 × Token生产效率 × Token价值转化”的乘积，这标志着公司正试图将行业叙事从“算力调度”拔高至建立中国特色“Token经济学”的层级。
实际的商业落地中，AI基础设施服务商仍需跨越几道显性门槛。
首要挑战来自硬件厂商的生态收敛。随着英伟达等头部企业持续强化其CUDA生态，以及国内自主芯片大厂逐步推出原生的软硬一体化解决方案，第三方中间件厂商必须在更深层次的底层编译和算子重构上证明其不可替代性，以避免被上下游“厂商管道化”。
更长远的变量在于计算架构的去中心化。
随着算力需求从纯云端向端侧甚至物理AI延伸，算力网络的复杂性将呈指数级上升。在这方面，无问芯穹已经开始布局，其“无垠”终端智能系统试图提供“端模型+端软件+端IP”的一体化解决方案。
在未来更为严苛的车端或机器人端侧的功耗、散热及延迟限制下，如何实现跨云、边、端的高效算力调配，将是决定这家明星公司能否真正成为AI时代“安卓系统”的关键大考。
王小娟
