跳到主要内容

算力自举：智谱用 GLM-5.3 驱动的 Infra Agent，两周把 10 万卡国产集群吞吐提升 3 倍

· 阅读需 4 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

芯片买不到、产能提不上去的时候，最理性的选择是什么？智谱给出的答案是：让 AI 自己去优化承载它的基础设施。这件事在 9 月的披露中被大多数人当成了 RSI（递归自我改进）的谈资，但它更现实的意义被低估了。

事件与数据​

2026 年 9 月 17 日，智谱创始人唐杰披露：

  • 智谱利用 GLM-5.3 驱动的 Infra Agent，参与建设和优化 GLM-5.3-Flash 的推理基础设施
  • 这套系统运行在超过 10 万张国产 AI 加速卡组成的集群上
  • Infra Agent 在不到两周时间里，将端到端吞吐提升到初始基线的约 3 倍

三个数字合起来是一个闭环：国产芯片跑智谱的模型，智谱的模型优化国产芯片的跑法。

为什么「两周 3 倍」在算力上等价于免费扩产​

把吞吐提升翻译成算力经济语言：

  • 10 万卡集群吞吐 ×3，在服务同等流量的前提下等效于释放了约三分之二的集群容量——或者反过来说，同样的芯片能扛 3 倍的用户增长
  • 在国产芯片供给受限（先进制程产能紧约束、主流厂商集体涨价）的背景下，软件侧的 3 倍比硬件侧多买 20 万张卡便宜几个数量级
  • 提升来自调度、批处理、内核选择、通信路径等系统层优化——这些恰恰是 LLM 智能体擅长的「大量小决策」型工作

这就是「算力自举（compute bootstrap）」的含义：用模型智能提高单位硬件的产出，而提高的产出又训练更强的模型。

与同期趋势的呼应​

Infra Agent 不是孤例，而是行业方法论的转折点：

  • DeepSeek：开源 DeepInfer 推理系统（Apache 2.0），SM100 与昇腾 950 双底座——软件榨硬件成为两家头部模型公司的共同选择（此前报道）
  • SemiAnalysis 华为-DeepSeek 报告：TileLang 等社区工具链在部分形状上匹敌 CANN——内核层的门槛正在被模型公司自己打穿
  • AMD/谷歌：megakernel、持久内核等优化方向与模型公司自研栈高度趋同
  • OpenAI：用前沿模型红队自家训练隔离设施——「用 AI 检验 AI 的承载系统」是同一个方法论

共同点：头部模型公司不再把基础设施当外部采购品，而是当成模型能力的延伸来迭代。

边界与清醒剂​

  • 「两周 3 倍」的基线是初始部署态——初期优化的低垂果实最多，从 3 倍再往上走的斜率会陡峭得多
  • 官方未披露 Infra Agent 的人工介入程度（工程师审核/自动合入比例），「智能体自主优化」与「智能体辅助优化」的边界尚不清楚
  • 吞吐提升以何种代价换来（延迟、精度、成本）未披露——端到端吞吐是复合指标

结论​

对国产算力生态，这个案例的价值在于给出了「软硬协同」的量化样板：当硬件规格追赶需要两三年，软件层的三倍就在两周里。对更广泛的行业，它标记了一个新角色的出现——Infra Agent 会成为模型公司与芯片厂商之间的新谈判方：谁的栈对智能体优化更友好，谁就更容易被选中。基础设施的可优化性，正在成为采购决策里的新维度。

数据来源与口径说明​

  • Infra Agent、10 万张卡、两周 3 倍吞吐：唐杰 2026-09-17 公开披露，官方口径
  • 「算力自举」与 RSI 讨论：公开评论综述（2026-09/10），判断部分为本文观点
  • 国产芯片产能约束背景：彭博社及行业报道（2026-10）