汪玉教授出席2026算力网发展大会，深度解读算电挑战下的人工智能基础设施建设

汪玉教授指出，当前人工智能浪潮本质上是技术革命驱动的产业革命：数字世界智能体、物理世界机器人等新生产力的涌现，将推动生产关系与社会结构重构，催生新的社会主体。当需求增速已显著超越硬件迭代速度，必须推动应用、模型、系统软件、芯片、能源基础设施与工业制造六层全栈的垂直整合——向上支撑模型与应用、向下协同芯片与能源的基础设施层，正成为与模型、芯片同等重要的 AI 驱动力。

汪玉教授首先从数字世界切入，他提到：“AI 革命本质上是能源、算力与数据转化为 Token、再转化为生产力的过程，三者转化效率共同决定了生产力提升的空间。”当前消费侧需求正随 Agent 落地呈指数级增长，而供给侧产能只能线性增长，供需缺口将持续扩大。国内算力碎片化、异构调度难度高等问题，本质上是 Token 供给能力不足的体现。而由清华大学电子系孵化的无问芯穹，其核心任务正是通过多元异构、软硬联合优化、智能体场景自适应等技术，解决大模型时代的“规模”与“效率”问题。

汪玉教授介绍，在规模方面，无问芯穹以技术服务能力参与国家AI基础设施建设，通过多元异构计算系统技术不断扩大可统一管理、调度与充分利用的算力规模，目前已触达国内 26 个省市的 37,000P 算力；在效率方面，一是通过软硬协同优化提升“电到 Token”的转换效率，单个 Token 成本较去年已降低约 10 倍；二是以智能体场景自适应技术提升 Token 到生产力的转化效率。同时，团队也在探索“用 AI 优化 AI”：以智能体自动优化算子，目前已在部分算子上实现约 6 倍加速；未来期望能够推动 AI 优化从算子层延伸到全栈，走向系统自动优化的新阶段。

面向正在到来的十万卡以上 AI 时代，算电协同成为无法回避的课题。汪玉教授指出，过去数据中心电力成本占比约 6% 至 10%，随着万卡十万卡集群的发展，可预见的未来电力需求将指数级增长；而比总量膨胀更值得警惕的，是超大规模并发引发的“脉冲式”负荷剧变——万卡乃至十万卡集群同时启动或结束训练任务时，瞬间功率波动可达数十兆瓦以上，对局部电网的频率与电压稳定性构成严峻挑战。

单纯被动地向电网索取容量已触及物理天花板，必须打破数据中心与电网彼此割裂的架构，迈向“算电协同”。汪玉教授也从“算”的角度提出两个优化方向：一方面在基建阶段规划高弹性配电拓扑，适配新能源接入的波动；另一方面让算力调度主动感知电网频率与电价，通过削峰填谷、源网荷储一体化平抑冲击脉冲；待规模进一步扩大后，还有望实现全国范围内算力与电力负荷的动态调配。

面向具身智能的基础设施建设，汪玉教授将清华、无问芯穹与合作伙伴当前合力攻坚的工作凝练为了三个关键词——管环境、跑训练、跑智能体。

管环境——即打造统一的具身资源纳管平台 RLark（即将开源），将云、边、端的机器人与算力统一纳管，变成可按需调用的资源，让跨集群的具身任务能够通过一份配置快速启动和运行；

跑训练——即通过仿训推一体化平台 RLinf，统一调度异构资源、按负载自动编排，让强化学习后训练又快又省。目前 RLinf 已迭代三个大版本，在 GitHub 上获得 5000+ Star，被全球机器人研究者广泛使用。

跑智能体——则是基于具身智能体基础设施 RPent（即将开源），将通用大模型、VLA 操作模型，以及感知、控制等工具接入统一的交互与执行系统，支持物理智能体在仿真与真机环境中进行构建、运行和评测，让 Agent 真正进入物理世界并实现长期、稳定的运行。与 RPent 开源同步释出的真机 Demo，也将通过多样化的具身长程任务，完整展示 RPent 如何让 Agent 在真实环境中完成任务拆解、模型与技能选择、工具调用、真机控制、进度判断以及经验复用，并实时展示整个决策与执行过程。

从管环境、到跑训练、再到跑智能体，清华大学与无问芯穹等正共同搭建起覆盖具身智能全流程的开放基础设施，并以持续开源，为全球研究者与开发者提供可复用、可扩展的基础能力。

随着千万级乃至亿级机器人时代的到来，电网还将迎来一场比电动汽车更大规模、更分散的充电冲击。汪玉教授指出，与由人驾驶、沿固定轨道点对点行驶的电动汽车不同，机器人具备自主决策能力，其充放电行为高度碎片化——这恰恰提供了破局思路：与其被动为电网增容，不如发挥机器人的自主性，一方面探索更分布式的供电系统设计，另一方面构建机器人与电网的协同调度机制，让海量分散的机器人负荷从电网的“冲击源”转变为可主动调度的资源。

最后，汪玉教授也呼吁算力与电力领域从业者共同开发开源基础软件，让电力行业更早、更深入理解 AI 训练、推理与机器人的未来图景，实现算电平台的统一与算电系统的联合设计。