Coding Agent 遭遇物理瓶颈,寰宇元心用“真机与 Fab 验证”打开 AI 产业新增量
有新 2026-11-17 14:10 浙江
过去一年,Coding Agent 成了大模型商业化跑得最快的赛道。在纯软件沙盒里,模型读代码、写补丁、跑单元测试,报错后几秒钟就能重来一轮。但当一二级市场重新测算 AI 的长期估值空间时,天花板正变得越来越明显。软件编写本质上是在既有数字系统里做存......
“凡是我造不出来的,我就还没有理解。”——理查德·费曼
过去一年,Coding Agent 成了大模型商业化跑得最快的赛道。在纯软件沙盒里,模型读代码、写补丁、跑单元测试,报错后几秒钟就能重来一轮。
但当一二级市场重新测算 AI 的长期估值空间时,天花板正变得越来越明显。软件编写本质上是在既有数字系统里做存量效率优化,单靠写代码这一个存量场景,已不足以支撑二级市场对 AI 板块的庞大市值预期。
资本与产业开始向代码沙盒之外的算力硬件、光/电芯片等重资产实体研发寻找增量。只是通用编程工具一旦跨出纯软件温室,迎面便撞上了一堵坚硬的物理墙。
往上看异构算力底层,不同芯片的指令集与存储层级截然不同,把旧平台上调优好的参数原封不动搬过去,推理性能反而可能直接暴跌七成;往下看高速光电芯片设计,光、电、热多物理场与纳米级制造偏差紧紧咬合,哪怕给资深研发专家配上不限词元(token)预算的 Claude Code 或 Codex,很快也会在物理约束面前摸到上限。
海外前沿资本与头部实验室已经注意到了这一断层。今年 10 月,a16z 领投了强化学习环境初创公司 Preference Model 的 1600 万美元种子轮融资,后者专门围绕底层计算内核编写与工程实验构建可检验的训练环境。近期在 IPO 路演上,Anthropic 也披露底层算子跨硬件移植依然是切换芯片架构的一项现实工程成本。
生成候选方案变得越来越便宜,在真实硬件与产线约束下完成验证却极其昂贵。围绕这道门槛,国内早期 AI 创业公司寰宇元心(CosmosMind)选择把验证直接修进机房与晶圆厂产线。
寰宇元心定位于自进化工程智能(Self-Evolving Engineering-AI,简称 SEE-AI)基础设施提供商。团队核心成员出自前 DeepSeek、Kimi、GLM、Meta、腾讯混元、字节跳动、微软等一线大模型团队的核心算法部门,深度参与过顶级基座模型的训推发版与技术报告;研发班底由清华、北大等高校的计算机博士与资深产业工程专家组成。
“除了Coding,AI 还没有更大的场景在创造增量。只靠 Coding 这个存量,已经撑不起市场对 AI 的期待。”寰宇元心创始人万冠呈表示。
目前,由该团队自进化算力系统自主设计的第一版硅光测试芯片,已从晶圆代工厂(Fab)完成流片并回片。在扫描电子显微镜(SEM)下,硅片表面的 CosmosMind 标识清晰可辨。
从跨架构大模型推理加速上线、核心算子库开源合入主干,到硅光芯片流片回片与企业服务商业回款,这几件事在同一套体系内同步成立,让寰宇元心在行业内率先跑通了软芯协同的自进化算力循环。
▍跨过物理墙的分水岭在工业级验证
围绕 AI 自我改进的研究在学术界并不鲜见,但多数工作仍停留在静态基准测试(Benchmark)或纯软件沙盒层面,产出的论文很难直接转化成产线生产力。
软件温室与实体产线之间的核心差异在于容错边界。沙盒里的测试集规则固定、环境理想;而在真实工程现场,换一张算力卡就可能推翻整套软件调度收益,晶圆刻蚀偏离几个纳米就足以让仿真软件里的高分版图彻底报废。
今年 9 月,寰宇元心发布面向工程落地的算法框架 MetaRSI-v1,提出“验证决定自进化的前沿”这一核心判断。一项工程任务能否被严格、客观地检验,决定了该领域能否形成持续自我改进的循环;而跨过物理墙的关键,在于把验证本身搭建成接入真机(真实算力硬件与生产负载)与 Fab(真实晶圆厂制造工艺)的两级工业流水线。
拆开算力基础设施的分层结构,从上层的集群调度、分布式系统、推理引擎、算子与编译器,到下层的封装互连与硅片,改动位置越靠下,受惠的模型与业务面越广,但单次验证周期也会从软件层的几秒钟拉长至芯片层的数月。
顺应这一工程规律,寰宇元心采用自上而下的软芯协同策略推进。系统先在反馈快的软件运行期(Run time)通过真机验证榨干既有算力卡潜能;待软件调优触及硬件物理极限后,同一套自进化内核再顺着软件层摸清的硬件卡点下沉至芯片设计期(Design time),接入 Fab 验证重塑下一代芯片互连。
▍第一重真机验证进化,把存量算力榨出450%新增量
在软件运行期,跨芯片架构生产负载迁移是检验真机闭环的第一块试金石。
以 330 亿参数的音视频联合扩散模型 MiniMax H3(生成 768P、24fps、5 秒视频)迁移部署至昇腾 910B 为例,直接沿用原 GPU 平台调出的经验参数会引发严重性能断崖。其中,残差复用阈值原样迁移后推理性能直接劣化 71%,条件注入(AdaLN)合并算子的启用开关在旧代码中干脆被写死在原硬件架构上。
面对人工难以穷举的参数与算子组合空间,寰宇元心的自进化内核把整套 H3 部署作为搜索空间,自动批量提出候选改法、部署上真卡实测耗时并客观裁定,调优全过程在官网 7×24 小时公开直播,外部开发者可随时逐条回看核对。
除了排掉跨架构迁移的性能暗坑,系统还在底层算子融合上拿下了关键增量。它将归一化替换为原生合并算子,把单条请求的底层指令下发次数从约 8000 次一把压缩至 1 次(耗时降低 7.1%),随后又解锁重调条件注入融合(耗时再降 4.1%)。
在五套视频生成测试集的逐条配对真机实测中,该方案较 SGLang 官方标准部署实现端到端推理提速 28.8% 到 33.7%,无一条样本变慢,生成画质经 VBench 2.0 评测与基线持平并通过人眼盲测。在不更换硬件的前提下,原本损耗在软件适配缝隙里的三成算力被直接释放了出来。
围绕开源昇腾原生高性能编程框架 PyPTO,该真机闭环同步自适应训练了一个理解硬件指令与多级中间表示的 35B 模型,并在 GitHub 上开源了四个核心库。其中包含适配 DeepSeek V4.1 稀疏注意力机制的 PyPTO-FlashDSA、补齐 Kimi Linear 核心递归算子的 PyPTO-FlashKDA、覆盖 27 个关键路径算子的 PyPTO-Ops,以及端到端推理库 PyPTO-Lib。在 Qwen 大模型、8 张 910C 集群实测中,PyPTO-Lib 在保持生成结果逐比特一致的前提下降低逐词元延迟 4.43%,目前已被 PyPTO 官方团队正式合入主干(merge)。
▍第二重 Fab 验证,让 AI 芯片设计走过工业产线
当上层算子与推理栈逼近既有硬件的物理上限,算力瓶颈便回到芯片与互连本身。自进化内核由此向下穿透,进入以晶圆厂流片为终极判据的硬件设计期。
在硅光芯片公认难啃的 0° 垂直出射光栅耦合器(负责将光信号引入或导出芯片的核心接口)设计上,寰宇元心联合北京大学光子传输与通信全国重点实验室做了一组正面同台对照。对照组拉到了当前业界顶配,由研发领域资深人类专家直接搭配 Claude Code、Codex 等主流编程智能体,且完全放开词元消耗预算。
实测结果显示,通用编程智能体面对光电耦合与制造公差很快触顶;而寰宇元心的工程智能系统跳出了人类专家惯用的尺寸渐变路径,自主找出了“三种原胞拓扑共存”结构,在效果、效率与成本三项指标上依次占优。高效率路线耦合损耗达 -0.66 dB,宽带鲁棒路线带宽较 2026 年光学顶刊《Optica》同类设计拓宽 40%,波长漂移缩小一个数量级,省去了前沿文献需要铺设的 15 组预补偿备胎阵列。更值得注意的是,系统搜索了一套出来“人类顶级专家”想不出来的拓扑结构。在光栅的“超原胞”(由多个基本单元拼成的重复微结构)设计上,人类专家受经验习惯影响,通常只会顺着“尺寸渐变”的思路找解;而自进化系统自主给出了一套“三种原胞拓扑共存”的非直觉方案。
仿真跑出高分只是第一步,真正的门槛在于对齐 Fab 产线良率。投片前,系统设置了三道前置关卡,版图生成阶段直接焊死刻蚀、线宽、套刻与膜厚波动硬约束;每个候选方案必须在全部工艺角(制造偏差的各种极端组合)下完成完整物理仿真,评分只认最差值、弃用标称值;拿到最高分的冠军方案,还须通过一轮对智能体不可见的“隐藏随机工艺组合盲测”,防止算法针对固定考题过拟合。
首版硅光测试芯片从 Fab 回片后,系统自动从 31 张扫描电镜照片中提取每一条刻蚀边缘,量化真实加工误差并重建三维形貌以修正下一版版图。电镜实测表明,芯片单特征随机线宽离散标准差 σ 不超过 5 nm,相比设计阶段采用的 σ 等于 10 nm 严苛考核线留出了约 2 倍安全余量。回片闭环中,系统还基于真实流片与电镜数据自适应训练了一个 35B 工艺模型,让仿真环境随每一轮流片持续逼近真实产线。
站稳器件级流片验证后,团队在自主光电设计平台 Ester-Photonics 上进一步接管系统级高速互连。多智能体将光、电、热仿真同框运行,把电域驱动器、跨阻放大器、串行解串器与光域器件共同列为可调变量,不到一周便独立跑通了硅微环(MRM)、硅耗尽型行波调制器(MZM)与薄膜铌酸锂(TFLN)全部三条主流路线的 8×200G(单向 1.6 Tb/s)电口到电口联合设计。
官网累计 1469 轮公开直播记录显示,每条链路均从眼图完全闭合的不可通信状态起步,新任务上线最快 49 分钟即交出首个全工况达标设计;7 天内人类专家 43 次手动加严验收标准,AI 均重新追平,并自主长出了在 MZM 两段反相结构间插入 2 皮秒光延时、直接在光路完成信号均衡等跨学科巧思。
在功耗验收口径上,行业论文常见的 1.3 到 3.7 pJ/bit 指标通常仅统计发射端局部功耗;寰宇元心采用从发射芯片电口算至接收芯片电口的整链路插墙功耗,并在全工况、全通道中只取最差值。在此严苛口径下,三条 1.6T 链路误码率均低于 1e-4,整链路能耗最低压至 1.46 pJ/bit,直接落入业界仅统计发射端能效区间的下限。
▍从验证闭环走向按结果付费的产业新增量
如同数据中心机架在数年摊销期内会持续经历模型架构迭代,单次交付的一份静态调优配置同样会随模型与硬件换代而衰减。寰宇元心因此把这套连接真机与晶圆厂的自进化验证循环封装为标准化产品,推出通用工程智能自进化 R&D 研发引擎 Ester,现已形成面向推理加速的 Ester-Infer、面向垂类训练的 Ester-Trainer 以及面向硅光设计的 Ester-Photonics 三条产品线。
为了满足工业与大B端客户对确定性的严苛要求,Ester 在底层七步循环(观察、诊断、提案、校验、执行、选择、导出)中严格收窄了大模型的自由度,仅把需要发散探索的“诊断”与“提案”两步交由模型,其余五步全部由确定性代码控制。
“中国的企业客户不关心东西是 AI 做的、RSI 做的,还是人工做的,只关心安全,关心降本增效有没有用。”寰宇元心创始人谈道。
在现场交付中,评测标准与发布规则对所有智能体设为只读,新方案须先经隔离沙箱验证通过后上线,运行全程保留物理急停机制,且进化过程中产生的数据、专有模型与工具链资产 100% 归客户所有。在此基础上,团队直接采用“按结果付费,未达标不收费”的结算模式,开工前双方白纸黑字锁定客观验收指标,仅在真机或产线跑出约定增量后收费。
这套模式已经在产业端兑现出实质增量。截至目前,Ester 已产生规模化商业营收回款;芯片侧已有多家晶圆代工厂(Fab)主动对接联合设计与工艺模型合作,算力侧亦有多家大型 IDC 服务商上门接洽推理加速部署。
当通用编程工具还在数字沙盒里争夺存量效率时,接入真机与晶圆厂验证的工程智能已经把触角伸进了重资产产线。接下来,首轮回片带回的 31 张电镜量测数据能将下一代硅光芯片性能再推高多少,以及在推理侧跑通的“按结果付费”向长周期训练与芯片客户复制的节奏,将成为观察这条产业增量曲线的下一组关键路标。
更多内容可以看这篇文章RSI算力全链路生态已落地,CosmosMind开启软芯协同自进化算力时代
✦精选内容✦
当 AI 硬件跨过“只录不记”的断层,硅基记忆把长期记忆引擎装进上万台终端
网易智企在乌镇首发 AI 原生安全产品体系,给 Agent 划出行动边界
DeepSeek 刚提出的 Super-agent 新架构,LobeHub 已经做成了产品