AI 自己造 AI：智谱十万卡国产集群，吞吐量两周翻 3 倍

先说一件反常识的事：最近两周，十万张国产 GPU 卡的机房里，干活干得最起劲的 " 员工 "，不是哪位人类工程师，而是一个 AI。

9 月 17 日，据财联社报道，智谱 GLM 披露了 RSI（递归自我改进）的首个工程化实践：由 GLM-5.3 驱动的 Infra Agent，在十万卡国产集群上独立完成了推理基础设施的设计、调试与优化，不到两周，整个集群的推理吞吐量提升 3 倍。

翻译成人话：AI 第一次在真实生产环境里，自己动手优化了自己赖以运行的系统，而且成绩单拿得出手。

这不是实验室 Demo。国产大模型第一次把 " 模型自己优化自己 "，做成了能跑通的工程闭环。

RSI 不是新词，新的是有人真把它跑通了

RSI，递归自我改进，这个词在 AI 圈被讨论了快十年。

逻辑听上去很美：AI 改进自己，改进后的 AI 更强，更强的 AI 再去改进自己，能力像滚雪球一样循环放大。很多关于 " 智能爆炸 " 的畅想，起点都是它。

但过去这些年，RSI 基本活在论文、演讲和科

按财联社披露的信息，Infra Agent 在十万卡集群上干了三件事：设计、调试、优化推理基础设施。

拆开看，这三件事对应三个平时各管一摊的角色。

设计，是架构师的活，以前要过五关斩六将开一堆评审会；调试，是 SRE 和运维的活，半夜盯监控、翻日志、定位故障的那批人最懂其中的苦；优化，是推理工程师的活，拿着性能数据一点点抠，抠出百分之几的收益都够写进年度总结。

现在，这三摊活被一个 GLM-5.3 驱动的 Agent 接了过去。

同样十万张卡，同样的电费单，原来一天能服务的请求量，现在翻了 3 倍。

换个算法：一座十万卡集群优化出 3 倍吞吐，

还有个细节值得单独拎出来讲：这次的施工工地，是十万卡级别的国产集群。

十万卡，是全球范围内都排得上号的基础设施规模。而 " 国产 " 两个字意味着，这套软硬件生态更年轻，文档更少，工具链更新，坑也更新鲜。

有意思的是，这种 " 新手村 " 环境反而更适合 Agent 发挥。它不怕文档少，可以直接读代码；它不怕坑多，可以一格一格去试。人类工程师最依赖的经验直觉，恰恰是 AI 能用穷举和快速试错替代的东西。

国产底座加自主 Agent，互为放大器，这条路的意义比性能数字大得多。

行业的记分牌，从 " 堆卡 " 换成了 " 榨卡 "

这件事最值得写进备忘录的，是它悄悄改写了竞争规则。

过去两年的默认叙事是：谁卡多谁赢，发布会上比的是集群规模。十万卡上的这次实验，把另一条路摆上了台面：算力效率大于算力堆量。同样十万张卡，吞吐差 3 倍，等于一家坐拥三十万张。

更关键的是护城河的形状。堆卡是资本游戏，有钱就能追；RSI 这个飞轮一旦转起来，是复利游戏——模型越强，优化效率越高，省下的算力又喂出更强的模型。这种差距，靠买卡是追不回来的。

2026 年 9 月 17 日，值得记住的不是一个 3 倍，而是 " 谁来优化模型 " 这个问题的答案变了：以前是工程师优化模型，往后是模型优化模型，工程师看结果。

如果 AI 已经接管了机房，下一个被它优化的，会是训练集群、芯片设计，还是它自己的权重？

你的判断是什么？聊聊。效果约等于凭空多出二十万张卡。按眼下的市价和建设周期，这比单纯扩建省钱省时得多。

再看时间：不到两周。按传统节奏，一个推理系统的大型优化，从立项、方案评审、排期，到灰度、全量，两周往往刚够把方案吵完。Infra Agent 用这两周，从设计一路干到了优化出结果。

十万卡国产集群，才是这次最硬的底座

要说清楚的是，它不是 " 一键点石成金 "。更真实的图景是：Agent 在真实集群上，把 " 改动—观测—复盘—再改动 " 这个循环，以远超人类的节奏跑了近两周。吞吐量 3 倍，就是这一个又一个循环叠出来的结果。

人干活的瓶颈从来不是敲键盘的速度，而是理解、对齐和开会。Agent 不吃这一套。

3 倍是什么概念？等于白捡两座机房幻叙事里。原因不复杂：想让 AI 去改 AI，你得先给它一个足够真实的 " 考场 " ——有真实任务、真实反馈、真实的失败代价，这个考场还得扛得住它反复折腾。沙盒太小没意义，生产环境又没人敢放手。

这次智谱交出的答案，是把考场直接设在了十万卡的生产机房。能让一个 Agent 在里面自主施工近两周不翻车，本身就是硬实力的证明。从 " 概念被讨论 " 到 " 闭环被跑通 "，这一步，行业等了十年。

Infra Agent 这两周，把三个工种的活都干了