國產GPU分水嶺時刻：當別家還在卷參數，摩爾線程早已訓練出了世界模型

作者 | 褚杏娟

“2026 年初，OpenClaw 剛火時，日活 Token 數大概是 140 萬億。未來算力越多越好，因為 Scaling Law 依然成立。”摩爾線程創始人、董事長兼 CEO 張建中在 2026 世界人工智能大會上分享道。

現實是當前算力依然不夠。比如 Kimi K3 的發布引發了大量關注，但同時也帶來了算力挑戰。就在昨天，月之暗面發布公告稱，暫停 C 端新用戶訂閱，將已有算力全部投入于服務已訂閱用戶。

算力緊缺，Token 消耗量千倍暴漲，但不同 Token 之間其實存在明顯的質量差異。

比如，與消費級 Token 不同，企業生產環境中的高品質 Token 需要支持萬億參數級模型、百萬 Token 上下文、極低的首字延遲、較高的生成速度以及 99.99% 的服務穩定性。企業真正愿意付費購買的是那些能夠穩定進入生產環境的 Token。

因此，當企業真正開始按照每天生產多少 Token、每百萬 Token 成本以及每項業務消耗多少 Token 來衡量 AI 投入時，傳統以 GPU 數量、峰值算力為核心的評價體系已經不夠用了。

中國工程院院士、清華大學教授鄭緯民就提出，算力基礎設施的關鍵，在于將每一份算力轉化為高質量 Token。國家信息中心大數據發展部副主任魏穎也表示，算力基礎設施是 Token 生產的物理底座，作為算力核心的 GPU 直接決定生產效率與成本。

這些都促使 AI 基礎設施從“算力中心”向“生產系統”轉型：企業購買的不再只是若干張計算卡，而是一套能夠持續生產模型、Token 和智能體，并最終轉化為業務價值的工業化體系。

以全功能 GPU 為核心的摩爾線程，率先將 AI 基礎設施劃分為三座“工廠”：模型訓練工廠、詞元生產工廠和智能體生產工廠。

三者分別對應模型研發、規模化推理以及數字智能體和物理智能體部署，看似服務于不同環節，背后卻指向同一套邏輯：算力的價值不再由硬件參數單獨決定，而是取決于芯片、軟件、網絡、模型和行業應用等能否形成完整生產閉環。

摩爾線程創始人、董事長兼首席執行官張建中

從“有多少卡”轉向“生產多少智能”

第一座工廠：國產 GPU 開始完成超大模型訓練

模型訓練工廠對基礎設施要求最高，也是國產 GPU 最難進入的環節。

隨著集群規模擴大，任何單點故障、通信延遲、算子兼容問題或精度偏差，都可能導致訓練中斷，甚至使數周計算投入失效。對于成本動輒達到數億元的大模型項目而言，訓練平臺是否穩定、是否能夠線性擴展，以及訓練結果能否收斂，遠比單顆芯片的理論峰值性能更重要。

在摩爾線程看來，模型訓練工廠首先必須具備“全功能”能力。因為基礎設施建設周期通常長于模型迭代周期，企業無法預先判斷下一代模型究竟是大語言模型、多模態模型、視頻生成模型、世界模型，還是科學計算和具身智能模型。如果平臺只能支持少數模型結構，企業很可能在模型路線改變后重新建設算力系統。

因此，摩爾線程推出以夸娥（KUAE）智算集群和 MUSA 軟件棧覆蓋更廣泛的模型訓練任務。其底層訓練軟件首先兼容 PyTorch，并通過 Torch-MUSA 承接現有算子生態；針對近年來在大模型訓練中廣泛使用的 Triton 和 TileLang，公司分別提供 Triton-MUSA 及相應適配能力。在更上層，平臺支持 Megatron-LM、DeepSpeed 和 FSDP 等主流分布式訓練框架，也可以適配客戶自研框架。

軟件兼容只是模型訓練工廠的第一層。真正開始大規模訓練前，企業還需要估算集群規模、訓練周期、資源利用率及整體成本。摩爾線程為此開發了 MT-HTA 仿真系統，并提供 SimuMax 和 SimuInfer 工具，用于在正式訓練或推理前模擬任務執行情況。其目標是讓客戶提前判斷需要多少芯片、訓練大約需要多長時間，以及不同并行策略可能帶來的性能變化，降低高成本任務的試錯風險。

在預訓練之后，強化學習正在成為提升模型推理、代碼和復雜任務能力的重要環節。摩爾線程在 MUSA 平臺上適配了 VeRL 和 Slime，并分別推出開源的 MT-VeRL 和 MT-Slime 模型訓練套件，其中 MT-VeRL 支持訓推一體方案，MT-Slime 支持訓推分離異構推理方案。

圍繞混合專家模型（MoE），摩爾線程還對專家并行通信、算子融合和 FP8 訓練進行了專項優化。公司披露，其平臺能夠結合 DeepEP 等通信技術，在 MTT S5000 上原生支持 Per-Block FP8 計算，以提高 MoE 模型的訓練效率。

除了芯片本身，超大模型訓練的另一個瓶頸是網絡。

隨著集群從千卡擴展到萬卡乃至更大規模，通信效率會直接決定集群是否能夠維持線性擴展。摩爾線程推出的 MTT C256 超節點采用一層 Scale-up 網絡，在標準單寬機柜中實現 128 卡全互聯，并可通過并柜擴展至 256 卡高速互聯，卡間通信延遲壓縮至亞微秒級。其設計目標是減少傳統多層網絡中的帶寬損耗和通信延遲，同時提高單位機柜的算力密度。

根據摩爾線程公布的數據，夸娥智算集群在擴大訓練規模時，線性擴展效率最高可達 95%；訓練精度與國際主流計算卡基本一致，損失曲線保持高度接近；集群支持斷點續訓，有效訓練時長占比超過 90%。

在超大模型實戰中，摩爾線程與某國家級實驗室合作，在國產萬卡集群上從零訓練了一個 MoE-236B 基礎模型，并在后續引入強化學習，模型質量已經達到業界領先水平。

另外，摩爾線程也在證明，國產 GPU 已經在完成從預訓練到強化學習的全流程閉環。

北京大學 EvoPhys 團隊在摩爾線程”燈塔計劃”支持下推出的 5D 世界模型 EvoPhys-World，其原生訓練全程都在摩爾線程 MTT S5000 全功能 GPU 上完成，并由 MUSA 軟件棧提供全棧支撐。該模型在斯坦福大學 WorldScore 公開評測榜單中，拿下了“世界生成”賽道第一名。這也證明摩爾線程智算集群的高效訓練能力，已不僅覆蓋大語言模型，在具身智能與世界模型上同樣取得突破。

除 EvoPhys 外，摩爾線程還使用 MTT S5000 千卡級集群訓練 Wan 類視頻生成模型，并與北京智源研究院完成 RoboBrain 2.5 具身大腦模型訓練；極佳視界也基于 MTT S5000，開展具身世界模型和世界動作模型訓練。

第二座工廠：推理競爭轉向 Token 成本

如果說訓練工廠決定模型能力的上限，那么詞元生產工廠決定了 AI 能否實現規模化商業應用。

進入智能體時代后，推理成本的重要性正在迅速超過訓練成本。模型能力越強、調用鏈越長，企業需要承擔的 Token 成本就越高。對于大規模應用而言，即使單次調用成本只下降幾個百分點，累積到每天數十億、數百億甚至萬億 Token 后，也會形成巨大的成本差異。

因此，詞元生產工廠的核心目標不是簡單提供算力，而是將不同模型快速部署，并在延遲、吞吐量和成本之間取得平衡。

摩爾線程的推理軟件棧原生適配 SGLang 和 vLLM，同時支持 PyTorch、MT-Transformer 和 TensorX 等推理方式。針對傳統視覺和行業模型，平臺還兼容 ONNX、TensorFlow 和 PaddlePaddle，以同時覆蓋 AI 1.0 時期的視覺識別負載與當前的大模型、多模態推理負載。

在大模型領域，其平臺已經深度支持 DeepSeek、MiniMax、GLM、Kimi 和 Qwen 等國內主流模型，并實現了 “發布即適配”。這種適配速度對國產芯片尤為重要。當前模型結構和推理框架變化很快，如果一款芯片需要數月才能支持新模型，即使硬件性能足夠，也可能錯過商業部署窗口。

為了降低推理成本，摩爾線程對 KV Cache、常用算子、融合算子和超大算子進行優化，并提升整體吞吐量。公司稱，MTT S5000 在部分大模型推理場景中能夠達到與國際主流 GPU 接近的性能水平；隨著 Batch Size 增加，吞吐量還可以保持較明顯的增長。

不過，摩爾線程在詞元生產工廠中提出的更重要方案，并不是用國產 GPU 完全替代企業現有設備，而是通過異構推理重新利用存量算力。

許多企業此前已經采購了不同品牌、不同代際和不同規格的 GPU。隨著模型負載變化，部分設備可能不再適合獨立承擔完整推理任務，但仍然具備計算或帶寬優勢。與其整體替換，摩爾線程希望通過 PD 分離方式，把不同階段交給更合適的芯片。

大模型推理通常可以分為 Prefill 和 Decode 兩個階段。Prefill 主要處理用戶輸入和上下文，計算密集度較高；Decode 則逐 Token 生成結果，對顯存帶寬和低延遲要求更高。摩爾線程提出，將 Prefill 計算池部署在 MTT S5000 上，將 Decode 生成池部署在企業已有的國際主流 GPU 上，通過異構調度形成統一推理流水線。實際測試顯示，通過 PD 異構分離，可實現“3 臺 MTT S5000 + 2 臺國際主流 GPU = 9 臺國際主流 GPU”的等效性能，為企業用戶探索出一條極具成本優勢的國產化大模型混合部署路徑。

這有很大的現實意義。

趨境科技創始人、首席執行官艾智遠表示，公司目前已經具備日均萬億級高品質 Token 供應能力，并通過將摩爾線程 GPU 與國際主流 GPU 結合，在 PD 分離異構推理中實現成本與性能互補。MiniMax 副總裁薛子釗也提到，多芯片適配將成為提高訓練和推理效率的重要方式。

除語言模型推理外，摩爾線程還將圖形計算能力納入詞元生產工廠。與主要面向矩陣計算的 AI 加速器不同，全功能 GPU 同時具備 AI 計算、圖形渲染和視頻處理能力，這使其可以承擔 3D 高斯潑濺（3DGS）、4DGS 和數字孿生等新型負載。

摩爾線程自研了輕量化 3D 重建技術 3D LiteGS，以及 3D 語義理解技術 UniSem。公司還支持 VGGT 等開源模型，與極佳視界合作的結果顯示，在部分 3D 場景生成和渲染任務中，MTT S5000 的性能與畫質已經接近國際主流 GPU。

這也意味著，未來的詞元生產工廠可能不只生產文本 Token，還會生產圖像、視頻、三維空間和數字世界。隨著世界模型和空間智能發展，圖形渲染能力可能重新成為 AI 計算平臺的重要差異化因素。

第三座工廠：從生產模型走向生產智能體

如果說模型訓練工廠生產的是模型，詞元生產工廠生產的是推理結果，那智能體工廠要解決的問題，是如何把模型變成能夠穩定完成任務的數字員工或物理機器人。

摩爾線程將智能體分為兩類：一類生活在軟件和互聯網環境中，負責寫代碼、搜索信息、操作應用和完成內容生產；另一類進入現實世界，控制機器人和自動化設備。

針對數字智能體，摩爾線程自研了全域智能體“小麥”。公司披露，“小麥”目前掌握 60 余項技能，可以控制 38 款應用，并能夠結合多種前端模型和知識庫執行跨應用任務。與普通聊天機器人不同，這類智能體的重點并不只是回答問題，而是能否理解用戶意圖、保持長期記憶、選擇正確工具，并完成從任務接收到結果交付的完整閉環。

在物理智能體領域，核心挑戰則從語言理解轉向安全、控制和真實世界泛化。機器人在進入工廠、家庭和公共空間前，不可能依靠大量真實試錯完成訓練。如何在數字環境中模擬重力、碰撞、材質、光照和傳感器數據，再將訓練結果遷移到真實設備，成為具身智能產業化的關鍵。

為此，摩爾線程推出全棧具身智能仿真平臺 MT Lambda。該平臺集成 MuJoCo、Newton 等開源物理仿真引擎，并提供 MuJoCo-MUSA 和 Newton-MUSA 加速版本，同時加入自研物理引擎 AlphaCore。圖形側則結合 3DGS、AI 生成式渲染（AI Generative Rendering，AGR）和光線追蹤技術，構建高度擬真的數字孿生環境。

摩爾線程強調，MTT S5000 不僅能夠訓練和推理，還具備硬件光線追蹤及圖形渲染能力。在 MT Lambda 中，開發者可以先讓機器人在虛擬環境中學習動作，再將策略遷移到真實機器人，實現從仿真到現實（Sim-to-Real）。公司現場展示的機器狗案例中，虛擬環境中的跳躍動作與真實機器狗執行結果保持較高一致性。

具身智能訓練還需要規模化。單個機器人在單一環境中進行訓練，數據生成速度和場景豐富度都十分有限。MT Lambda 因此支持從單顆 GPU 擴展到數百卡乃至上千卡集群，使大量機器人實例可以同時在不同虛擬環境中訓練。

這一思路與當前世界模型和機器人基礎模型的發展方向一致：未來的機器人能力，不只是由某個控制算法決定，而是由仿真環境、數據生成、強化學習、視覺模型和硬件平臺共同生產。所謂智能體工廠，本質上就是將這些環節組織成一條可以反復運行、持續改進的流水線。

值得注意的是，支撐”三大工廠“體系的另一條主線是 MUSA 生態。

全球 AI 軟件和算子長期圍繞 CUDA 建立，即使國產芯片在部分性能上接近國際產品，如果開發者需要大規模重寫代碼，其遷移成本仍然可能阻礙商業部署。

摩爾線程圍繞 MUSA 提供 Musify 和 AutoMusify 等自動遷移工具，并進一步推出 MusaCoder 代碼大模型和 MUSACODE 編程智能體，希望使用 AI 降低生態遷移成本。MusaCoder 主要用于生成代碼和 MUSA Kernel 算子，MUSACODE 則可以自動分析代碼、執行遷移并處理部分適配工作。

也可以看出，AI 本身開始成為國產計算生態的遷移工具：芯片廠商可以使用自有算力訓練熟悉自身架構的代碼模型，再由智能體協助完成算子轉換、性能調優和錯誤修復。

另外，摩爾線程還推出了 AI 算力本 MTT AIBOOK、家庭 AI 中樞 MTT AICUBE，并以 MUSA 軟件生態將底層 GPU、智算集群、模型框架、智能體平臺和終端連接起來，最終形成邊緣與智能終端的完整硬件矩陣，以軟硬協同推動全場景智算落地。

不同行業提出的真實反饋

三大 AI 工廠能否成立，最終不能只依賴芯片廠商自身的產品描述，還需要模型公司、云平臺、Token 服務商、世界模型企業和集群運營方在真實業務中驗證。摩爾線程的這一戰略主張就是基于不同產業伙伴，從企業應用、物理智能、模型研發和集群運維等環節的實踐經驗抽象而來。

京東集團技術委員會主席、京東云總裁曹鵬表示，京東云需要的并不是孤立算力，而是一套能夠貫穿算力、模型和智能體應用的全棧系統。為此，京東云正在圍繞摩爾線程 MTT S5000 開展訓練、推理引擎和具身智能適配，并通過異構調度統一管理不同算力資源。

曹鵬進一步透露，在京東的模型工廠中，結合摩爾線程 MTT S5000，在模型的訓練、適配、調優上取得了非常好的進展。最新發布的一系列 JoyAI 大模型，相當一部分訓練的算力依托于摩爾線程提供的國產化算力。他表示，京東下一步的具身工廠建設中，摩爾線程的渲染等計算優勢也將幫助京東在數據生成與具身仿真上取得突破。

在模型訓練方面，極佳視界與 EvoPhys.ai 的實踐進一步證明，物理 AI 正在帶來與語言模型不同的新型算力需求。MiniMax 也從前沿模型研發角度提出，算力需求還將被模型自我改進進一步放大。在 M3 的后訓練過程中，MiniMax 嘗試讓 AI 自主構建強化學習環境、生成數據、運行評測、分析結果并修改訓練代碼，連續完成近百輪自動迭代。薛子釗判斷，"今年是國產芯片很重要的拐點，越來越多真實的線上場景開始承擔推理和訓練任務"。這意味著，未來模型訓練可能不再是人類預先設定好流程后一次性運行，而是由模型自主提出實驗、修改代碼并持續迭代。訓練任務將從階段性項目轉變為長期運行的自動研發系統，對算力調度、實驗反饋和集群穩定性提出更高要求。

在 Token 生產方面，趨境科技的實踐則將“詞元生產工廠”從概念轉化為明確的商業指標。其關注重點不是擁有多少張卡，而是每天能否穩定供應萬億級高品質 Token，并滿足企業對延遲、吞吐、上下文和穩定性的要求。

艾智遠認為，國產 GPU 進入生產環境的現實路徑，不一定是立即完全替代海外芯片，而是先通過 PD 分離和異構部署承擔 Prefill 等適合的負載。這種模式可以在降低 Token 成本的同時，利用企業已有存量設備。艾智遠還給出實測結論：經過完整上線測試，"4 臺摩爾線程 MTT S5000 的 Prefill 性能超越一臺 B300 整體性能"，摩爾線程 MTT S5000"基本能夠跟國際主流 GPU 實現投資回報率打平"。

無問芯穹的實踐則補充了“三大工廠”中經常被忽略的一環：算力只有穩定運行，才能成為真正產能。

無問芯穹技術副總裁吳保東表示，在大規模 GPU 集群中，硬件、網絡、存儲和訓練任務會產生大量復雜故障，若依賴人工，處理一次故障平均約需 1 小時。通過與摩爾線程合作構建的運維智能體系統，其團隊將復雜運維問題的處理時延從約 1 小時縮短到 20 分鐘以內，困難問題的正確率也從不足 45% 提升至 90%，接近人類專家水平。

可以看出，各行業對底層 AI 基礎設施的需求重點并不相同，如何更好滿足這些需求是現實且急需解決的問題。

結束語

Token 經濟的到來，正在從根本上改變底層算力的組織方式。

未來企業不會只問自己擁有多少張 GPU，而會問這些 GPU 每天能夠產生多少高品質 Token、完成多少模型訓練、支撐多少智能體任務、維持多高在線率，以及最終能夠創造多少業務價值。摩爾線程從模型訓練工廠、詞元生產工廠到智能體生產工廠這三個維度，來回答當下 token 經濟時代提出的新問題。

實際上，這也是國產 GPU 下一階段需要真正面對的考驗：不僅要證明芯片能夠運行模型，更要證明芯片、軟件、網絡和應用組成的整套系統，能夠持續、穩定、低成本地生產智能。