国产GPU分水岭时刻：当别家还在卷参数，摩尔线程早已训练出了世界模型

“2026 年初，OpenClaw 刚火时，日活 Token 数大概是 140 万亿。未来算力越多越好，因为 Scaling Law 依然成立。”摩尔线程创始人、董事长兼 CEO 张建中在 2026 世界人工智能大会上分享道。

现实是当前算力依然不够。比如 Kimi K3 的发布引发了大量关注，但同时也带来了算力挑战。就在昨天，月之暗面发布公告称，暂停 C 端新用户订阅，将已有算力全部投入于服务已订阅用户。

算力紧缺，Token 消耗量千倍暴涨，但不同 Token 之间其实存在明显的质量差异。

比如，与消费级 Token 不同，企业生产环境中的高品质 Token 需要支持万亿参数级模型、百万 Token 上下文、极低的首字延迟、较高的生成速度以及 99.99% 的服务稳定性。企业真正愿意付费购买的是那些能够稳定进入生产环境的 Token。

因此，当企业真正开始按照每天生产多少 Token、每百万 Token 成本以及每项业务消耗多少 Token 来衡量 AI 投入时，传统以 GPU 数量、峰值算力为核心的评价体系已经不够用了。

中国工程院院士、清华大学教授郑纬民就提出，算力基础设施的关键，在于将每一份算力转化为高质量 Token。国家信息中心大数据发展部副主任魏颖也表示，算力基础设施是 Token 生产的物理底座，作为算力核心的 GPU 直接决定生产效率与成本。

这些都促使 AI 基础设施从“算力中心”向“生产系统”转型：企业购买的不再只是若干张计算卡，而是一套能够持续生产模型、Token 和智能体，并最终转化为业务价值的工业化体系。

以全功能 GPU 为核心的摩尔线程，率先将 AI 基础设施划分为三座“工厂”：模型训练工厂、词元生产工厂和智能体生产工厂。

三者分别对应模型研发、规模化推理以及数字智能体和物理智能体部署，看似服务于不同环节，背后却指向同一套逻辑：算力的价值不再由硬件参数单独决定，而是取决于芯片、软件、网络、模型和行业应用等能否形成完整生产闭环。

摩尔线程创始人、董事长兼首席执行官张建中

从“有多少卡”转向“生产多少智能”

第一座工厂：国产 GPU 开始完成超大模型训练

模型训练工厂对基础设施要求最高，也是国产 GPU 最难进入的环节。

随着集群规模扩大，任何单点故障、通信延迟、算子兼容问题或精度偏差，都可能导致训练中断，甚至使数周计算投入失效。对于成本动辄达到数亿元的大模型项目而言，训练平台是否稳定、是否能够线性扩展，以及训练结果能否收敛，远比单颗芯片的理论峰值性能更重要。

在摩尔线程看来，模型训练工厂首先必须具备“全功能”能力。因为基础设施建设周期通常长于模型迭代周期，企业无法预先判断下一代模型究竟是大语言模型、多模态模型、视频生成模型、世界模型，还是科学计算和具身智能模型。如果平台只能支持少数模型结构，企业很可能在模型路线改变后重新建设算力系统。

因此，摩尔线程推出以夸娥（KUAE）智算集群和 MUSA 软件栈覆盖更广泛的模型训练任务。其底层训练软件首先兼容 PyTorch，并通过 Torch-MUSA 承接现有算子生态；针对近年来在大模型训练中广泛使用的 Triton 和 TileLang，公司分别提供 Triton-MUSA 及相应适配能力。在更上层，平台支持 Megatron-LM、DeepSpeed 和 FSDP 等主流分布式训练框架，也可以适配客户自研框架。

软件兼容只是模型训练工厂的第一层。真正开始大规模训练前，企业还需要估算集群规模、训练周期、资源利用率及整体成本。摩尔线程为此开发了 MT-HTA 仿真系统，并提供 SimuMax 和 SimuInfer 工具，用于在正式训练或推理前模拟任务执行情况。其目标是让客户提前判断需要多少芯片、训练大约需要多长时间，以及不同并行策略可能带来的性能变化，降低高成本任务的试错风险。

在预训练之后，强化学习正在成为提升模型推理、代码和复杂任务能力的重要环节。摩尔线程在 MUSA 平台上适配了 VeRL 和 Slime，并分别推出开源的 MT-VeRL 和 MT-Slime 模型训练套件，其中 MT-VeRL 支持训推一体方案，MT-Slime 支持训推分离异构推理方案。

围绕混合专家模型（MoE），摩尔线程还对专家并行通信、算子融合和 FP8 训练进行了专项优化。公司披露，其平台能够结合 DeepEP 等通信技术，在 MTT S5000 上原生支持 Per-Block FP8 计算，以提高 MoE 模型的训练效率。

除了芯片本身，超大模型训练的另一个瓶颈是网络。

随着集群从千卡扩展到万卡乃至更大规模，通信效率会直接决定集群是否能够维持线性扩展。摩尔线程推出的 MTT C256 超节点采用一层 Scale-up 网络，在标准单宽机柜中实现 128 卡全互联，并可通过并柜扩展至 256 卡高速互联，卡间通信延迟压缩至亚微秒级。其设计目标是减少传统多层网络中的带宽损耗和通信延迟，同时提高单位机柜的算力密度。

根据摩尔线程公布的数据，夸娥智算集群在扩大训练规模时，线性扩展效率最高可达 95%；训练精度与国际主流计算卡基本一致，损失曲线保持高度接近；集群支持断点续训，有效训练时长占比超过 90%。

在超大模型实战中，摩尔线程与某国家级实验室合作，在国产万卡集群上从零训练了一个 MoE-236B 基础模型，并在后续引入强化学习，模型质量已经达到业界领先水平。

另外，摩尔线程也在证明，国产 GPU 已经在完成从预训练到强化学习的全流程闭环。

北京大学 EvoPhys 团队在摩尔线程”灯塔计划”支持下推出的 5D 世界模型 EvoPhys-World，其原生训练全程都在摩尔线程 MTT S5000 全功能 GPU 上完成，并由 MUSA 软件栈提供全栈支撑。该模型在斯坦福大学 WorldScore 公开评测榜单中，拿下了“世界生成”赛道第一名。这也证明摩尔线程智算集群的高效训练能力，已不仅覆盖大语言模型，在具身智能与世界模型上同样取得突破。

除 EvoPhys 外，摩尔线程还使用 MTT S5000 千卡级集群训练 Wan 类视频生成模型，并与北京智源研究院完成 RoboBrain 2.5 具身大脑模型训练；极佳视界也基于 MTT S5000，开展具身世界模型和世界动作模型训练。

第二座工厂：推理竞争转向 Token 成本

如果说训练工厂决定模型能力的上限，那么词元生产工厂决定了 AI 能否实现规模化商业应用。

进入智能体时代后，推理成本的重要性正在迅速超过训练成本。模型能力越强、调用链越长，企业需要承担的 Token 成本就越高。对于大规模应用而言，即使单次调用成本只下降几个百分点，累积到每天数十亿、数百亿甚至万亿 Token 后，也会形成巨大的成本差异。

因此，词元生产工厂的核心目标不是简单提供算力，而是将不同模型快速部署，并在延迟、吞吐量和成本之间取得平衡。

摩尔线程的推理软件栈原生适配 SGLang 和 vLLM，同时支持 PyTorch、MT-Transformer 和 TensorX 等推理方式。针对传统视觉和行业模型，平台还兼容 ONNX、TensorFlow 和 PaddlePaddle，以同时覆盖 AI 1.0 时期的视觉识别负载与当前的大模型、多模态推理负载。

在大模型领域，其平台已经深度支持 DeepSeek、MiniMax、GLM、Kimi 和 Qwen 等国内主流模型，并实现了 “发布即适配”。这种适配速度对国产芯片尤为重要。当前模型结构和推理框架变化很快，如果一款芯片需要数月才能支持新模型，即使硬件性能足够，也可能错过商业部署窗口。

为了降低推理成本，摩尔线程对 KV Cache、常用算子、融合算子和超大算子进行优化，并提升整体吞吐量。公司称，MTT S5000 在部分大模型推理场景中能够达到与国际主流 GPU 接近的性能水平；随着 Batch Size 增加，吞吐量还可以保持较明显的增长。

不过，摩尔线程在词元生产工厂中提出的更重要方案，并不是用国产 GPU 完全替代企业现有设备，而是通过异构推理重新利用存量算力。

许多企业此前已经采购了不同品牌、不同代际和不同规格的 GPU。随着模型负载变化，部分设备可能不再适合独立承担完整推理任务，但仍然具备计算或带宽优势。与其整体替换，摩尔线程希望通过 PD 分离方式，把不同阶段交给更合适的芯片。

大模型推理通常可以分为 Prefill 和 Decode 两个阶段。Prefill 主要处理用户输入和上下文，计算密集度较高；Decode 则逐 Token 生成结果，对显存带宽和低延迟要求更高。摩尔线程提出，将 Prefill 计算池部署在 MTT S5000 上，将 Decode 生成池部署在企业已有的国际主流 GPU 上，通过异构调度形成统一推理流水线。实际测试显示，通过 PD 异构分离，可实现“3 台 MTT S5000 + 2 台国际主流 GPU = 9 台国际主流 GPU”的等效性能，为企业用户探索出一条极具成本优势的国产化大模型混合部署路径。

这有很大的现实意义。

趋境科技创始人、首席执行官艾智远表示，公司目前已经具备日均万亿级高品质 Token 供应能力，并通过将摩尔线程 GPU 与国际主流 GPU 结合，在 PD 分离异构推理中实现成本与性能互补。MiniMax 副总裁薛子钊也提到，多芯片适配将成为提高训练和推理效率的重要方式。

除语言模型推理外，摩尔线程还将图形计算能力纳入词元生产工厂。与主要面向矩阵计算的 AI 加速器不同，全功能 GPU 同时具备 AI 计算、图形渲染和视频处理能力，这使其可以承担 3D 高斯泼溅（3DGS）、4DGS 和数字孪生等新型负载。

摩尔线程自研了轻量化 3D 重建技术 3D LiteGS，以及 3D 语义理解技术 UniSem。公司还支持 VGGT 等开源模型，与极佳视界合作的结果显示，在部分 3D 场景生成和渲染任务中，MTT S5000 的性能与画质已经接近国际主流 GPU。

这也意味着，未来的词元生产工厂可能不只生产文本 Token，还会生产图像、视频、三维空间和数字世界。随着世界模型和空间智能发展，图形渲染能力可能重新成为 AI 计算平台的重要差异化因素。

第三座工厂：从生产模型走向生产智能体

如果说模型训练工厂生产的是模型，词元生产工厂生产的是推理结果，那智能体工厂要解决的问题，是如何把模型变成能够稳定完成任务的数字员工或物理机器人。

摩尔线程将智能体分为两类：一类生活在软件和互联网环境中，负责写代码、搜索信息、操作应用和完成内容生产；另一类进入现实世界，控制机器人和自动化设备。

针对数字智能体，摩尔线程自研了全域智能体“小麦”。公司披露，“小麦”目前掌握 60 余项技能，可以控制 38 款应用，并能够结合多种前端模型和知识库执行跨应用任务。与普通聊天机器人不同，这类智能体的重点并不只是回答问题，而是能否理解用户意图、保持长期记忆、选择正确工具，并完成从任务接收到结果交付的完整闭环。

在物理智能体领域，核心挑战则从语言理解转向安全、控制和真实世界泛化。机器人在进入工厂、家庭和公共空间前，不可能依靠大量真实试错完成训练。如何在数字环境中模拟重力、碰撞、材质、光照和传感器数据，再将训练结果迁移到真实设备，成为具身智能产业化的关键。

为此，摩尔线程推出全栈具身智能仿真平台 MT Lambda。该平台集成 MuJoCo、Newton 等开源物理仿真引擎，并提供 MuJoCo-MUSA 和 Newton-MUSA 加速版本，同时加入自研物理引擎 AlphaCore。图形侧则结合 3DGS、AI 生成式渲染（AI Generative Rendering，AGR）和光线追踪技术，构建高度拟真的数字孪生环境。

摩尔线程强调，MTT S5000 不仅能够训练和推理，还具备硬件光线追踪及图形渲染能力。在 MT Lambda 中，开发者可以先让机器人在虚拟环境中学习动作，再将策略迁移到真实机器人，实现从仿真到现实（Sim-to-Real）。公司现场展示的机器狗案例中，虚拟环境中的跳跃动作与真实机器狗执行结果保持较高一致性。

具身智能训练还需要规模化。单个机器人在单一环境中进行训练，数据生成速度和场景丰富度都十分有限。MT Lambda 因此支持从单颗 GPU 扩展到数百卡乃至上千卡集群，使大量机器人实例可以同时在不同虚拟环境中训练。

这一思路与当前世界模型和机器人基础模型的发展方向一致：未来的机器人能力，不只是由某个控制算法决定，而是由仿真环境、数据生成、强化学习、视觉模型和硬件平台共同生产。所谓智能体工厂，本质上就是将这些环节组织成一条可以反复运行、持续改进的流水线。

值得注意的是，支撑”三大工厂“体系的另一条主线是 MUSA 生态。

全球 AI 软件和算子长期围绕 CUDA 建立，即使国产芯片在部分性能上接近国际产品，如果开发者需要大规模重写代码，其迁移成本仍然可能阻碍商业部署。

摩尔线程围绕 MUSA 提供 Musify 和 AutoMusify 等自动迁移工具，并进一步推出 MusaCoder 代码大模型和 MUSACODE 编程智能体，希望使用 AI 降低生态迁移成本。MusaCoder 主要用于生成代码和 MUSA Kernel 算子，MUSACODE 则可以自动分析代码、执行迁移并处理部分适配工作。

也可以看出，AI 本身开始成为国产计算生态的迁移工具：芯片厂商可以使用自有算力训练熟悉自身架构的代码模型，再由智能体协助完成算子转换、性能调优和错误修复。

另外，摩尔线程还推出了 AI 算力本 MTT AIBOOK、家庭 AI 中枢 MTT AICUBE，并以 MUSA 软件生态将底层 GPU、智算集群、模型框架、智能体平台和终端连接起来，最终形成边缘与智能终端的完整硬件矩阵，以软硬协同推动全场景智算落地。

不同行业提出的真实反馈

三大 AI 工厂能否成立，最终不能只依赖芯片厂商自身的产品描述，还需要模型公司、云平台、Token 服务商、世界模型企业和集群运营方在真实业务中验证。摩尔线程的这一战略主张就是基于不同产业伙伴，从企业应用、物理智能、模型研发和集群运维等环节的实践经验抽象而来。

京东集团技术委员会主席、京东云总裁曹鹏表示，京东云需要的并不是孤立算力，而是一套能够贯穿算力、模型和智能体应用的全栈系统。为此，京东云正在围绕摩尔线程 MTT S5000 开展训练、推理引擎和具身智能适配，并通过异构调度统一管理不同算力资源。

曹鹏进一步透露，在京东的模型工厂中，结合摩尔线程 MTT S5000，在模型的训练、适配、调优上取得了非常好的进展。最新发布的一系列 JoyAI 大模型，相当一部分训练的算力依托于摩尔线程提供的国产化算力。他表示，京东下一步的具身工厂建设中，摩尔线程的渲染等计算优势也将帮助京东在数据生成与具身仿真上取得突破。

在模型训练方面，极佳视界与 EvoPhys.ai 的实践进一步证明，物理 AI 正在带来与语言模型不同的新型算力需求。MiniMax 也从前沿模型研发角度提出，算力需求还将被模型自我改进进一步放大。在 M3 的后训练过程中，MiniMax 尝试让 AI 自主构建强化学习环境、生成数据、运行评测、分析结果并修改训练代码，连续完成近百轮自动迭代。薛子钊判断，“今年是国产芯片很重要的拐点，越来越多真实的线上场景开始承担推理和训练任务”。这意味着，未来模型训练可能不再是人类预先设定好流程后一次性运行，而是由模型自主提出实验、修改代码并持续迭代。训练任务将从阶段性项目转变为长期运行的自动研发系统，对算力调度、实验反馈和集群稳定性提出更高要求。

在 Token 生产方面，趋境科技的实践则将“词元生产工厂”从概念转化为明确的商业指标。其关注重点不是拥有多少张卡，而是每天能否稳定供应万亿级高品质 Token，并满足企业对延迟、吞吐、上下文和稳定性的要求。

艾智远认为，国产 GPU 进入生产环境的现实路径，不一定是立即完全替代海外芯片，而是先通过 PD 分离和异构部署承担 Prefill 等适合的负载。这种模式可以在降低 Token 成本的同时，利用企业已有存量设备。艾智远还给出实测结论：经过完整上线测试，“4 台摩尔线程 MTT S5000 的 Prefill 性能超越一台 B300 整体性能”，摩尔线程 MTT S5000"基本能够跟国际主流 GPU 实现投资回报率打平"。

无问芯穹的实践则补充了“三大工厂”中经常被忽略的一环：算力只有稳定运行，才能成为真正产能。

无问芯穹技术副总裁吴保东表示，在大规模 GPU 集群中，硬件、网络、存储和训练任务会产生大量复杂故障，若依赖人工，处理一次故障平均约需 1 小时。通过与摩尔线程合作构建的运维智能体系统，其团队将复杂运维问题的处理时延从约 1 小时缩短到 20 分钟以内，困难问题的正确率也从不足 45% 提升至 90%，接近人类专家水平。

可以看出，各行业对底层 AI 基础设施的需求重点并不相同，如何更好满足这些需求是现实且急需解决的问题。

结束语

Token 经济的到来，正在从根本上改变底层算力的组织方式。

未来企业不会只问自己拥有多少张 GPU，而会问这些 GPU 每天能够产生多少高品质 Token、完成多少模型训练、支撑多少智能体任务、维持多高在线率，以及最终能够创造多少业务价值。摩尔线程从模型训练工厂、词元生产工厂到智能体生产工厂这三个维度，来回答当下 token 经济时代提出的新问题。

实际上，这也是国产 GPU 下一阶段需要真正面对的考验：不仅要证明芯片能够运行模型，更要证明芯片、软件、网络和应用组成的整套系统，能够持续、稳定、低成本地生产智能。