機(jī)器狗翻了個(gè)身，國(guó)產(chǎn)GPU往前走了堅(jiān)實(shí)一步｜甲子光年

具身智能讓GPU重新回到它最完整的形態(tài)：既要算AI，也要算圖形，還要算物理。

作者｜王博

5月18日晚，一臺(tái)名為“小飛”的機(jī)器狗走上了摩爾線程年度產(chǎn)品發(fā)布會(huì)的舞臺(tái)，表演了一個(gè)側(cè)空翻。

機(jī)器狗表演側(cè)空翻，今天已經(jīng)不算一件稀奇事。但這一次，“小飛”的側(cè)空翻有一個(gè)特殊之處：這是業(yè)內(nèi)首次在基于國(guó)產(chǎn)硬件的仿真平臺(tái)中實(shí)現(xiàn)模型訓(xùn)練，并在國(guó)產(chǎn)端側(cè)芯片上部署，最終實(shí)現(xiàn)Sim-to-Real（仿真到現(xiàn)實(shí)）真機(jī)驗(yàn)證。

換句話說，這不只是一次機(jī)器狗動(dòng)作展示，而是一次國(guó)產(chǎn)具身智能基礎(chǔ)設(shè)施的閉環(huán)驗(yàn)證：從云端訓(xùn)練，到仿真驗(yàn)證，再到端側(cè)部署，一條原本高度依賴海外軟硬件生態(tài)的鏈路，開始在國(guó)產(chǎn)平臺(tái)上跑通。

對(duì)國(guó)內(nèi)具身智能行業(yè)來說，這比一次漂亮的動(dòng)作演示更重要。

表面上看，摩爾線程在這場(chǎng)主題為“詞元時(shí)代，萬物智能”的年度產(chǎn)品發(fā)布會(huì)上，展示的是一套“云-邊-端”全棧智算矩陣：從萬卡級(jí)夸娥（KUAE）智算集群，到自研“長(zhǎng)江”SoC驅(qū)動(dòng)的智能終端MTT AICUBE、MTT AIBOOK，再到首個(gè)全棧具身智能仿真平臺(tái)MT Lambda，以及持續(xù)進(jìn)化的MUSA生態(tài)。

摩爾線程創(chuàng)始人、董事長(zhǎng)兼CEO 張建中

但放到具身智能產(chǎn)業(yè)里看，「甲子光年」看到的是，摩爾線程這樣一家采用全功能GPU路線的國(guó)產(chǎn)芯片公司，正在試圖把AI計(jì)算、圖形渲染、物理仿真和端側(cè)部署連接起來，打造機(jī)器人進(jìn)入真實(shí)世界之前的國(guó)產(chǎn)基礎(chǔ)設(shè)施。

他們想證明的一件事：國(guó)產(chǎn)算力平臺(tái)可以進(jìn)入具身智能的核心訓(xùn)練與部署環(huán)節(jié)。

1.完全形態(tài)的“全功能GPU”，才能勝任具身智能

要理解摩爾線程為什么要講具身智能，先要理解它為什么反復(fù)強(qiáng)調(diào)“全功能GPU”。

全功能GPU（Universal GPU），是指基于統(tǒng)一系統(tǒng)架構(gòu)，同時(shí)具備功能完備性與精度完整性的GPU。它并不只是AI加速器，而是同時(shí)覆蓋AI計(jì)算、通用計(jì)算和圖形渲染等能力的通用算力平臺(tái)。全功能GPU在工作效率、生態(tài)完整多樣性以及兼容性等方面更具有優(yōu)勢(shì)，能夠更好地適應(yīng)未來新興及前沿計(jì)算加速應(yīng)用場(chǎng)景的需求。

它和TPU、NPU的本質(zhì)區(qū)別是通用性與專用性。打個(gè)比方，TPU、NPU更像“專才”，通常圍繞AI計(jì)算、深度學(xué)習(xí)推理或特定模型任務(wù)做定制優(yōu)化，在目標(biāo)場(chǎng)景下可以獲得更高能效和性價(jià)比，但能力邊界相對(duì)明確；全功能GPU更像“通才”，優(yōu)勢(shì)在于能在同一架構(gòu)內(nèi)同時(shí)承載AI、圖形、物理和視頻等多類計(jì)算任務(wù)。

在AI大模型時(shí)代，GPU最容易被理解為訓(xùn)練和推理芯片，評(píng)價(jià)標(biāo)準(zhǔn)也集中在矩陣計(jì)算、訓(xùn)練吞吐、推理效率、顯存容量和互聯(lián)能力上。但具身智能處理的不僅是單純的文本和圖像，而是一個(gè)多模態(tài)的物理世界，這就對(duì)芯片提出了更高的要求。

一個(gè)機(jī)器人要學(xué)會(huì)行動(dòng)，至少需要三類核心能力。

第一，是AI計(jì)算能力。具身智能需要訓(xùn)練VLA模型、世界模型、強(qiáng)化學(xué)習(xí)策略、模仿學(xué)習(xí)模型，以及面向復(fù)雜任務(wù)的具身大模型。

第二，是圖形渲染能力。機(jī)器人需要在足夠真實(shí)的虛擬環(huán)境中訓(xùn)練和評(píng)測(cè)，仿真環(huán)境的光照、材質(zhì)、遮擋、紋理和幾何細(xì)節(jié)，會(huì)直接影響感知模型的效果。

第三，是物理仿真能力。機(jī)器人不只“看”世界，還要和世界發(fā)生接觸。抓取、跳躍、行走、碰撞、摩擦、柔性物體變形，這些都需要大量物理計(jì)算支撐。

這也是全功能GPU路線在具身智能時(shí)代獲得新解釋的地方。

摩爾線程是國(guó)內(nèi)為數(shù)不多堅(jiān)持全功能GPU路線的公司。摩爾線程基于自研MUSA架構(gòu)的全功能GPU，可以在單顆芯片上同時(shí)支持AI計(jì)算、圖形渲染、物理仿真、科學(xué)計(jì)算和超高清視頻編解碼，為具身智能提供“渲染+仿真+AI訓(xùn)推”一體化的通用算力底座。

這可以解決具身智能研發(fā)中的一個(gè)問題——“割裂感”。

對(duì)比傳統(tǒng)架構(gòu)來看，物理仿真可能運(yùn)行在專門的物理引擎上，圖形渲染依賴圖形顯卡，AI訓(xùn)練依賴AI加速芯片。開發(fā)者需要在不同平臺(tái)之間反復(fù)遷移數(shù)據(jù)、轉(zhuǎn)換格式、適配框架。這種割裂不僅拖慢研發(fā)效率，也會(huì)進(jìn)一步拉大仿真和現(xiàn)實(shí)之間的差距。

而具身智能恰恰需要高同步性。

一只機(jī)器狗在虛擬環(huán)境里學(xué)習(xí)側(cè)空翻，背后同時(shí)發(fā)生的是物理計(jì)算、圖形渲染和AI訓(xùn)練。物理引擎要模擬它的重心、關(guān)節(jié)、落地沖擊和姿態(tài)調(diào)整；渲染引擎要生成足夠真實(shí)的視覺環(huán)境；AI訓(xùn)練引擎要在一次次試錯(cuò)中優(yōu)化策略。

機(jī)器狗“小飛”現(xiàn)場(chǎng)演示

如果這些環(huán)節(jié)還在割裂的系統(tǒng)中，數(shù)據(jù)流動(dòng)和系統(tǒng)調(diào)度都會(huì)成為瓶頸。

全功能GPU路線試圖解決的正是這個(gè)問題：在同一套架構(gòu)內(nèi)，統(tǒng)一支撐AI計(jì)算、圖形渲染和物理仿真，讓具身智能的訓(xùn)練、仿真和部署更接近一個(gè)連續(xù)工作流。

這也是摩爾線程切入具身智能的合理性。它并不是從機(jī)器人本體切入，也不是要成為一家機(jī)器人公司，它進(jìn)入的是機(jī)器人背后的基礎(chǔ)設(shè)施層：算力、仿真、訓(xùn)練、數(shù)據(jù)生成和端側(cè)部署。

具身智能讓GPU重新回到它最完整的形態(tài)：既要算AI，也要算圖形，還要算物理。

2.MT Lambda解決了哪些問題

MT Lambda是摩爾線程具身智能敘事里的關(guān)鍵產(chǎn)品。

這次發(fā)布會(huì)，摩爾線程將MT Lambda定義為全棧具身智能仿真平臺(tái)，旨在賦能用戶構(gòu)建數(shù)據(jù)合成、策略訓(xùn)練、仿真驗(yàn)證的高效工作流，MT Lambda也成為了首個(gè)全棧國(guó)產(chǎn)化具身智能仿真平臺(tái)。

MT Lambda構(gòu)建了從底層算力、核心引擎到上層框架及工具的完整解決方案：其底層基于摩爾線程全功能GPU，實(shí)現(xiàn)渲染、物理、AI計(jì)算在同一芯片中完成，數(shù)據(jù)“零拷貝”；中間層深度融合自研物理、渲染、AI三大引擎；上層則提供MT Lambda-Lab具身策略開發(fā)與訓(xùn)練平臺(tái)以及MT Lambda-Sim高保真物理仿真與渲染平臺(tái)。

首個(gè)全棧國(guó)產(chǎn)化具身智能仿真平臺(tái)MT Lambda

對(duì)比英偉達(dá)體系，MT Lambda最接近NVIDIA Isaac Sim與Isaac Lab的組合：前者負(fù)責(zé)機(jī)器人仿真、測(cè)試和合成數(shù)據(jù)生成，后者服務(wù)強(qiáng)化學(xué)習(xí)、模仿學(xué)習(xí)和策略訓(xùn)練。

但從摩爾線程這次披露的能力看，MT Lambda并不只停留在具身智能仿真和策略訓(xùn)練層面，它還把圖形渲染、3DGS、生成式渲染和世界模型能力納入同一套工作流，因此又帶有Omniverse和Cosmos的部分影子。

換句話說，MT Lambda不能被簡(jiǎn)單理解為一個(gè)仿真平臺(tái)，這是摩爾線程試圖基于國(guó)產(chǎn)全功能GPU和MUSA生態(tài)，搭建的一套物理AI軟件棧。

它要解決的核心問題，可以拆成三個(gè)層次：世界如何運(yùn)動(dòng)，世界如何被看見，機(jī)器人如何學(xué)會(huì)行動(dòng)。

第一是物理引擎。

物理引擎決定虛擬世界是否可信。對(duì)于機(jī)器人來說，虛擬環(huán)境不能只是視覺上像現(xiàn)實(shí)，更要在物理規(guī)律上接近現(xiàn)實(shí)。如果虛擬世界里的接觸、碰撞、摩擦、重力、關(guān)節(jié)反饋不可信，機(jī)器人在里面學(xué)到的策略，到了真實(shí)世界就很容易失效。

MT Lambda在物理引擎層面，集成MuJoCo Warp MUSA、Newton MUSA等開源后端，以及摩爾線程自研AlphaCore物理引擎，基于MUSA架構(gòu)實(shí)現(xiàn)并行求解，支持高精度、可微分的物理計(jì)算。在典型仿真負(fù)載下，整體仿真吞吐效率可達(dá)約30倍的提升。

其中MuJoCo Warp MUSA為廣泛用于機(jī)器人訓(xùn)練的MuJoCo物理引擎增加對(duì)MUSA架構(gòu)的原生支持。在四足機(jī)器狗訓(xùn)練任務(wù)中，相較CPU方案可實(shí)現(xiàn)最高40倍訓(xùn)練加速；在宇樹G1人形機(jī)器人動(dòng)作跟蹤任務(wù)中，MTT S5000單卡約4.8天完成模仿學(xué)習(xí)收斂。分布式擴(kuò)展方面，8卡訓(xùn)練收斂加速達(dá)8倍以上，32卡最快約3.6小時(shí)完成訓(xùn)練。

這意味著，國(guó)產(chǎn)全功能GPU開始進(jìn)入機(jī)器人強(qiáng)化學(xué)習(xí)、模仿學(xué)習(xí)和物理仿真訓(xùn)練的底層環(huán)節(jié)。

MT Lambda Lab 具身智能高效開發(fā)與訓(xùn)練

第二是渲染引擎。

機(jī)器人需要依賴視覺、深度、語(yǔ)義等信息理解環(huán)境。如果仿真環(huán)境的視覺真實(shí)度不夠，模型在虛擬世界中學(xué)到的感知能力，遷移到真實(shí)世界時(shí)就可能出現(xiàn)偏差。

MT Lambda搭載MT Photon光子引擎，融合光線追蹤與混合渲染能力，同時(shí)引入3DGS（三維高斯濺射）和自研MTAGR（AI生成式渲染），以提升仿真畫面的真實(shí)感、渲染幀率和實(shí)時(shí)渲染能力。

這一層能力對(duì)于具身智能尤其重要。

過去，機(jī)器人仿真更像是在虛擬世界里“搭積木”；未來，具身智能仿真要越來越接近“生成世界”。通過3DGS、光線追蹤和生成式渲染，開發(fā)者可以更快構(gòu)建高真實(shí)感環(huán)境，生成海量合成數(shù)據(jù)，用于訓(xùn)練、評(píng)測(cè)和驗(yàn)證。

合成數(shù)據(jù)正在從真實(shí)數(shù)據(jù)的補(bǔ)充，變成具身智能訓(xùn)練基礎(chǔ)設(shè)施的一部分。

第三是AI計(jì)算與訓(xùn)練引擎。

MT Lambda集成深度適配PyTorch的Torch MUSA框架，支持VLA模型開發(fā)部署，并融合強(qiáng)化學(xué)習(xí)與模仿學(xué)習(xí)訓(xùn)練范式，為人形機(jī)器人、具身智能體的感知決策、自主學(xué)習(xí)和行為迭代提供AI訓(xùn)練與推理底層支撐。

這里的技術(shù)鏈路可以理解為：VLA模型負(fù)責(zé)把視覺、語(yǔ)言和動(dòng)作連接起來；模仿學(xué)習(xí)讓機(jī)器人學(xué)習(xí)人類或?qū)＜臆壽E；強(qiáng)化學(xué)習(xí)讓機(jī)器人在仿真環(huán)境中通過反復(fù)試錯(cuò)優(yōu)化策略；世界模型則幫助智能體形成對(duì)環(huán)境變化的預(yù)測(cè)能力。

“小飛”的側(cè)空翻，正是這一套鏈路的一個(gè)現(xiàn)場(chǎng)化展示，可以說這是“仿真—訓(xùn)練—部署”的可視化結(jié)果。

3.國(guó)產(chǎn)GPU平臺(tái)進(jìn)入具身智能核心

MT Lambda并不是單獨(dú)存在，它被放在摩爾線程“云—邊—端”全棧智算矩陣中。

在云側(cè)，夸娥智算集群負(fù)責(zé)大規(guī)模訓(xùn)練、強(qiáng)化學(xué)習(xí)訓(xùn)練、大規(guī)模并行仿真和模型迭代。夸娥萬卡級(jí)智算集群已落地，在Dense大模型訓(xùn)練中的模型算力利用率（MFU）達(dá)60%，在MoE大模型上達(dá)40%，有效訓(xùn)練時(shí)長(zhǎng)達(dá)90%，訓(xùn)練線性擴(kuò)展效率達(dá)95%。

在中間層，MT Lambda負(fù)責(zé)數(shù)據(jù)合成、仿真、策略訓(xùn)練，把虛擬訓(xùn)練和真實(shí)部署連接起來。

在端側(cè)，基于“長(zhǎng)江”SoC的MTT E300 AI模組負(fù)責(zé)低延遲、高可靠的本地推理與實(shí)時(shí)響應(yīng)。E300可提供50TOPS本地算力，可直接部署于機(jī)器人終端，實(shí)現(xiàn)感知、決策、執(zhí)行的本地化閉環(huán)。

這三者合在一起，才構(gòu)成摩爾線程在具身智能中的真正位置：它不在臺(tái)前制造一臺(tái)機(jī)器人，而是在后臺(tái)搭建機(jī)器人所需的國(guó)產(chǎn)算力與仿真底座。

摩爾線程賦能具身智能

如果說英偉達(dá)已經(jīng)把物理AI變成一套從數(shù)據(jù)中心到機(jī)器人端側(cè)的系統(tǒng)敘事，那么摩爾線程正在嘗試以國(guó)產(chǎn)全功能GPU為底座，補(bǔ)上中國(guó)具身智能產(chǎn)業(yè)所需的算力、仿真和部署閉環(huán)。

這也是這場(chǎng)發(fā)布會(huì)的真正信號(hào)。

過去，國(guó)產(chǎn)GPU的競(jìng)爭(zhēng)更多圍繞AI訓(xùn)推展開。但具身智能把競(jìng)爭(zhēng)維度重新拉寬了，誰(shuí)能同時(shí)支撐大模型訓(xùn)練、物理仿真、圖形渲染和端側(cè)部署等，誰(shuí)才有可能成為物理AI時(shí)代的底座公司。

同時(shí)，摩爾線程積極拓展具身生態(tài)“朋友圈”，通過與光輪智能在合成數(shù)據(jù)等關(guān)鍵領(lǐng)域共筑國(guó)產(chǎn)具身智能仿真底座，以及與光線云聯(lián)合打造RaysTwins具身仿真平臺(tái)等深度合作，共同推動(dòng)技術(shù)成果加速轉(zhuǎn)化落地。

“小飛”的側(cè)空翻只是一個(gè)開始。

當(dāng)AI從數(shù)字世界走向物理世界，算力要處理的不再只是文字和圖片，還包括空間、碰撞、摩擦、重力和行動(dòng)。對(duì)國(guó)產(chǎn)GPU來說，真正的挑戰(zhàn)或許并非某一款芯片，而是要看其能否支撐一個(gè)新的產(chǎn)業(yè)范式：從云端訓(xùn)練、物理仿真到端側(cè)執(zhí)行等，都在自己的軟硬件體系里完成。

具身智能的新一階段競(jìng)爭(zhēng)，正在機(jī)器人背后發(fā)生。

（封面圖及文中配圖來源：摩爾線程）