告別單卡競爭，摩爾線程讓國產算力第一次跑通了訓推用全閉環

7月17日，一年一度的世界人工智能大會（WAIC 2026）在上海拉開帷幕。展覽總面積首次超過 10 萬平方米，1100 余家企業攜 3000 余項前沿展品亮相。

與往年算力芯片散落在各家應用展臺角落不同，今年 WAIC 首次在張江科學會堂專門辟出一萬平米的芯算融合館，百余家企業同臺競技。走進 H2 館，華為、摩爾線程、沐曦、燧原、東方算芯、昆侖芯、天數智芯、清微智能等國產 AI 芯片廠商幾乎全員到齊——這是算力賽道第一次以獨立展館的形式出現在WAIC，頗為壯觀。

超節點集群、新一代芯片創新架構等集中亮相，業界玩家紛紛亮出圍繞算力底座、全棧軟件棧、整機集群搭建的一體化交付體系。顯然，當前國產算力的競爭，已經從單卡比拼全面升級為系統級能力的較量。

7月18日，摩爾線程創始人、董事長兼首席執行官張建中在“詞元時代 萬物智能”主題論壇上，系統闡釋了摩爾線程圍繞國產算力構建的完整戰略版圖：三大AI工廠——模型訓練工廠、詞元生產工廠、智能體生產工廠。在展館內，這三大 AI 工廠也以系統級方案的形式落地為直觀的技術和應用案例展示，直接回應了行業當前最核心的命題：國產算力如何從能用走向好用。京東集團技術委員會主席、京東云總裁曹鵬表示：“AI Infra基礎設施層面相對前幾年有一個非常大的轉變，全國產化體系正在越來越多的被建立起來。包括國產GPU、國產推理引擎、國產模型的一整套全國產化體系，正在越來越多被行業認可和使用，摩爾線程就是一個非常典型的案例，京東也跟摩爾線程有非常深度的合作。”

摩爾線程為什么要做三大AI工廠？

一個重要的原因是：詞元（Token）正在成為 AI 時代的硬通貨。

今天正處于智能體 AI 蓬勃發展的時代，人人都可以用 AI，因為智能體可以代替人發號施令和行動。而詞元，正是驅動這一切運轉的核心燃料。當智能體批量閱讀文檔、調用工具、編寫代碼時，Token 消耗量指數級增長。

與此同時，模型本身也在急劇膨脹。Kimi K3 參數量達 2.8 萬億，位列全球開源第一、綜合第三；上下文窗口從 256K 向 1M 乃至更高邁進。

模型變大、Token消耗暴漲——這對算力基礎設施提出了全新要求。對此，張建中進一步表示：“在這場從感知、生成、代理到物理 AI 的演進中，每一步的發展都離不開一個關鍵的技術加速器——Universal GPU，摩爾線程把它叫做全功能GPU。”

在全功能 GPU 的支撐下，摩爾線程提出建設三大 AI 工廠：模型訓練工廠解決大模型訓得好的問題，詞元生產工廠解決 Token 供給瓶頸，智能體生產工廠則解決AI 應用落地最后一公里的問題。三者環環相扣，構成了從算力到應用的全鏈路閉環。

三大AI工廠的構建邏輯

• 模型訓練工廠：全功能、高性能、高擴展、高精度、高穩定

模型訓練工廠是三大 AI 工廠的源頭。張建中在演講中指出，大模型訓練工廠是一個非常復雜、難度系數很高、要求非常高的工廠——“所有的模型能不能達到前沿模型的水平，完全取決于模型工廠的基礎設施能力”。

全功能 GPU 是前提。你不知道下一個要訓練的模型是什么——大語言、多模態、物理模型、科學研究、世界模型、文生圖/視頻，都需要全功能 GPU 支撐。張建中特別提到，摩爾線程S5000是國內唯一具備Ray-Tracing（光線追蹤）能力的智算芯片——既能做訓練推理，又能做圖形渲染和物理仿真，這是物理 AI 訓練的關鍵能力。

軟件棧方面，摩爾線程提供從底層 MUSA 開始的完整訓練套件。在 MUSA SDK基礎上，兼容PyTorch、Triton、TileLang三大算子生態，支持 Megatron-LM、DeepSpeed、FSDP等訓練框架。此外還有MT-HTA仿真系統（SimuMax/SimuInfer），讓用戶在訓練前就能評估耗時和效果，降低數億級試錯成本。強化學習框架 MT-VeRL 和 MT-Slime 已完整適配，用戶可從 Github直接下載使用。摩爾線程方面表示，其訓練套件在收斂Loss值和模型訓練質量上，均可與全球最先進的訓練平臺相媲美。

并且，摩爾線程夸娥智算集群在關鍵維度均已實現突破：集群規模持續擴大時可保持高達 95% 的線性擴展效率；訓練精度與國際主流計算卡持平，損失曲線高度一致；支持斷點續訓，有效訓練時長占比超 90%。

在實戰層面，摩爾線程也展示了多項標桿級成果：

• MoE-236B模型：與合作伙伴一起，在萬卡級集群上從零起步完成訓練。現場展示的該模型與 GPT-5.6 及國內某頭部模型的盲測對比——236B 模型邏輯反而更加清晰，“如果不看是哪一個模型，我相信大家去盲測之后，236B 的模型反而是最好的”。這證明國產大規模集群上的模型訓練“其實已經做的很好了”。

• 北大EvoPhys-World 5D世界模型：北京大學 EvoPhys 項目組在摩爾線程“燈塔計劃”支持下，在摩爾線程S5000上完成全棧原生訓練，連續37天登頂WorldScore“世界生成”維度榜首。EvoPhys.ai 創始人譚樺杰在論壇上指出，這標志著國產算力在支撐高水平 AI 研究方面取得重要進展。后續雙方還將聯合發布白皮書及 EvoPhys-World 技術報告。

• 智源RoboBrain2.5具身大腦模型：在 S5000 千卡級集群訓練，效果媲美國際同類模型。

• Wan開源ViT模型：用于 Diffusion 和文生視頻訓練，S5000 千卡級集群訓練效果與國際主流產品基本一致。

這些成果不僅驗證了摩爾線程全棧技術路線的可行性，更向行業傳遞出一個明確信號：國產AI算力基礎設施已具備支撐前沿大模型訓練的硬實力。

曹鵬表示：“在我們的模型工廠當中，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是依托于摩爾線程所提供的國產化算力。后續我們還會在這方面投入更多的資源，把模型訓練做得更好。”

與此同時，極佳視界與摩爾線程基于 MTT S5000 聯合共研完成駕駛世界模型、駕駛重建模型、具身世界模型、世界動作模型等物理AI模型訓練，已經完整走通國產芯片訓練國產模型的全部鏈路。

• 詞元生產工廠：全適配、高性能、低延遲、高性價比

如果說模型工廠解決的是 AI 聰不聰明的問題，詞元工廠解決的則是 AI 普不普及的問題。

張建中在演講中解釋了詞元工廠的核心點：如何降低每個 Token 的成本。詞元工廠如何更快適配，如何讓新模型快速在工廠里部署服務，成本能不能降到最低，這是最典型的用戶痛點。

因此，摩爾線程的解法是用一套高性能推理套件，將適配速度和Token成本兩個維度同時壓到極致。

首先是全棧適配。摩爾線程高性能推理套件深度適配 SGLang、vLLM 等主流推理框架，覆蓋大語言模型、視覺、語音、DiT 及視頻生成等多模態推理場景。目前，摩爾線程已實現對 DeepSeek、MiniMax、GLM、Kimi、Qwen 等主流大模型的 “發布即適配” ——新模型發布的當天，就能在摩爾線程的算力平臺上完成部署，無需等待數周甚至數月的適配周期。

MiniMax副總裁薛子釗表示：“在整體訓練和推理當中，我們看到今年是國產芯片很重要的拐點，越來越多真實的線上的場景承擔起推理和訓練的任務。整體滲透率的進展，不管是實際承擔線上任務還是之后的訓練上，我們都覺得今年都是一個非常重要的拐點。”

其次是性價比層面。摩爾線程在本屆WAIC上重磅推出了PD（Prefill-Decode）分離異構推理方案。原理并不復雜：將高算力需求的Prefill計算池部署在 MTT S5000 上，將高帶寬的 Decode 生成池部署在國際主流 GPU 上，異構分離、分池部署。這一方案帶來的效果是顯著的——用異構組合的方式，讓不同芯片各司其職、各展所長，在保護客戶存量設備投資的同時，大幅提升整體推理性價比。

趨境科技創始人、首席執行官艾智遠表示：“我們就測了各種各樣的 GPU，選擇了一款當前階段的最優選擇，也就是摩爾線程的 MTT S5000。我們通過摩爾線程的GPU，再加上國際主流 GPU 做異構分離，現在正在支撐很大量的 Token 的產能。”基于這一方案，趨境科技正在構建日均萬億級的 Token 產能。

值得一提的是，全功能 GPU 在詞元工廠中的差異化能力還體現在 3D/4DGS 加速上。據介紹，摩爾線程自研的 3D LiteGS在SIGGRAPH Asia 2025 獲得獎項，自研的 3D 語義理解技術 UniSem 也已開源。

這些能力讓詞元工廠的服務邊界從純文本推理延伸到了更具想象空間的 3D 空間生成領域。

• 智能體生產工廠：高效連接數字世界與物理世界

張建中在演講中表示，AI 最終落地到每個消費者、跟每一個個體互動時，會遇到兩種智能體。

數字智能體方面，摩爾線程自研的全棧小麥智能體掌握 60 余項技能，支持 38 款APP的跨應用控制，通過前端多模型、豐富知識庫的靈活配置，“能夠做到更快、更準、更懂你”。

物理智能體方面，摩爾線程推出了全棧具身智能仿真平臺 MT Lambda。該平臺集成了開源物理仿真引擎 MuJoCo-MUSA和Newton-MUSA（均為摩爾線程加速版），以及自研物理引擎 AlphaCore，三者共同支撐物理仿真計算。在圖形渲染方面，平臺集成了 3DGS、自研 AI 生成式渲染（AGR）和光線追蹤技術——S5000 是國內唯一具備 Ray-Tracing 能力的智算芯片，可在高度擬真的數字孿生環境中訓練機器人。

京東同樣把具身智能作為雙方下一階段合作的重要方向。曹鵬表示：“具身工廠是京東下一步非常重要的發展方向，在這里面摩爾線程本身的計算優勢，例如渲染優勢，能夠幫助我們在數據生成、具身仿真領域做很多工作，幫助我們在數據的應用上取得非常大的突破。”

為承載小麥智能體的智慧進化，摩爾線程打造了兩款 AI 原生終端——MTT AIBOOK（AI算力本）和 MTT AICUBE（家庭 AI 中樞），構建起“云-邊-端”協同的全場景智算矩陣。

AI工廠離不開超節點

三大工廠的底層支撐，離不開算力基礎設施的升級。在本屆 WAIC 上，摩爾線程展出了MTTC256超節點，用創新架構首創了一層 Scale-up 網絡將 256 張GPU 有效聚合為一臺數據中心級計算機。

隨著模型參數持續膨脹等，萬卡級智算集群已成為大模型角逐的標配。而萬卡乃至十萬卡級集群不能靠簡單堆疊服務器，需要全新的架構支撐。

摩爾線程 MTT C256 超節點首創一層 Scale-up 網絡，實現標準單寬機柜 128 卡全互聯，并柜擴展可達 256 卡極速互聯，攻克傳統多層網絡的帶寬損耗與高延遲痛點，在 2U 空間內釋放極限的單位面積算力。MTT C256 采用計算與交換一體化的高密設計，將 256 張 GPU 像一張 GPU 一樣協同工作，具備三大核心優勢：

• 極致互聯。業界普遍的一層 Scale-up 網絡僅能支持 64 卡互聯，MTT C256 首次在一層 Scale-up 網絡中實現 256 卡全互聯，突破這一限制。卡間通信延遲被壓縮至亞微秒級別（人眨一次眼約 10 萬微秒），帶寬利用率顯著提升，為大模型分布式并行策略的優化提供了更廣闊的空間。在一次大模型計算中需要發生海量通信，通過這種技術，可以將 256 張 GPU 像一張卡一樣高效協同。

• 高密度部署。單機柜 GPU 密度領先行業，僅通過兩個標準機柜即可實現 256 卡的一層 Scale-up 極速互聯，在大幅提高智算中心 GPU 部署密度的同時，有效節省機房空間。

• 生態與工程兼容。采用 2U 節點設計，完美兼容現有智算軟硬件生態，支持集群從萬卡向十萬卡級平滑擴展。在工程化層面，MTT C256 通過高效液冷散熱、三盲插設計、完善的 RAS（可靠性、可用性、可服務性）機制以及配套的集群管理系統，保障了超節點在大規模部署下的長期穩定運行與便捷維護。

張建中在談及詞元生產工廠時則表示，規模化部署和系統級優化，是持續降低單位Token 成本的重要路徑。

MUSA生態：讓開發者"遷移門檻等于零"

三大工廠和超級節點價值的釋放，一大關鍵是開發者。而 MUSA 生態正是摩爾線程連接開發者的關鍵橋梁。為了讓開發者更好的從國外的生態系統遷移到 MUSA，摩爾線程給出了解法。例如：摩爾線程推出了 MusaCoder，這個模型可以直接寫代碼，直接寫 MUSA Kernel（算子），并且代碼水平還不差。二是MUSACODE AI 編程 Agent，可以自動完成代碼移植。

此外，摩爾線程還專門設立了摩爾學院，通過“五維戰略”和“六項計劃”，與國內的高校、科研院所、企事業單位展開密切合作，投入了大量的人力、財力和物力，為中國 AI 產業培養最優秀的本土人才。

摩爾線程率先進入系統級競爭階段

從模型訓練工廠的萬卡級集群實戰，到詞元生產工廠的 PD 分離異構推理突破，再到智能體生產工廠連接數字世界與物理世界的完整閉環，摩爾線程已經成為當下國內 GPU 廠商中率先完成訓-推-用全鏈路系統級方案交付的企業。以全功能 GPU為底座、MUSA 生態為連接器、三大 AI 工廠為業務主線，摩爾線程從芯片、集群到軟件棧形成了清晰的差異化路徑，在國產算力從"單點突破"走向"體系化作戰"的產業拐點上率先交卷。

在 WAIC 2026 的展館里，一個趨勢已經清晰可見：國產算力的競爭維度正在發生根本性切換——從比拼單卡性能，升級為比拼系統級的集群工程能力、軟硬協同的推理效率、以及生態對開發者的實際吸附力。以摩爾線程為代表的國產算力廠商，正憑借自主可控的全功能 GPU 架構、Day 0 適配的生態響應速度、以及極具競爭力的每 Token 落地成本，在幾乎由單一國際廠商長期主導的 AI 算力產業格局中打開新的缺口。

算力底座逐漸夯實、生態適配從月級壓縮到天級，AI 產業的下一站已經愈發清晰——Agent 浪潮仍在加速，物理 AI 的大門正在打開，Token 消耗量的指數級增長遠未見頂。面對萬億參數模型、萬卡級集群、以及從云端到端側的全場景算力需求，摩爾線程用三大 AI 工廠給出了一套系統級的回應方案。在 WAIC 2026 這個節點上，國產算力已經交出了一份有分量的階段性答卷。