摩尔线程与光轮智能合作推出高精度仿真数据合成方案

近日，摩尔线程与光轮智能正式达成深度战略合作。根据双方公布的合作框架，未来将深度融合摩尔线程的全功能GPU产品矩阵及其夸娥（KUAE）智算集群解决方案，与光轮智能自主研发的“求解—测量—生成”一体化仿真平台，共同打造一套高置信度、可规模化的仿真数据合成系统。该合作的核心目标，在于通过国产自主算力与前沿仿真算法的紧密结合，为具身智能的研发与落地构建坚实、安全、可控的底层技术基座。

此次合作精准应对了当前具身智能发展面临的一项关键挑战：真实世界物理数据难以高效获取。在传统的机器人研发模式中，依赖实体机器人在真实环境中采集数据，不仅耗费巨大、周期冗长，且常受限于测试场景的单一性、安全性以及复杂物理交互的难以复现。因此，利用高保真仿真技术合成海量、多样化的训练数据，以弥合“现实数据缺口”，已成为推动行业进步的重要技术路径。

然而，要实现大规模、高质量仿真数据的稳定生产，其背后是算力需求的急剧攀升。以一项常见的机器人抓取操作为例，单条动作轨迹经过场景与参数泛化后，可能需要渲染生成多达4.8万帧的高清图像数据（如图2所示）。当需要并行处理数百乃至上千条任务轨迹时，总渲染帧数将迅速达到数百万甚至千万量级。如此庞大的并发渲染任务，加之其中嵌入的高精度物理仿真计算，对底层算力基础设施的综合性能与稳定性提出了极高要求。

这类仿真数据生成任务的独特之处在于，它并非依赖单一的算力类型，而是对GPU的AI并行计算、高性能图形渲染、实时物理模拟等全栈能力的综合考验。其中，硬件级光线追踪技术的支持，对于生成光影、材质反射、复杂碰撞等具备高度物理真实感的合成数据至关重要。可以明确的是，缺乏强大的全功能GPU算力作为引擎，高效、高保真的大规模仿真数据生产线将难以建立，这直接关系到具身智能模型训练的效果与迭代速度。