摩尔线程发布全栈云边端GPU解决方案 国产芯片布局更广阔

摩尔线程的宏大愿景，早已超越了成为“中国英伟达”的范畴。一家国产GPU企业的产品生态能有多广阔？答案就在5月18日那场备受瞩目的发布会中。舞台一侧，是规模宏大的夸娥万卡智算集群；另一侧，则是搭载自研“长江”SoC的智能终端MTT AICUBE和MTT AIBOOK。其软件栈的展示同样极具广度：从数字世界智能体“小麦”，到加速物理AI落地的全栈具身智能仿真平台MT Lambda，再到持续进化的MUSA开发者生态。

从数据中心到智能家居，摩尔线程在同一时间线上，部署了覆盖不同场景的产品矩阵。这并非传统芯片公司的常规打法。其释放的信号非常明确：摩尔线程致力于成为一家覆盖云计算、边缘计算和终端设备的全栈算力基础设施提供商。而“全功能GPU”与“统一架构”，正是其布局未来、构建核心差异化的关键战略。

从万卡集群到家庭中枢：一套架构全面打通

看似多元的产品线，其技术内核却高度统一，均基于同一套MUSA统一架构。这标志着，“全功能GPU”的技术路线在中国市场首次实现了从云端、边缘到终端的完整落地与验证。

首先看云端算力。此次，摩尔线程展示了支撑大模型训练的坚实基座。基于MTT S5000构建的夸娥万卡智算集群已实现商业化部署，几个关键性能指标值得关注：Dense大模型训练算力利用率达到60%，MoE大模型也能达到40%，训练线性扩展效率高达95%，有效训练时长占比超过90%。这些数据共同表明，该系统不仅能够稳定运行，更已具备支撑实际行业应用与AI大模型训练的能力。

在具体硬件参数上，MTT S5000单卡AI算力为1000 TFLOPS，配备80GB显存和1.6TB/s的显存带宽。作为国内最早原生支持FP8精度的训练GPU，它在DeepSeek-V4、Qwen3.5、GLM-5.1等主流大模型上实现了“发布即适配”。面对持续增长的算力需求，摩尔线程已发布第五代“花港”架构，支持向十万卡级别扩展。构建更大规模的集群，正是应对大模型算力成本挑战的必然选择。

再看终端侧，本次发布会的焦点新品是MTT AICUBE。

摩尔线程对其定位非常清晰：它并非传统的AI PC或简单的NAS，而是旨在成为“家庭AI中枢”。在产品形态上，AICUBE集成了“小麦”全域智能体、提供50TOPS的本地异构算力以及全闪存私有云功能，标配1TB SSD，支持7×24小时不间断运行。“小麦”智能体整合了90余项CLI系统工具、60余项技能，并能跨应用控制超过36款APP，依托自研的MTClaw开源框架，其高频工具调用成功率超过95%。

MTT AICUBE背后的战略意图尤其值得深思。它所搭载的“长江”SoC是摩尔线程的自研芯片，集成了8个2.65GHz全大核CPU、全功能GPU以及高能效NPU，内存带宽达136GB/s，最高支持64GB LPDDR5X。这颗芯片能够同时支撑AI计算、图形渲染和视频编解码——这正是“全功能GPU”理念在终端设备上的具体体现。将算力从大型智算中心推向家庭场景，本质上是摩尔线程对“Token时代”端侧算力需求的提前布局。某种程度上，MTT AICUBE可被视为对标谷歌智能音响的产品，但核心区别在于，后者深度绑定Gemini模型，而AICUBE对各类AI模型的支持则更加开放和灵活。

最后是边缘计算侧。摩尔线程推出了MTT E300 AI模组，具备50TOPS异构算力，支持-20°C至+65°C的宽温工作环境，主要瞄准工业质检、能源巡检、具身智能、低空经济等应用场景。从全球视角看，MTT E300 AI模组与高通今年主推的跃龙系列定位相似，都聚焦于工业领域的边缘AI算力需求。

至此，E300模组与AIBOOK、AICUBE共同构成了“长江”SoC的落地产品三角，覆盖了从个人、家庭到工业的多元化场景。再结合云端的万卡集群，摩尔线程清晰地展示了其“云-边-端”三层布局并非彼此割裂，而是MUSA统一架构在不同算力密度与应用场景下的三种形态表达。

全功能GPU路线：摩尔线程的深层布局是什么？

摩尔线程真正的差异化优势，并不单纯在于产品线齐全，而在于它选择了一条在国内GPU领域颇为独特的“全功能GPU”技术路线。这一选择背后，隐含了其对AI算力未来终局的前瞻判断。

什么是全功能GPU？简而言之，它并非只专注于AI加速，也不是单纯的图形渲染GPU，而是一颗能够同时高效支持AI计算、图形渲染、物理仿真与科学计算、超高清视频编解码的单一芯片统一架构。换句话说，它追求的是类似英伟达GPU那样的综合能力与通用性。相比之下，许多其他GPU厂商的产品仍偏向专门化设计，例如AMD的AI加速芯片与图形芯片就分属不同的架构体系。

那么，摩尔线程为何要选择这条技术挑战更大的路径？答案在于，未来的AI应用远不止于大模型训练，更是数字世界与物理世界的深度融合。

具身智能行业的发展已经印证了这一点。在机器人的训练闭环中，需要“计算+渲染+仿真”三者高效协同——AI计算训练其“大脑”，图形渲染构建逼真的虚拟环境，物理引擎则模拟真实世界的交互规则。在传统异构计算架构下，这些任务往往需要在不同的硬件平台间切换执行，导致开发流程割裂，数据迁移效率低下。而摩尔线程基于MUSA统一架构，旨在用同一颗芯片完成全部任务，让数据无需在不同平台间“来回搬运”，极大提升开发效率。

正是洞察到这一机遇，摩尔线程专门为具身智能推出了MT Lambda——国内首个全栈具身智能仿真平台，深度融合了物理、渲染与AI三大引擎。今年3月，摩尔线程开源了MuJoCo Warp MUSA，为物理仿真平台MuJoCo提供了国产算力支持，在机器狗训练任务中相比CPU方案实现了最高40倍的加速。同时，与智源研究院合作，基于千卡S5000集群完成了RoboBrain 2.5具身大脑模型的端到端训练，实测结果与国际主流GPU高度一致。与小马智行、光轮智能、五一视界等伙伴的合作也在密集落地中。

摩尔线程在这一赛道的卡位，本质上是在押注一个核心判断：物理AI时代，只有全功能GPU才能同时高效支撑“思考”（AI计算）与“行动”（图形渲染与物理仿真）这两种计算范式。

当然，国产GPU突破中绕不开的关键依然是生态建设。在这方面，摩尔线程也公布了最新进展。目前，MUSA SDK 5.1.0已兼容CUDA 12.8，核心API兼容数达到761个，PyTorch全量3194个算子实现100%兼容。在软件工具层面，摩尔线程获得了SGLang、vLLM、TileLang三大全球顶级推理框架的最新原生支持。这意味着，国产GPU开始从“兼容可用”阶段，逐步走向“被主流开发生态主动接纳”。开发者社区方面，目前已拥有超过45万社区开发者，覆盖200多所高校，为长期生态建设奠定了坚实基础。

不过，必须清醒认识到，生态建设没有捷径。从兼容CUDA到建立真正自主、繁荣的MUSA原生生态，从跟随到引领，这才是真正的长征。

结语

国产GPU的竞争，正从解决“有没有”的第一阶段，进入比拼“好不好用、能不能打”的第二阶段。

IDC数据显示，2025年中国AI加速卡总出货量约400万张，其中国产厂商交付约165万张，市场份额达到41%。这组数据已经证明，国产GPU不仅实现了从无到有，而且已经开始在AI算力市场中承担起举足轻重的角色。

在这场产业变局中，摩尔线程作为对标国际巨头的核心玩家，正试图以统一架构打通云边端，用全功能GPU卡位物理AI的未来。至于这条差异化技术路线能否支撑其从“国产替代”真正走向“国际竞争”，接下来，AICUBE在京东的预售市场反馈与夸娥集群的订单增长情况，将在今年给出初步的市场检验答案。

前路依然充满挑战。根据公司财报，摩尔线程2025年营收15.06亿元，同比增长243%；2026年一季度营收7.38亿元，同比增长155%。高增速的背后，是其从“销售芯片”向“提供全栈算力基础设施与解决方案”的转型正在加速。

但无论如何，摩尔线程已经用实际行动证明了一件事：国产GPU的发展路径，不仅可以追随与借鉴，也可以勇于探索和定义一条属于自己的技术路线与产业生态。