金磊 发自 凹非寺量子位 | 公众号 QbitAI没有新的GPU没有新的智算卡。但一家国产GPU厂商却在一整场发布会的时间里做了一件非常物理的事儿——发布首个全栈国产化的具身智能仿真平台。先来看效果。这只名叫小飞的机器狗缓缓走上了舞台。在走到舞台中央后只见屏幕里仿真世界的小飞侧空翻了一下随即物理世界的小飞便做出了一模一样的动作。转个身再来一次动作依旧是像粘贴复制的似的。小飞的运动策略是这样的100%是在仿真世界中训练出来并无损迁移到真实物理世界的。那么它背后这家国产GPU玩家是谁这个具身智能仿真平台又叫什么不卖关子。正是由摩尔线程新鲜发布的MT Lambda。刚才小飞的一套操作可以理解为这是首次在全国产的硬件平台上训练出的运控策略完整部署到全国产的端侧芯片上第一次实现了Sim-to-Real仿真到现实的真机验证。至此摩尔线程也就成为了国内唯一打通“大模型训练 — 仿真模拟 — 端侧部署”全链路的GPU企业。如果说大模型的爆发是依靠海量互联网数据“喂”出来的那么具身智能的爆发则迫切需要一个极度真实的虚拟世界。而现在国产GPU开始自己动手造世界了。更像是一套物理AI训练的流水线若我们把MT Lambda拆开来看其实它更像一条围绕机器人训练展开的流水线。最上层是两个平台MT Lambda-Lab和MT Lambda-Sim。MT Lambda-Lab更偏具身策略开发与训练面向强化学习、模仿学习、VLA模型等任务。对于开发者来说这一层要解决的是“怎么让智能体学会做事”的问题即动作策略怎么训练、行为怎么迭代、模型怎么在复杂任务中逐步变得更稳定等等。MT Lambda-Sim则更偏高保真物理仿真与渲染负责场景构建、传感器模拟、数据生成和仿真验证。它关心的是另一个问题机器人看到的世界、碰到的物体、执行动作后的反馈能不能尽可能接近真实世界。这两者合在一起就构成一条具身智能开发的主链路数据合成—策略训练—仿真验证—端侧部署。为什么这条链路重要因为现实世界太贵了。张建中在发布会上便提到了训练一个好的智能体的三大痛点首先缺少大量高质量数据靠人采集、靠遥操作采集成本都很高其次真机训练风险和代价很高不可能让机器人或机器狗每天反复摔倒、损坏第三真实场景往往不可控也不容易泛化实验室里能跑换个环境就可能失效。这几句话其实点出了具身智能行业当下最现实的矛盾即模型进化很快物理场景积累很慢。大模型可以吃互联网数据但机器人吃的是现实世界的数据。一个杯子从桌边滑落一块布料被夹爪抓起一辆车在雨夜里遇到突发障碍这些任务很难用简单文本描述完整。它们涉及光照、材质、摩擦、碰撞、运动轨迹和传感器反馈。要让机器人真正学会行动就必须把这些复杂场景低成本、大规模、可复现地生产出来。MT Lambda的底层能力就围绕三类引擎展开物理、渲染、AI。先看物理引擎。MT Lambda集成了MuJoCo-Warp-MUSA、Newton-MUSA等开源后端也包括摩尔线程自研的AlphaCore物理引擎。它们基于MUSA架构进行并行求解支持高精度、可微分的物理计算。在典型仿真负载下整体仿真吞吐效率可实现约30倍提升。这意味着什么对于机器人来说物理引擎的价值远远不止让画面里的东西动起来。机械臂抓起一个柔性物体指尖接触时有力的反馈四足机器人落地时不同地面材质会改变受力和姿态自动驾驶仿真里车辆、行人、障碍物之间的运动关系要符合真实物理规律。仿真如果不准训练出来的策略就容易在现实中翻车。再看渲染引擎。MT Lambda搭载MT Photon光子引擎融合光线追踪与混合渲染能力同时引入3DGS和自研AI生成式渲染能力用来提升仿真画面的真实感、细腻度和渲染效率。这部分尤其关键。具身智能既要算动作也要看世界。摄像头、深度相机、激光雷达、触觉传感器等多模态输入都会影响机器人如何判断环境。渲染越真实合成数据越接近真实数据Sim to Real的鸿沟就越有机会缩小。现场讲到与光轮智能合作时张建中提到MTT S5000具备RT Core光线追踪核心可以带来接近3倍的图形渲染能力提升在相关测试中使用MTT S5000 RT Core硬件光线追踪加速渲染可获得2.7倍性能提升。最后是AI引擎。MT Lambda集成深度适配PyTorch的Torch-MUSA框架配合muSolver、muFFT等加速库支持VLA模型开发部署并融合强化学习和模仿学习训练范式。放到具身智能里AI引擎对应的是机器人大脑的训练它要把视觉、语言、动作连接起来把环境反馈变成下一步决策。为什么摩尔线程能把“算、仿、渲”装进一个Lambda其实这也是全功能GPU价值被放大的地方。毕竟全功能GPU在国内本身便是稀缺的。因为具身智能对芯片的要求远不止AI矩阵计算。机器人训练要跑VLA模型、强化学习和模仿学习这是AI智算要模拟碰撞、摩擦、动力学和复杂接触这是科学计算和物理AI要生成足够真实的训练画面和传感器数据这是3D渲染未来还会涉及大量视频数据的采集、传输、生成和回放这又离不开超高清视频编解码。TPU、NPU或者一些GPGPU路线往往更聚焦AI计算或通用计算的某一类任务。它们在特定场景里可以把效率做到很高但具身智能的问题更杂既要训练数字大脑也要构建物理世界还要把真实画面和传感器反馈一起纳入训练闭环。摩尔线程之所以能把MT Lambda做成物理、渲染、AI三大引擎一体的平台底层原因正在于它从成立以来坚持的全功能GPU路线。按照摩尔线程给出的定义全功能GPU依托自研MUSA架构在单颗芯片中同时支持AI计算、图形渲染、物理仿真、科学计算和超高清视频编解码。换句话说MT Lambda并非是在一堆割裂工具之上硬拼出来的套件而是长在全功能GPU和MUSA统一架构上的平台能力。对于具身智能来说这种“算、仿、渲”一体化恰好对应了机器人训练的真实需求即一边跑AI模型、一边算物理碰撞、一边渲染真实画面。过去开发者可能需要在不同硬件、不同软件栈之间切换AI训练用一套平台图形渲染用另一套平台物理仿真又要接第三套工具。数据在不同系统之间搬来搬去效率低调试难误差也会累积。MT Lambda想做的是把这些原本割裂的环节尽可能放回同一套底座上。对于开发者而言更理想的状态是少花时间和底层适配搏斗把更多精力放在算法、任务和场景本身。云端、端侧、生态也开始闭环了如果说MT Lambda解决的是怎么训练和仿真那么摩尔线程另一条线索是把云端、端侧和生态一起补上。云端是夸娥KUAE智算集群。在大模型时代集群首先被理解为训练底座但到了具身智能时代它还像一个巨大的机器人训练场。因为仿真数据一旦规模化需求会迅速膨胀一条机械臂轨迹可能要生成多个机位、多种光照、多种材质、多种扰动下的画面自动驾驶世界模型每周可能生成海量测试里程人形机器人训练也需要大量并行环境反复试错……当数据进入百万帧、千万帧规模底层算力的角色也会从加速器变成一条生产线。摩尔线程的夸娥智算集群核心加速单元包括MTT S5000。其中MTT S5000基于第四代MUSA架构平湖单卡AI稠密算力最高1000 TFLOPS配备80GB显存、1.6TB/s显存带宽支持FP8到FP64全精度计算同时也是国内极少数同时支持硬件级光线追踪和AI训推的国产GPU。这类指标放到具身智能语境下含义会更清楚FP8、BF16、FP16等能力服务AI训推光线追踪服务高保真渲染物理仿真和科学计算能力服务复杂动力学求解。也就是说具身智能需要多种能力在同一套架构中协同起来。端侧则是长江SoC和E300 AI模组。云端负责大规模训练仿真平台负责试错和验证但最终策略还是要跑到机器人本体上。机器人在真实世界行动很多时候不能完全依赖云端响应。它需要本地完成感知、决策和控制尤其在低延迟、高可靠要求的任务中端侧算力是必须补齐的一环。基于长江SoC的MTT E300 AI模组提供50 TOPS级本地算力可直接部署于机器人终端支持低延迟、高可靠的实时响应。换句话说云端训练出来的经验需要通过端侧模组变成机器人身上的即时反应。这就形成了一个更完整的闭环云端做大规模训练和并行仿真MT Lambda完成策略开发、数据合成和仿真验证E300 AI模组负责把训练结果带到机器人终端执行。更重要的是摩尔线程这套布局已经开始进入真实生态验证。比如与智源的合作中RoboBrain 2.5基于MTT S5000千卡集群完成端到端训练。相关验证结果显示其训练Loss走势与H100集群结果高度重合差异仅0.62%并在部分任务表现更优集群从64卡扩展至1024卡实现90%以上线性扩展效率。这类结果的意义在于它验证了国产算力集群作为具身模型训练底座的可用性。再比如与光轮智能的合作更多指向仿真数据量产。双方依托摩尔线程全功能GPU与夸娥智算集群结合光轮智能“求解—测量—生成”三位一体的仿真平台联合打造高置信度仿真数据合成方案。光轮智能的高精度GPU物理求解器已适配MUSA架构支持刚体、柔体、流体、颗粒等复杂物理过程的高精度实时仿真相关案例中核心物理参数仿真准确度达到99%以上。与小马智行的合作则把场景扩展到自动驾驶。双方基于MTT S5000和夸娥智算集群推进世界模型及车端模型训练的适配与验证。小马智行世界模型每周可生成超过100亿公里测试数据并衍生出大量极端场景。对于自动驾驶来说长尾场景、极端险境和安全验证本来就是仿真最能发挥价值的地方。此外摩尔线程还与五一视界、光线云等伙伴推进物理AI仿真体系和具身仿真平台建设。无论是4DGS模型训练推理、合成数据生成还是任务库、仿真计算、虚实验证闭环本质上都在回答同一个问题具身智能很难靠单家公司闭门造车它需要算力、仿真、算法、场景方一起把生态跑通。这也是摩尔线程这次发布比较值得关注的地方。它把故事从“我有一颗芯片”推进到“我能搭一套基础设施”。从底层MUSA架构和全功能GPU往上搭平台往下接端侧横向拉生态。这个打法未必一夜之间改变产业格局但它已经把国产GPU的战场从大模型训推进一步推向了物理AI基础设施。要做的是国产具身智能基础设施具身智能现在很大的矛盾点在于模型很快但场景很慢。在数字世界里大模型可以靠海量文本、图片、视频数据持续进化但在物理世界里机器人要学会开门、搬箱子、抓柔性物体、穿过复杂路口每一个动作背后都是真实成本。真机采集贵遥操作慢设备损坏风险高危险场景不能随便试长尾情况又难以穷尽。于是仿真合成数据和Sim to Real闭环就成了具身智能从实验室走向产业的关键基础设施。这也是为什么“造世界”会成为具身智能竞争的核心命题。这里的世界核心价值不在于游戏意义上的好看而在于能训练机器人、验证机器人、纠正机器人行为。它既要足够真实能反映光照、材质、碰撞、摩擦、传感器噪声也要足够高效能大规模并行生成数据还要足够开放让不同模型、不同机器人、不同场景都能接入。从这个角度看摩尔线程的优势很难只用某个单点参数概括其“全功能GPUMUSA生态”的技术路线天然更贴近具身智能的复合需求。全功能GPU提供AI计算、图形渲染、物理仿真、科学计算和视频编解码等多类能力MUSA提供统一软件生态MT Lambda把物理、渲染、AI三大引擎整合起来夸娥智算集群负责大规模训练和仿真长江SoC与E300 AI模组把能力带向端侧外部生态伙伴则补足数据、场景、仿真平台和行业应用。这条链路的价值在于具身智能本质上是一项系统工程。大模型公司可以先拼数字大脑但机器人公司最终要面对的是大脑如何控制身体、身体如何理解环境、环境如何被低成本复现。谁能用更低成本、更高效率给机器人造出足够真实、足够可控、足够大规模的训练世界谁就更有机会把具身智能从Demo带到真实生产线、道路、家庭和城市空间。当然国产具身智能基础设施的建设不会一蹴而就。无论是仿真真实性、Sim to Real迁移效果、开发者生态成熟度还是产业客户的大规模采用都需要持续验证。摩尔线程这套方案能走多远也要看后续更多真实项目、更多开发者和更多机器人本体的反馈。但至少从这次发布会看国产GPU正在进入一个新阶段。它开始跳出能不能替代某块卡的被动叙事主动定义新的算力场景发布会上升级的“小麦”是数字智能体翻跟头的机器狗“小飞”是物理智能体。当AI从屏幕走向现实当智能体从会说话走向会行动底层算力就必须同时理解模型、图形和物理。张建中在活动中有提到希望摩尔线程的产品从夸娥到长江能够赋能所有智能体。放在具身智能这条线上这句话可以翻译得更具体一点云端有大训练场仿真里有虚拟世界端侧有小脑执行生态里有真实场景。大模型竞争拼的是谁能训练出更强的数字大脑具身智能竞争还要拼另一件事谁能先造出一个足够真实的训练世界。这一次国产GPU已经开始下场造世界了。一键三连「点赞」「转发」「小心心」欢迎在评论区留下你的想法—完— 点亮星标 科技前沿进展每日见