摩爾線程為什么提出「三大AI工廠」？｜WAIC 2026

進入Agent時代，產業競爭正在出現新的變化：AI不再只是一個需要被訓練的模型，而正在變成一種需要被持續生產、調用和部署的智能能力。

在2026世界人工智能大會（WAIC）期間，摩爾線程創始人、董事長兼CEO張建中提出“三大AI工廠”的概念——模型訓練工廠、詞元（Token）生產工廠和智能體生產工廠。

摩爾線程創始人、董事長兼CEO張建中

在摩爾線程的定義中，三大工廠分別對應模型訓練、Token生成和智能體生產，覆蓋從基礎模型研發到產業應用、從云端基礎設施到終端設備的完整鏈路。

中國工程院院士、清華大學教授鄭緯民在演講中指出，算力基建的關鍵在于將每一份算力轉化為高質量詞元，三大“AI工廠”是算力基礎設施的必然演進。在國家信息中心大數據發展部副主任魏穎看來，算力基礎設施是詞元生產的物理底座，作為算力核心的GPU決定了生產效率與成本。

但這三個“工廠”并不是三個割裂的業務方向。摩爾線程高級副總裁董龍飛表示，三個工廠代表的是不同市場，并不存在簡單的優先級關系。但從產業競爭角度看，模型訓練仍然是整個體系的基礎。

“產業人工智能的競爭最重要的就在于這個模型是不是聰明。”董龍飛表示，模型能力依靠預訓練和后訓練獲得，而不是推理階段。

如果把AI比作一個企業，模型就像企業里的員工，首先需要具備足夠高的認知能力，之后才談得上執行任務。

這也成為摩爾線程布局三大工廠背后的核心邏輯：未來AI競爭不只是制造模型，而是建立一套持續生產智能的基礎設施。

模型訓練工廠，決定AI能力上限

過去，大模型主要圍繞語言能力展開；如今行業中的模型已經呈現高度多樣化趨勢，包括混合專家模型、多模態模型、機器人具身大腦模型以及世界模型等。

訓練這些模型，并不是簡單的矩陣計算，而需要更復雜的軟件、仿真和計算能力。

這也是摩爾線程強調國產“全功能GPU”的原因。在訓練場景中，GPU需要同時滿足算力、顯存、帶寬、可靠性、軟件生態以及訓練結果一致性等要求。

其中，訓練結果一致性是國產GPU進入大規模訓練場景的重要門檻。

董龍飛解釋，所謂訓練中的“高精度”，并不是單純指計算精度，而是不同GPU平臺之間訓練結果的對齊能力。對于已經投入大量資源完成模型訓練的用戶來說，遷移到新的GPU平臺后，能否獲得穩定、可比的訓練結果，是平臺能否被采用的重要因素。

圍繞模型訓練工廠，摩爾線程展示了多項國產算力實踐。

萬卡規模MoE-236B基礎模型訓練是此次展示的重點，該項目依托國產萬卡GPU集群完成從零開始的完整訓練，在萬卡規模下有效訓練時長占比超過90%，模型精度和訓練損失曲線與國際主流計算卡高度一致。

與此同時，北京大學EvoPhys團隊的5D世界模型EvoPhys-World，也基于摩爾線程MTT S5000夸娥智算集群完成全棧原生訓練，并在WorldScore“世界生成”維度連續37天排名第一。

京東云總裁曹鵬在摩爾線程舉辦的“詞元時代 萬物智能論壇”論壇上表示，當前AI基礎設施正在發生變化，全國產算力、國產模型和國產推理引擎組成的體系正在逐漸建立。京東正在基于摩爾線程國產算力進行模型訓練、適配和調優。

對于摩爾線程而言，模型訓練工廠不僅意味著訓練更大的模型，也意味著國產算力開始進入AI原創能力生產環節。

詞元生產工廠，讓模型能力規模化釋放

如果模型訓練工廠解決的是“如何制造更聰明的模型”，那么詞元生產工廠解決的是“如何讓更多人低成本使用智能”。

隨著Agent興起，AI使用方式正在改變。過去，人向模型提出問題；未來，大量Agent會主動調用模型完成任務。

張建中認為，Token消耗快速增長的根本原因，是未來不是人在使用AI，而是Agent在使用大模型。

因此，AI基礎設施競爭正在從單純關注訓練性能，轉向如何降低每一個Token背后的成本。

在這一方向，摩爾線程強調模型快速適配、推理優化以及異構算力協同能力。

目前，摩爾線程推理套件已經適配DeepSeek、MiniMax、GLM、Kimi、Qwen等主流模型，并推出基于MTT S5000的PD分離異構推理方案。

產業伙伴也正在驗證Token生產工廠的商業價值。

趨境科技創始人兼CEO艾智遠表示，目前趨境科技每天能夠供應萬億級高品質Token，并與摩爾線程合作，通過國產GPU與國際主流GPU異構協同，提高Token生產能力。

Token工廠覆蓋的是最大規模的用戶市場。

過去，一個模型推理可能只需要一張卡或者一臺服務器，但未來Token生產將成為復雜系統工程，需要考慮模型規模、緩存管理、調度效率以及成本控制。

這也是摩爾線程布局推理產品和方案的重要原因。

董龍飛表示，訓練和推理都很重要。訓練更強調通用性和綜合能力，而推理更強調極致性價比，需要針對不同任務設計不同產品和解決方案。

智能體生產工廠，AI開始進入現實世界

如果說Token工廠讓AI具備輸出能力，那么智能體生產工廠則讓AI進一步具備行動能力。

張建中認為，Agentic AI之后的重要方向是物理AI，未來AI需要從數字世界走向現實世界。

摩爾線程認為，Token工廠解決的是“會說”，智能體工廠解決的是“會做”。

董龍飛表示，Token生成之后，還需要讓AI調用工具。在電腦中，這意味著Agent能夠操作軟件和系統；在機器人領域，則意味著智能

但相比語言模型，物理智能對算力提出了更高要求。

摩爾線程生態副總裁兼生態科研部總經理呂其恒表示，大語言模型處理的是符號，而具身智能需要理解真實世界中的物理規律，因此需要同時處理視覺、渲染、仿真等任務。這也是世界模型成為具身智能關鍵方向的原因。

極佳視界合伙人兼副總裁毛繼明表示，物理AGI面臨的重要挑戰之一，是如何提升數據使用效率。數字AGI主要依賴語言數據，而物理AGI需要處理真實世界數據，因此需要更高效的數據和算力體系。

基于這一方向，極佳視界與摩爾線程聯合開展駕駛模型、具身模型等物理AI模型訓練優化，探索國產芯片訓練國產模型的完整鏈路。

三大AI工廠背后，是一套統一算力體系

從模型訓練，到Token生產，再到智能體應用，三大工廠覆蓋了AI產業從基礎能力到應用落地的完整過程。

但三座工廠并不是三套技術體系。董龍飛表示，摩爾線程三個工廠共享統一的GPU架構和MUSA軟件體系，并不是針對不同市場分別開發不同技術。

這也是國產全功能GPU的核心競爭力。

在AI快速變化階段，最大的挑戰并不是某一個固定模型的性能，而是未來模型形態的不確定性。

今天行業關注大語言模型，未來可能是世界模型、機器人模型、更多垂直領域模型。如果GPU過于專用，就很難適應產業變化。

董龍飛認為，GPU首先需要具備通用性，因為未來模型路線仍然會持續變化。

因此，摩爾線程提出“三大工廠”，并不是簡單擴展業務邊界，而是在回答一個更大的問題：當AI從模型時代進入智能生產時代，下一代基礎設施應該是什么？雷峰網