“國芯訓國模”跑通 5D世界模型登頂：摩爾線程三大AI工廠全面鋪開

“已經不是我們在用AI，是我們的Agent在用AI。”在WAIC 2026主題論壇上，摩爾線程創始人、董事長兼CEO張建中這樣判斷AI正在發生的變化。緊接著，他又解釋摩爾線程為什么堅持全功能GPU：“因為你不知道下一個要訓練的模型是什么。”這兩個判斷，分別指向三座工廠的出口和底座：AI需要進入真實工作流程，而支撐它的算力不能只為今天的語言模型設計。

01

超節點擺滿WAIC，算力開始比“產出”

“我不認為這是新技術。”在WAIC 2026的摩爾線程展臺，一位工作人員這樣解釋超節點。這個回答并不是否定超節點，而是把注意力從“有多少卡”拉回“這些卡能否像一臺機器工作”：規模增加以后，通信、調度、故障恢復和穩定運行，才是真正的難題。MTT C256是摩爾線程給出的具體方案，首創一層Scale-up網絡，在標準單寬機柜內實現128卡全互聯，兩柜可擴展到256卡；計算與交換一體化的2U高密設計，則試圖減少傳統多層網絡的帶寬損耗和時延，提高單位面積算力。C256并不只是一臺256卡設備，它還要成為萬卡乃至十萬卡集群向外擴展的基礎單元。

2026年的WAIC上，超節點幾乎成為算力廠商的標準展品。單卡受到制程、帶寬和功耗約束后，行業轉向高速互聯與統一調度，競爭單位從芯片變成系統。但當每家公司都有一臺大機柜，僅憑卡數已經很難建立差異。客戶最終購買的是這些芯片能穩定訓練多少模型、每天生產多少Token，以及單位智能究竟要花多少錢。

摩爾線程展臺的幾塊屏幕把“產出”具象化。一塊屏幕連接著無錫惠山一座客戶智算中心：264臺在線機器、2030張GPU，拍攝時GPU利用率是50.5%。另一塊屏幕上，MTT S5000與“Hxxx”訓練MoE-236B模型的兩條Loss曲線幾乎重合。再往前走，AIBOOK里的多個智能體正在調用工具，AICUBE中的“小麥”則通過家庭屏幕與用戶對話。這幾個相距不過幾米的場景，正好對應三座AI工廠：模型訓練工廠生產模型能力；詞元生產工廠把模型轉化為Token服務；智能體生產工廠讓模型進入PC、家庭設備和機器人，執行具體任務。模型是源頭，Token是供給，Agent是出口。

“AI工廠”并不是新概念。摩爾線程的特殊性在于，用同一套全功能GPU和MUSA軟件棧貫穿三座工廠，押注AI負載會越來越多元。

三座工廠看似對應訓練、推理和智能體三個不同市場，底層卻建立在同一套MUSA生態之上。芯片決定摩爾線程能夠處理哪些計算負載，MUSA軟件棧則決定模型、工具和開發經驗能否在云、邊、端之間延續。這個生態能否跟上產品擴張的速度，也是三座工廠能否真正連成一條生產鏈的關鍵。

不少本土AI芯片公司選擇收窄能力邊界，把資源集中在AI計算，不承擔完整的圖形渲染和消費級顯卡生態。摩爾線程走的是一條更重的路：全功能GPU。除AI計算外，還補齊了3D渲染、物理仿真、科學計算和視頻編解碼，覆蓋FP8至FP64，并讓不同引擎在同一架構和軟件體系中協同。語言模型時代，圖形和物理能力很難立刻兌現；當世界模型和具身智能把渲染、仿真與AI訓練接成一條流程，早期的前瞻性投入快速轉化為平臺價值。

02

國芯訓國模，國產GPU已經在證明自己

三座工廠中，模型訓練工廠是摩爾線程的一大核心優勢，也是全功能GPU路線的關鍵技術證明。先要區分兩個經常被混用的概念：把一個已經訓練好的模型放到GPU上運行，屬于推理或適配；從海量數據開始反復更新模型參數，才是訓練。“國芯訓國模”說的不是讓本土GPU把一個現成模型跑起來，而是用本土GPU參與預訓練、持續預訓練和后訓練，真正把模型權重生產出來。這也是為什么它比一次推理適配更能證明系統能力。萬卡訓練可能持續數周甚至數月，任何計算卡、網絡或存儲異常都可能讓任務暫停。芯片、集群、通信、算子、訓練框架和故障恢復，必須共同保證Loss收斂，最終得到可用的模型結果。摩爾線程高級副總裁董龍飛向記者表示：“這里的‘高精度’不是單指FP32、FP16或FP8，而是相同算法、數據和步數下，模型效果能否與國際主流GPU對齊。”這指向更真實的顧慮：訓練數月后，得到的還是不是預期中的模型。而摩爾線程MoE對比測試前三萬步的逐步平均誤差為萬分之六。這一結果證明，國產GPU完全有能力承載最核心、最嚴苛的模型生產任務。

WAIC 2026現場展示的MoE-236B基礎模型，已覆蓋預訓練、持續預訓練和長窗口持續預訓練。論壇上來自智算基礎設施、世界模型、具身智能和科研等不同領域的合作伙伴，如極佳視界、北京大學Evophys-World 項目、京東云等也展示了各自在集群部署、模型訓練和行業應用中的實踐。它們與展臺上的運行數據共同說明，模型訓練工廠不只是在證明一套技術能夠跑通，而是已經開始進入客戶與生態伙伴的真實研發和生產流程。語言模型之后，客戶可能訓練多模態、視頻、世界模型、具身大腦，也可能訓練物理、數學和科學計算模型。

其中， EvoPhys-World 的分量已被外部驗證——EvoPhys.ai 創始人、CEO 譚樺杰介紹，北京大學 EvoPhys 項目組在摩爾線程“燈塔計劃”支持下，基于 MTT S5000 完成全棧原生訓練的 5D 世界模型 EvoPhys-World，連續 37 天登頂 WorldScore“世界生成”維度，標志著國產算力在支撐高水平 AI 研究上取得重要進展。

這才是全功能GPU更有說服力的證明：矩陣計算、媒體處理、圖形渲染和物理仿真已成為同一條物理AI生產流程。全功能不意味著每項跑分都領先，也不意味著任何場景都比專用芯片高效；它提供的是面對未知模型時的選擇權。模型越多樣、迭代越快，通用基礎設施的價值越高。“國芯訓國模”也由此超出供應鏈本土化的意義。數據、訓練經驗和模型Know-how是模型公司的核心資產；如果底層平臺只能推理，最關鍵的生產環節仍無法閉環。摩爾線程證明了，本土GPU不僅能消費模型，也能生產模型。

這一點在客戶側得到了印證。京東集團技術委員會主席、京東云總裁曹鵬表示，京東在自己的模型工廠中結合摩爾線程 MTT S5000，在模型訓練、適配、調優上取得進展，最新發布的一系列 JoyAI 大模型，相當一部分訓練算力依托摩爾線程提供的國產化算力。

03

“3+2≈9”，Token工廠算的是另一筆賬

訓練與推理首先是兩本賬：訓練性能低10%，30天可能變33天，尚可用時間彌補；推理成本高10%，差距卻會被每一次調用放大。因此，詞元工廠比的不是一張卡的峰值參數，而是每百萬Token成本、首字延遲、尾延遲、并發吞吐和服務穩定性。

摩爾線程在WAIC 2026展示的PD異構分離，正是圍繞這一目標展開。大模型推理可以拆成Prefill和Decode兩個階段。Prefill處理用戶輸入，更依賴計算；Decode逐字生成結果，更依賴顯存和帶寬。摩爾線程讓S5000承擔Prefill，把客戶已有的國際GPU用于Decode，通過KV Cache傳輸讓兩類設備協同工作。在基于Kimi K2.5進行的一項特定測試中，3P2D異構方案相較國際主流GPU同構方案，平均TGS提升1.87倍，首字延遲下降56.9%。這組結果可以概括為：3臺S5000加2臺Hxx，約等于9臺Hxx。這套方案揭示了另一條市場路徑：本土化算力進入客戶機房，不必以推倒重來為前提。許多客戶已經擁有不同代際、不同品牌的GPU。讓S5000先進入新的Prefill計算池，既保留存量設備價值，也降低切換基礎設施的阻力。本土GPU由此可以作為增量資源，進入已經運行的算力體系。

實踐正在印證這條路徑。MiniMax副總裁薛子釗判斷，今年是國產芯片很重要的拐點，越來越多真實的線上場景開始承擔推理和訓練任務，MiniMax自己“很快也會有非常大規模的國產芯片推理集群真實上線承擔任務”。趨境科技創始人、CEO艾智遠則講了選型邏輯：在測過多款GPU后選擇了MTT S5000，看重它“強大計算能力、穩定支持超長上下文、原生支持 FP8、生態遷移順暢”等特點，目前正基于“摩爾線程+英偉達”構建日均萬億級Token的產能，并表示S5000經完整上線測試后，基本能與國際主流GPU實現投資回報率打平。

詞元工廠的核心不只是一張S5000，還包括SGLang、vLLM、KV Cache管理、PD分離和異構調度。推理需求高度碎片化，沒有一顆芯片適合所有場景，軟件能否把資源放到合適的位置，開始比單卡參數更重要。

04

把智能體部署好，第三座工廠才有出口

第三座工廠與前兩座不同。它的主要載體不是另一座數據中心，而是AIBOOK、AICUBE、邊緣計算產品，以及運行在PC、家庭設備和機器人上的智能體。

AIBOOK搭載“長江”SoC和AIOS，通過端云協同調用夸娥算力。AIOS以Linux為底層，同時兼容Windows和Android應用。摩爾線程希望Agent不只是停留在瀏覽器對話框，而是獲得調用文件、代碼工具和應用程序的系統能力。AICUBE把相同思路搬進家庭，同時承擔AI PC與家庭存儲角色，由智能體“小麥”管理照片、視頻和日常任務。“小麥”只是智能體生產工廠面向消費場景的一種形態。這座工廠的另一條路徑，是把智能體部署到邊緣設備和機器人中。摩爾線程以MTT E300等產品承接邊緣側計算需求，面向工業質檢、能源巡檢、智能汽車、低空經濟和具身智能等場景提供推理能力。同時，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。

05

結語

摩爾線程與許多數據中心GPU公司的區別：它不僅向上建設萬卡集群，也向下尋找個人、家庭和機器人等現實入口。三大AI工廠不是一組產品命名，而是摩爾線程為全功能GPU尋找的商業閉環。這條路線已經有成熟的產業參照。英偉達已經證明，圖形、通用計算和AI可以在同一套GPU平臺上形成長期復用；摩爾線程想在中國重走的，正是這條更重、但更有延展性的路線。它能否真正形成差異，不取決于“全功能”這個標簽，而取決于三座工廠能否持續產出客戶愿意付費的模型、Token和智能體。從這次WAIC大會上展示的成果來看，摩爾線程正走在正確的道路上。

商業化已經給出了一些信號。摩爾線程營收從2023年的1.24億元，到2026年上半年預計達到16.5億至17.5億元。公司披露，2026年一季度簽下6.6億元夸娥智算集群訂單，智算卡已在多家智算中心和云服務平臺部署，摩爾線程還在不斷擴展自己的邊界。

離開展臺前，我又看了一眼那塊夸娥運營大屏。50.5%只是一個瞬時數字，卻比超節點卡數更接近產業真相：工廠的價值不在于擺了多少臺機器，而在于能否持續、穩定、經濟地生產客戶愿意付費的東西。

【AI疊變】第六期：摩爾線程。成立于2020年，總部位于北京。是一家以全功能GPU和MUSA統一架構為核心的加速計算企業，創始人、董事長兼首席執行官張建中曾任英偉達全球副總裁。公司已完成五代GPU架構和五顆芯片量產，形成覆蓋云端智算、邊緣計算與個人終端的產品矩陣。是國內極少數同時具備ToB企業級與ToC消費級交付能力的全功能GPU企業，摩爾線程始終以MUSA為核心，致力于構建完善、開放、易用的國產GPU應用生態。