来源：21世纪经济报道

21世纪经济报道记者 彭新

“产业正在共同迎接具身智能的‘ChatGPT时刻’，而算力底座是决定这一时刻何时到来的关键力量。”8月21日，摩尔线程创始人、董事长兼首席执行官张建中出席世界机器人大会并发表演讲。

张建中表示，人工智能正从数字世界加速进入物理世界，相比主要处理文本、图像等数字信息的大语言模型，具身智能需要机器人同时具备环境感知、任务理解、动作规划和执行能力，并在真实场景中持续学习，这对底层基础设施提出了更为综合的要求。

市场调研机构IDC预测，到2030年，全球具身智能市场规模将达到1.5万亿美元。随着产业从实验室验证走向工程化和规模化应用，具身智能模型也将在Scaling Law驱动下，从十亿、百亿级参数向千亿、万亿级参数演进，配套智算集群将由千卡走向万卡，并进一步向十万卡规模扩展。

不过，具身智能对算力的需求并非大语言模型训练的简单延伸。训练机器人不仅需要用于模型训练和推理的AI算力，还需要构建虚拟世界的图形渲染能力和物理仿真能力。在仿真环境中，系统需要模拟光线、材质、重力等物理环境，并生成摄像头、激光雷达等传感器数据，再通过强化学习让机器人反复训练。

（摩尔线程创始人、董事长兼首席执行官张建中）

传统技术架构通常将物理仿真、图形渲染和AI训练部署在不同平台，开发者需要在多个异构系统之间搬运数据和切换开发环境，不仅增加了数据传输开销，也难以满足具身智能训练对渲染、物理与AI计算高度同步的要求。

摩尔线程将全功能GPU作为布局具身智能基础设施的技术路径。张建中介绍，基于摩尔线程MUSA统一系统架构，单颗GPU可以同时支持AI计算、图形渲染、物理仿真和科学计算，以及超高清视频编解码，不同计算引擎可以在同一芯片和软件体系中协同运行，减少跨平台数据传输。

在云端，摩尔线程以全功能GPU为基础建设夸娥智算集群，目前正由万卡级向十万卡规模扩展。在此基础上，公司提出建设贯通“训练—推理—智能体”的一体化AI工厂，包括模型训练工厂、词元生产工厂和智能体生产工厂。

其中，模型训练工厂面向基础模型、具身大脑和世界模型的大规模预训练、后训练及强化学习；词元生产工厂主要通过大规模推理支撑模型服务；智能体生产工厂则进一步连接数据生成、模型训练、仿真验证和端侧部署。

张建中称，摩尔线程已经开展多项“国芯训国模”实践，覆盖基础模型、具身大脑和世界模型等。相比单卡峰值算力，摩尔线程更关注集群规模扩大后的线性扩展效率、算力利用率和有效训练时间，只有将芯片、互联、系统软件、训练框架和运维体系协同起来，集群规模才能真正转化为有效算力。

在具身智能训练环节，摩尔线程进一步打通合成数据生成、基础模型训练、后训练与强化学习、仿真评测及Sim2Real等流程。公司推出了全栈具身智能仿真平台MT Lambda。据介绍，在底层，MT Lambda基于全功能GPU和MUSA统一架构，使渲染、物理仿真与AI计算在同一芯片上完成，并实现数据“零拷贝”；中间层融合物理引擎、渲染引擎和AI引擎；上层则提供数据合成、策略训练、任务编排和仿真验证等工具。

这一平台主要针对具身智能的数据瓶颈。与语言模型可利用互联网文本和图像不同，机器人需要大量真实、可交互且符合物理规律的数据，但真机采集普遍面临成本高、周期长和长尾场景覆盖不足等问题。通过高保真仿真和域随机化，开发者可以批量生成不同光照、材质、物体和地形条件下的训练数据，再将机器人在虚拟世界中学到的能力迁移至真实本体。

摩尔线程表示，基于MuJoCo-Warp-MUSA等GPU加速物理仿真后端，已经完成四足机器狗和双足人形机器人的Sim2Real真机验证。在端侧，公司还计划通过SoC、AI模组和开发工具，与云端智算集群和仿真平台协同，覆盖机器人本地感知、推理和运动控制需求。

从摩尔线程的布局看，国产GPU企业的竞争维度正从芯片参数和单一模型适配，进一步延伸至集群、仿真平台、开发工具和端侧部署。具身智能带来的算力需求，也不再只是扩大AI训练规模，而是要求底层平台同时处理AI、图形和物理计算。张建中表示，摩尔线程将继续完善从云端集群、仿真平台到边缘终端的产品和软件体系，并邀请模型、本体、仿真及场景企业共同参与具身智能生态建设。