摩爾線程描繪了更大的藍圖：從全功能GPU到Agent全場景落地

算力荒的焦慮已無需渲染。 5月的一個北京夜晚，創始人、董事長兼首席執行官張建中在摩爾線程2026年產品發佈會現場透露一組數據：當前國內每天僅某一款應用的Token消耗量就已突破140萬億——而此前的預測，是整個市場總消耗量在30萬億到180萬億之間。 為抗住這源源不斷的算力需求，一個可靠的人工智能基礎設施必不可少。但算力只是故事的一半。“場景最後還是要通過筆記本、手機或者其他終端來實現。”一位投資人告訴雷峰網。 從雲端到終端，從算力到生態——這場發佈會上，摩爾線程展示了一張完整的版圖。 從“小麥”到具身智能，摩爾線程補齊物理AI版圖試問token消耗的第一來源，自然是當下備受關注的AI Agent。 IDC預測，到2030年全球活躍AI智能體將達22.16億。中國企業AI智能體數量將在2031年突破3.5億規模，年複合增長率達到135%以上。 國內的熱情更是傳導至政策端。2026年政府工作報告首次把“智能體”三個字寫了進去——2027年普及率目標超70%，2030年超90%。 但不可忽視的是，當前市面上不少智能體在主動服務、長期記憶等能力上仍有短板，而摩爾線程本次首發的全域智能體“小麥”，可謂恰逢其時。 比OpenClaw的分數高出20%左右、綜合評分遠超其他國產同類型產品——摩爾線程推動建立的可視化測評系統MTClaw Evaluation System給到了多維度的評估，張建中重點介紹了其中三個特性： “事辦得全”——在7×24小時服務裡，“小麥”基於原生Linux環境支持超36種APP的控制，具備60多種複雜skill，可無縫銜接90個以上CLI工具。 “事辦得好”——藉由二維拓撲記憶系統，小麥在融合短時和長時記憶的基礎上不斷歸納總結習得的知識。 “事辦得快”——基於摩爾線程自研架構MTClaw，小麥在調用高頻工具時，成功率已超過95%，端到端任務執行效率相比使用框架前提升了7倍。 “我們希望‘小麥’迅速落地到千家萬戶。”張建中直言。 於是，摩爾線程首款面向家庭的消費級產品——MTT AICUBE，成了小麥的第一個“家”。在現場，張建中用“三位一體”——AI Agent、AI PC、AI NAS——來定義這塊迷你智能立方體。 支撐這款家庭AI中樞的算力底座，其實在去年摩爾線程首屆MUSA開發者大會上早有預告。內置CPU、GPU、NPU和VPU，摩爾線程首顆自研智能SoC芯片“長江”實現了50TOPS異構算力，內存可達32GB。 而用戶對超群記憶力、數據不上雲的安全需求則有賴於標配的1TB全閃SSD以及12TB的可擴展空間。 以家庭照片和視頻為例，AICUBE可自動整理相冊、生成紀念視頻、實時視頻超分，滿足家庭“存得下、找得到、用得起來”的需求。 如果說AICUBE把“小麥”留在了家裡，那麼MTT AIBOOK則把它裝進了背包。直面當下OPC（個人公司）風口，這款此前同樣官宣過的AI PC，能在本地能同時跑12個以上智能體，直連90多款工具，協同完成全鏈路工作。 穩定運行背後，是摩爾線程打造的原生AI操作系統在做支撐——相對Windows更輕量、更實時、更可靠。 雷峰網注意到，開箱即用是MTT AIBOOK的另一大亮點。出廠預裝OpenClaw的同時，也為用戶準備了可一鍵切換的MTClaw。此外，內置的PES應用市場方便用戶隨時下載新應用；提供的Windows虛擬機和安卓預置容器，讓用戶可以在不同系統環境中無縫運行各類軟件。 為了免除消費者的後顧之憂，摩爾線程還聯合趨境科技，為每位AIBOOK用戶提供7×24小時遠程技術支持。 從AICUBE到AIBOOK，“小麥”學會了處理數字事務。但張建中想更進一步——讓智能體走進物理世界，真正動手幹活。 他指出，訓練一個能在物理世界中自主行動的智能體，面臨真實數據稀缺且採集成本高、真機訓練風險大和場景難以泛化的挑戰。要解決這些問題，不能靠真機硬摔，而需要一個高保真的仿真環境。 MT Lambda由此而生。作為國內首個全棧國產化具身智能仿真平臺，它硬件上依託支持光線追蹤的S5000 GPU和誇娥集群，軟件上融合開源MujoCo、Newton及自研AlphaCore引擎，最終實現多物理場的統一求解與更快更逼真的渲染速度。現場機器狗靈活的一舉一動，便是最直觀的註腳。 據張建中介紹，當前摩爾線程已經聯合光輪智能、智源研究院和光線雲等合作伙伴，打通從數據合成到模型訓練再到策略部署的閉環。同時，他也呼籲更多同行者加入其產業生態圈“PES聯盟”，共同推進具身智能仿真與訓練。 誇娥萬卡集群與MUSA生態，支撐算力爆發的洪流支撐智能體和仿真平臺的，正是摩爾線程的雲端底座——在S5000基礎上搭建的誇娥萬卡集群。而它的核心考驗同樣在於夠不夠穩定和高效。 以大模型訓練需求為例，張建中指出，客戶不願換用國產智算集群，根源並非軟件或兼容問題，而是集群能不能“7×24小時不停機”。 摩爾線程用具體測評數據給出了答案：有效訓練時長佔比超過90%，稠密模型MFU超40%，MoE模型MFU超60%。 交出可靠答卷的同時，摩爾線程還啃下“精度”和“擴展穩定性”這兩塊硬骨頭，確保每一個訓練步驟跟國際主流產品保持精度對齊，在萬卡規模下保持95%左右的線性擴展率。 預訓練只是第一步。後訓練，尤其是強化學習階段，模型需要反覆生成回答、接收反饋、迭代更新，對推理吞吐量和穩定性的要求極高。 為此，摩爾線程在訓練框架中集成了SGLang和vLLM兩大開源推理引擎，保障數據的高效生成。在此基礎上，摩爾線程還嘗試使用訓推分離Slime方案和訓推一體VeRL方案，兩者的提升效果均肉眼可見。 轉向需求更火爆的推理場景，誇娥集群的“強悍”在AI漫劇和短劇創作上體現得淋漓盡致。張建中直言，“以前只有好萊塢導演花大價錢才能製作的大片，現在短時間就能生成。” 這背後依託的，正是摩爾線程在誇娥集群上部署的全流程智能生產流水線——涵蓋文生視頻、語言理解、劇本創作等模型，配合自研語音生成引擎“摩語精靈”，能夠精準復刻或轉換聲音。 無論是訓練還是推理性能的充分發揮，都需要軟件棧做支撐，而這恰恰是摩爾線程近年來持續加碼的方向。目前，MUSA已完整支持700多個核心API，驅動與運行時全部免費開放。 算子層面，摩爾線程的核心數據庫實現100%兼容，55類算子覆蓋所有核心AI算子，MuDNN性能與原生態基本持平；PyTorch算子層做到100%兼容，SDK升級至5.1版本；針對大語言模型最常用的FlashAttention，摩爾線程將其算子效率優化至95%，大幅縮短了Transformer和MoE用戶的適配時間。 聚焦國內算子開發社區，摩爾線程一方面將國產AI編程語言TileLang集成至開源主線，GEMM算子效率超95%，Attention效率超90%；另一方面還與智源研究院合作，推進基於Triton的算子開發。 值得注意的還有摩爾線程的AI編程神器MUSACODE。張建中表示，開發者無需學習MUSA代碼，直接用自然語言就能與其交互，或通過與“小麥”的對話生成MUSA Kernel或算子。據張建中透露，MUSACODE已原生集成在AIBOOK的VSCode中。 此外，MUSA還新增了對編譯器Fortran的支持，便於傳統代碼的遷移。 夜色漸深，發佈會結束後的展區裡，有人對著“小麥”說話，有人翻看MUSA教學書籍，有人圍觀多智能體協同演示……人潮久久未散。 算力焦慮還在，但國產的答案，一年比一年具體了。