2026年9月15日，在2026具身感知融合与多模态大模型创新研讨会上，摩尔线程生态高级总监郭华介绍道，摩尔线程持续携手产业伙伴深耕国产AI算力与模型研发领域，依托自研夸娥智算集群取得重磅成果，联合北京大学团队训练的World 5D世界模型，曾连续37天登顶WorldScore榜单。依托完备的底层算力与软件栈体系，摩尔线程已落地万卡规模语言模型、千卡规模具身大脑模型训练任务，同时推出PD分离异构推理架构，实现国际水准、高性价比的模型推理服务。

针对具身智能研发痛点，摩尔线程打造全流程解决方案，凭借GPU光线追踪能力与Photon API实现高质量数据合成，依托MT Ektro、RoboEvolve仿真评测平台优化训练与评测效率。郭华表示，摩尔线程的软硬件能力覆盖数据生成、基模训练、强化学习、仿真评测到端侧部署全链路，依托长江SoC芯片完成模型端侧落地，全力推动国产具身智能领域迎来技术突破。

郭华｜摩尔线程生态高级总监

以下为演讲内容整理：

摩尔线程非常愿意与业界从事模型训练的伙伴合作，在国产芯片上打造更优秀的国产模型。很荣幸，此前我们与北京大学团队合作，在摩尔线程夸娥智算集群上训练了World 5D世界模型，该模型连续37天登顶WorldScore榜单，取得第一名。

模型训练方面，除底层算力外，摩尔线程也提供了完善的软件栈来辅助模型训练。除World 5D世界模型外，我们还在万卡规模上开展了语言模型训练，并在千卡规模上开展了具身大脑模型训练。

当我们具备模型能力之后，如何将其转化为能够对外提供的服务？这正是摩尔线程词元生产工厂的主要任务。在词元生产方面，业界不仅希望获得高性能推理服务，也希望获得成本更低或更经济的token服务。我们认为，这方面除技术工作外，也离不开工程方面的努力，是一项系统化的工作。摩尔线程在这方面也开展了大量工作，并与合作伙伴发布了一种PD分离的异构推理架构，能够在模型推理方面提供比肩国际水平的能力，以及非常经济、低成本的效果。

另外是智能体生产工厂。我们认为，智能体一方面包括数字智能体，另一方面包括物理智能体。在智能体生产工厂中，我们将整个模型训练过程分为五个阶段，这五个阶段也为业界所熟知。不同阶段具有不同的计算任务，不同计算任务对底层算力芯片也有不同要求。

摩尔线程的GPU除了能够提供AI训练与推理能力外，也能够提供图形渲染以及物理仿真等能力，即整个具身训练流程各环节所需的各种能力。

首先是数据生成。在具身智能领域，高质量数据目前是一个难点。数据方面的困难，也是目前具身智能相比语言模型，其GPT时刻尚未到来的一方面因素。

摩尔线程在数据合成方面提供了软硬件一体的解决方案。在硬件方面，我们的GPU具备RT Core，即光线追踪能力。在软件方面，我们的Photon API也集成了BVH、RTC等图形渲染能力。这些能力结合在一起，能够对原始输入的语料进行较好的泛化，打造高质量数据，供给后续模型训练。

在具身基模训练方面，我们希望与业界同仁一起，在国产算力上打造更优秀的模型训练。我们与合作伙伴在摩尔线程32xMTT S5000上开展了VLA 模型训练。在基模训练之后，还有后训练和强化学习阶段，这有助于具身模型从失败中获得反馈，增强模型能力和鲁棒性。在这一阶段，训练要求包含非常多不同的异构计算任务。一个学习步骤可能包括图形渲染、推理等异构计算任务。对此，我们提供了相应解决方案，能够根据计算任务在不同算力设备上进行负载均衡，有效提高后训练和强化学习效率。

我们的MT Ektro解决方案，在通过对MuJoCo的适配和优化后，能够将运行效率提高约30%，取得了较好的训练效果。在完成模型训练之后，还需要为模型提供相当于考试场的环境，以了解模型训练效果是否达到要求。我们在仿真评测环节也提供了完善的解决方案。我们的RoboEvolve仿真评测平台能够在仿真评测阶段建立相应仿真任务，进行评测，并给出相关权威评测结果。这一阶段值得一提的是我们的AlphaCore组件，能够较好地完成柔性抓取相关渲染。

最终，此前所做的全部努力都要反映到实际现实当中，即需要实现Sim2Real过程。在这一过程中，我们主要展示在端侧提供的相关芯片和能力。我们在端侧有长江SoC芯片，提供50 TOPS异构算力，可支持将训练好的模型量化、剪枝后部署在机器人本体。

最后，我们希望能与行业同仁共同推动具身领域 ChatGPT 时刻的到来。

（以上内容来自摩尔线程生态高级总监郭华于2026年9月15日在2026具身感知融合与多模态大模型创新研讨会发表的《全功能GPU与具身智能的协同进化》主题演讲。）