没有新的 GPU天水防火门胶，没有新的智卡。
但国产 GPU厂商，却在整场发布会的时间里，做了件非常物理的事儿——
发布个全栈国产化的具身智能仿真平台。
先来看果。
这只名叫小飞的机器狗，缓缓走上了舞台。
在走到舞台中央后，只见屏幕里仿真世界的小飞侧空翻了下，随即，物理世界的小飞便做出了模样的动作。
转个身，再来次，动作依旧是像粘贴复制的似的。
小飞的运动策略是这样的：
是在仿真世界中训练出来，并损迁移到真实物理世界的。
那么它背后这国产 GPU 玩是谁？这个具身智能仿真平台又叫什么？
不关子。
正是由摩尔线程新鲜发布的MT Lambda。
刚才小飞的套操作，可以理解为：
这是次在全国产的硬件平台上训练出的运控策略，完整部署到全国产的端侧芯片上，次实现了 Sim-to-Real（仿真到现实）的真机验证。
至此，摩尔线程也就成为了国内唯通"大模型训练 — 仿真模拟 — 端侧部署"全链路的 GPU 企业。
如果说大模型的爆发是依靠海量互联网数据"喂"出来的，那么具身智能的爆发，则迫切需要个度真实的虚拟世界。
奥力斯 泡沫板橡塑板专用胶报价 联系人：王经理 手机：18232851235（微信同号） 地址：河北省任丘市北辛庄乡南代河工业区
而现在，国产 GPU，开始自己动手造世界了。
像是套物理 AI 训练的流水线
若我们把 MT Lambda 拆开来看，其实，它像条围绕机器人训练展开的流水线。
上层，是两个平台：MT Lambda-Lab和MT Lambda-Sim。
MT Lambda-Lab 偏具身策略开发与训练，面向强化学习、模仿学习、VLA 模型等任务。
对于开发者来说，这层要解决的是"怎么让智能体学会做事"的问题，即动作策略怎么训练、行为怎么迭代、模型怎么在复杂任务中逐步变得稳定等等。
MT Lambda-Sim 则偏保真物理仿真与渲染，负责场景构建、传感器模拟、数据生成和仿真验证。
它关心的是另个问题：机器人看到的世界、碰到的物体、执行动作后的反馈，能不能尽可能接近真实世界。
这两者在起，就构成条具身智能开发的主链路：数据成—策略训练—仿真验证—端侧部署。
为什么这条链路重要？因为现实世界太贵了。
张建中在发布会上，便提到了训练个好的智能体的三大痛点：
先缺少大量质量数据，靠人采集、靠遥操作采集，成本都很；
其次，真机训练风险和代价很，不可能让机器人或机器狗每天反复摔倒、损坏；
三，真实场景往往不可控，也不容易泛化，实验室里能跑，换个环境就可能失。
这几句话其实点出了具身智能行业当下现实的矛盾天水防火门胶，即模型进化很快，物理场景积累很慢。
大模型可以吃互联网数据，但机器人吃的是现实世界的数据。个杯子从桌边滑落，块布料被夹爪抓起，辆车在雨夜里遇到突发障碍，这些任务很难用简单文本描述完整。它们涉及光照、材质、摩擦、碰撞、运动轨迹和传感器反馈。要让机器人真正学会行动，就须把这些复杂场景低成本、大规模、可复现地生产出来。
MT Lambda 的底层能力，就围绕三类引擎展开：物理、渲染、AI。
先看物理引擎。
MT Lambda 集成了 MuJoCo-Warp-MUSA、Newton-MUSA 等开源后端，也包括摩尔线程自研的 AlphaCore 物理引擎。
它们基于 MUSA 架构进行并行求解，支持精度、可微分的物理计。在典型仿真负载下，整体仿真吞吐率可实现约 30 倍提升。
这意味着什么？
对于机器人来说，物理引擎的价值远远不止让画面里的东西动起来。机械臂抓起个柔物体，指接触时有力的反馈；四足机器人落地时，不同地面材质会改变受力和姿态；自动驾驶仿真里，车辆、行人、障碍物之间的运动关系要符真实物理规律。仿真如果不准，训练出来的策略就容易在现实中翻车。
再看渲染引擎。
MT Lambda 搭载 MT Photon 光子引擎，融光线追踪与混渲染能力，同时引入 3DGS 和自研 AI 生成式渲染能力，用来提升仿真画面的真实感、细腻度和渲染率。
这部分尤其关键。具身智能既要动作，也要看世界。摄像头、度相机、激光雷达、触觉传感器等多模态输入，都会影响机器人如何判断环境。渲染越真实，成数据越接近真实数据，Sim to Real 的鸿沟就越有机会缩小。
现场讲到与光轮智能作时，张建中提到，MTT S5000 具备 RT Core 光线追踪核心，可以带来接近 3 倍的图形渲染能力提升；在相关测试中，使用 MTT S5000 RT Core 硬件光线追踪加速渲染，可获得 2.7 倍能提升。
后是 AI 引擎。
MT Lambda 集成度适配 PyTorch 的 Torch-MUSA 框架，配 muSolver、muFFT 等加速库，支持 VLA 模型开发部署，并融强化学习和模仿学习训练范式。
放到具身智能里，AI 引擎对应的是机器人大脑的训练：它要把视觉、语言、动作连接起来，把环境反馈变成下步决策。
为什么摩尔线程能把"、仿、渲"装进个 Lambda？
其实，这也是全 GPU 价值被放大的地。毕竟，全 GPU 在国内本身便是稀缺的。
因为具身智能对芯片的要求，远不止 AI 矩阵计。
机器人训练要跑 VLA 模型、强化学习和模仿学习，这是AI 智；要模拟碰撞、摩擦、动力学和复杂接触，这是科学计和物理 AI；要生成足够真实的训练画面和传感器数据，这是3D 渲染；未来还会涉及大量数据的采集、传输、生成和回放，这又离不开清编解码。
TPU、NPU 或者些 GPGPU 路线，往往聚焦 AI 计或通用计的某类任务。它们在特定场景里可以把率做到很，但具身智能的问题杂，既要训练数字大脑，也要构建物理世界，还要把真实画面和传感器反馈起纳入训练闭环。
摩尔线程之所以能把 MT Lambda 做成物理、渲染、AI 三大引擎体的平台，底层原因正在于它从成立以来坚持的全 GPU 路线。
按照摩尔线程给出的定义，全 GPU 依托自研 MUSA 架构，在单颗芯片中同时支持 AI 计、图形渲染、物理仿真、科学计和清编解码。
换句话说，MT Lambda 并非是在堆割裂工具之上硬拼出来的套件，而是长在全 GPU 和 MUSA 统架构上的平台能力。
对于具身智能来说，这种"、仿、渲"体化，恰好对应了机器人训练的真实需求，即边跑 AI 模型、边物理碰撞、边渲染真实画面。
过去，开发者可能需要在不同硬件、不同软件栈之间切换：AI 训练用套平台，图形渲染用另套平台，物理仿真又要接三套工具。数据在不同系统之间搬来搬去，率低，调试难，误差也会累积。
MT Lambda 想做的，是把这些原本割裂的环节尽可能放回同套底座上。对于开发者而言，理想的状态是少花时间和底层适配搏斗，把多精力放在法、任务和场景本身。
云端、端侧、生态，也开始闭环了
如果说 MT Lambda 解决的是怎么训练和仿真，那么摩尔线程另条线索，是把云端、端侧和生态起补上。
云端，万能胶厂家是夸娥（KUAE）智集群。
在大模型时代，集群先被理解为训练底座；但到了具身智能时代，它还像个巨大的机器人训练场。因为仿真数据旦规模化，需求会迅速膨胀：
条机械臂轨迹可能要生成多个机位、多种光照、多种材质、多种扰动下的画面；自动驾驶世界模型每周可能生成海量测试里程；人形机器人训练也需要大量并行环境反复试错……
当数据进入百万帧、千万帧规模，底层力的角也会从加速器变成条生产线。
摩尔线程的夸娥智集群，核心加速单元包括 MTT S5000。其中，MTT S5000 基于四代 MUSA 架构平湖，单卡 AI 稠密力 1000 TFLOPS，配备 80GB 显存、1.6TB/s 显存带宽，支持 FP8 到 FP64 全精度计，同时也是国内少数同时支持硬件光线追踪和 AI 训的国产 GPU。
这类指标放到具身智能语境下，含义会清楚：FP8、BF16、FP16 等能力服务 AI 训，光线追踪服务保真渲染，物理仿真和科学计能力服务复杂动力学求解。也就是说，具身智能需要多种能力在同套架构中协同起来。
端侧，则是长江 SoC 和 E300 AI 模组。
云端负责大规模训练，仿真平台负责试错和验证，但终，策略还是要跑到机器人本体上。机器人在真实世界行动，很多时候不能依赖云端响应。它需要本地完成感知、决策和控制，尤其在低延迟、可靠要求的任务中，端侧力是须补齐的环。
基于长江 SoC 的 MTT E300 AI 模组提供 50 TOPS 本地力，可直接部署于机器人终端，支持低延迟、可靠的实时响应。换句话说，云端训练出来的经验，需要通过端侧模组变成机器人身上的即时反应。
这就形成了个完整的闭环：云端做大规模训练和并行仿真，MT Lambda 完成策略开发、数据成和仿真验证，E300 AI 模组负责把训练结果带到机器人终端执行。
重要的是，摩尔线程这套布局已经开始进入真实生态验证。
比如，与智源的作中，RoboBrain 2.5 基于 MTT S5000 千卡集群完成端到端训练。相关验证结果显示，其训练 Loss 走势与 H100 集群结果度重，差异仅 0.62，并在部分任务表现优；集群从 64 卡扩展至 1024 卡，实现 90 以上线扩展率。
这类结果的意义在于，它验证了国产力集群作为具身模型训练底座的可用。
再比如，与光轮智能的作，多指向仿真数据量产。双依托摩尔线程全 GPU 与夸娥智集群，结光轮智能"求解—测量—生成"三位体的仿真平台，联造置信度仿真数据成案。光轮智能的精度 GPU 物理求解器已适配 MUSA 架构，支持刚体、柔体、流体、颗粒等复杂物理过程的精度实时仿真，相关案例中，核心物理参数仿真准确度达到 99 以上。
与小马智行的作，则把场景扩展到自动驾驶。双基于 MTT S5000 和夸娥智集群，进世界模型及车端模型训练的适配与验证。小马智行世界模型每周可生成过 100 亿公里测试数据，并衍生出大量端场景。对于自动驾驶来说，长尾场景、端险境和安全验证，本来就是仿真能发挥价值的地。
此外，摩尔线程还与五视界、光线云等伙伴进物理 AI 仿真体系和具身仿真平台建设。论是 4DGS 模型训练理、成数据生成，还是任务库、仿真计、虚实验证闭环，本质上都在回答同个问题：具身智能很难靠单公司闭门造车，它需要力、仿真、法、场景起把生态跑通。
这也是摩尔线程这次发布比较值得关注的地。
它把故事从"我有颗芯片"，进到"我能搭套基础设施"。
从底层 MUSA 架构和全 GPU 往上搭平台，往下接端侧，横向拉生态。这个法未夜之间改变产业格局，但它已经把国产 GPU 的战场，从大模型训进步向了物理 AI 基础设施。
要做的是国产具身智能基础设施
具身智能现在很大的矛盾点在于，模型很快，但场景很慢。
在数字世界里，大模型可以靠海量文本、图片、数据持续进化；但在物理世界里，机器人要学会开门、搬箱子、抓柔物体、穿过复杂路口，每个动作背后都是真实成本。
真机采集贵，遥操作慢，设备损坏风险，危险场景不能随便试，长尾情况又难以穷尽。于是，仿真成数据和 Sim to Real 闭环，就成了具身智能从实验室走向产业的关键基础设施。
这也是为什么"造世界"会成为具身智能竞争的核心命题。
这里的世界，核心价值不在于游戏意义上的好看，而在于能训练机器人、验证机器人、纠正机器人行为。它既要足够真实，能反映光照、材质、碰撞、摩擦、传感器噪声；也要足够，能大规模并行生成数据；还要足够开放，让不同模型、不同机器人、不同场景都能接入。
从这个角度看，摩尔线程的优势很难只用某个单点参数概括，其"全 GPU+MUSA 生态"的技术路线，贴近具身智能的复需求。
全 GPU 提供 AI 计、图形渲染、物理仿真、科学计和编解码等多类能力；MUSA 提供统软件生态；MT Lambda 把物理、渲染、AI 三大引擎整起来；夸娥智集群负责大规模训练和仿真；长江 SoC 与 E300 AI 模组把能力带向端侧；外部生态伙伴则补足数据、场景、仿真平台和行业应用。
这条链路的价值在于，具身智能本质上是项系统工程。
大模型公司可以先拼数字大脑，但机器人公司终要面对的，是大脑如何控制身体、身体如何理解环境、环境如何被低成本复现。谁能用低成本、率，给机器人造出足够真实、足够可控、足够大规模的训练世界，谁就有机会把具身智能从 Demo 带到真实生产线、道路、庭和城市空间。
当然，国产具身智能基础设施的建设不会蹴而就。
论是仿真真实、Sim to Real 迁移果、开发者生态成熟度，还是产业客户的大规模采用，都需要持续验证。摩尔线程这套案能走多远，也要看后续多真实项目、多开发者和多机器人本体的反馈。
但至少从这次发布会看，国产 GPU 正在进入个新阶段。
它开始跳出能不能替代某块卡的被动叙事，主动定义新的力场景：发布会上升的"小麦"是数字智能体；翻跟头的机器狗"小飞"是物理智能体。当 AI 从屏幕走向现实，当智能体从会说话走向会行动，底层力就须同时理解模型、图形和物理。
张建中在活动中有提到，希望摩尔线程的产品从夸娥到长江，能够赋能所有智能体。
放在具身智能这条线上，这句话可以翻译得具体点：云端有大训练场，仿真里有虚拟世界，端侧有小脑执行，生态里有真实场景。
大模型竞争拼的是谁能训练出强的数字大脑，具身智能竞争还要拼另件事：谁能先造出个足够真实的训练世界。
这次，国产 GPU 已经开始下场造世界了。
键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见
相关词条:玻璃棉 塑料挤出机厂家 钢绞线 管道保温 PVC管道管件粘结胶1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。
