一套组合拳打通具身智能「任督二脉」，摩尔线程让物理 AI 加速走入现实
一句话看懂：摩尔线程于近日发布会上推出首款全栈具身智能仿真平台 MT Lambda，并配合万卡级智算集群及端侧 SoC，形成了从大模型训练、物理仿真到真机部署的完整国产 GPU 算力链路，直击机器人产业长期面临的“模拟到现实”闭环算力瓶颈。
事件核心：发生了什么
在刚刚结束的发布会上，摩尔线程创始人张建中展示了覆盖“云-边-端”的全套智算矩阵。核心产品包括：万卡级规模夸娥智算集群（基于 MTT S5000 GPU）、自研“长江”SoC 驱动的智能终端 MTT AICUBE 和 MTT AIBOOK，以及面向具身智能的仿真平台 MT Lambda。该平台集成了自研的 AlphaCore 物理引擎、MT Photon 光子渲染引擎和 AI 计算引擎，能够在一个统一架构下同时处理 AI 训练、物理计算、3D 渲染及视频编解码。摩尔线程同时宣布开源 MuJoCo Warp MUSA 后端，在四足机器狗训练测试中实现了相对 CPU 方案最高 40 倍的训练加速；在宇树 G1 人形机器人动作跟踪任务中，单卡约 4.8 天完成模仿学习收敛，较 8 卡海外 GPU 方案加速约 8 倍。此外，摩尔线程还与智源研究院合作，首次验证了国产算力集群在具身大模型 RoboBrain 2.5 端到端训练中的可用性。
为什么重要
当前具身智能产业的核心瓶颈并非单一算法，而是缺乏能够同时应对高精度物理仿真、光线追踪渲染和千亿参数大模型训练的“全功能”算力芯片。传统异构方案需要频繁进行平台切换和数据格式转换，导致仿真与现实之间存在显著差距。摩尔线程的优势在于其 MUSA 架构天然支持多任务并发——仅一套底层架构就能覆盖 AI 训推、科学计算和图形渲染——这种特性让 MT Lambda 实现了“计算+仿真+渲染”的一站式闭环。对于中国机器人产业链而言，这意味着探索人形机器人、柔性抓取和危险场景测试时，可以不再依赖于跨平台的海外 GPU 生态，从而降低开发门槛、提升迭代效率。更重要的是，摩尔线程是目前国内极少数打通了“大模型训练—仿真模拟—端侧部署”全链条的 GPU 公司，这使其在物理 AI 落地的关键窗口期内占据了先发生态位。
对用户/开发者/创作者的影响
对机器人开发者和算法工程师：可以获得可直接使用的国产仿真训练平台 MT Lambda-Lab 和 MT Lambda-Sim，无需在多种硬件平台之间切换数据格式。开源后端的加入（如 MuJoCo Warp MUSA）降低了迁移成本，尤其对于正在从事四足机器人或人形机器人模仿学习研究的团队，实测加速效果具备直接参考价值。对企业采购决策者：如果需要构建国产自主可控的具身智能研发基础设施，摩尔线程提供的“从机器到端”的全套方案（夸娥集群+MT Lambda+长江 SoC）可大幅减少系统集成风险。目前公开信息显示，其端侧 SoC 提供了 50 TOPS 本地算力，适合工厂巡检或家庭服务等场景的低延迟实时响应。对风险投资或行业观察者：需要注意摩尔线程此次与智源研究院、光轮智能等生态方的联合验证，这可能是国产 GPU 在具身智能领域从“技术验证”迈向“工程化”的信号。
值得关注的后续
1. 生态扩散速度：开源 MuJoCo Warp MUSA 后端能否快速积累社区贡献和第三方框架适配，将直接影响其在开发者群体中的采用率。
2. 量产与成本：夸娥智算集群的万卡规模部署是否已获得实际订单？MTT AICUBE 和 AIBOOK 的具体价格和上市时间尚未公布，价格竞争力将是决定其是否能渗透到中小企业或家庭用户的关键。
3. 竞品对应策略：目前国内其他 GPU 厂商（如壁仞、天数智芯）在具身智能领域尚未推出类似全栈平台，摩尔线程的率先布局可能引发行业跟进，需关注相关监管或标准化组织是否出台针对具身智能算力的新规范。
来源：Readhub · AI
