“算力決定AI的智能水平，誰能高效利用算力，誰就能贏得競(jìng)爭(zhēng)優(yōu)勢(shì)。

2024至2025年，AI大模型、AgenticAI和世界模型迎來爆發(fā)式增長。隨著ChatGPT、DeepSeek、Grok、Qwen等新一代超大模型的不斷涌現(xiàn)，人工智能的應(yīng)用場(chǎng)景和產(chǎn)業(yè)邊界正快速擴(kuò)展，帶來了前所未有的技術(shù)和產(chǎn)業(yè)革新。AI發(fā)展的核心驅(qū)動(dòng)力是強(qiáng)大的計(jì)算能力——算力決定AI的智能水平，誰能高效利用算力，誰就能贏得競(jìng)爭(zhēng)優(yōu)勢(shì)。

摩爾線程，一家國產(chǎn)GPU創(chuàng)新企業(yè)，正試圖打破這種局面。在WAIC 2025上，摩爾線程提出了“AI工廠”理念，致力于用系統(tǒng)級(jí)創(chuàng)新和工程化能力重構(gòu)AI產(chǎn)業(yè)鏈的底層能力。

那么，摩爾線程是怎么做的，做的怎么樣？接下來，就讓我來深入分析一下。

“國產(chǎn)AI芯片”不可回避的歷史任務(wù)

毫無疑問，算力已經(jīng)成為推動(dòng)技術(shù)進(jìn)步的關(guān)鍵力量，其重要性堪比工業(yè)革命時(shí)期的電力。

然而當(dāng)前國產(chǎn)AI芯片面臨三大核心挑戰(zhàn)：通用性不足，目前市場(chǎng)上的多數(shù)芯片僅能處理AI計(jì)算或圖形渲染等單一任務(wù)，難以應(yīng)對(duì)多模態(tài)融合、物理仿真等復(fù)雜場(chǎng)景；訓(xùn)練效率低下，GPT級(jí)模型訓(xùn)練耗時(shí)數(shù)月，算力資源因架構(gòu)與調(diào)度缺陷大量浪費(fèi)；生態(tài)壁壘高筑，CUDA平臺(tái)600萬開發(fā)者生態(tài)形成壟斷，國產(chǎn)方案兼容性差導(dǎo)致遷移困難。突破這些瓶頸，是國產(chǎn)芯片實(shí)現(xiàn)技術(shù)自立、支撐中國AI產(chǎn)業(yè)突圍的歷史性任務(wù)。

國產(chǎn)全功能GPU，用系統(tǒng)化思維解題

面對(duì)AI產(chǎn)業(yè)的高訓(xùn)練成本、通用性差和算力壟斷等問題，摩爾線程并未僅僅聚焦某一領(lǐng)域，而是通過構(gòu)建一個(gè)系統(tǒng)化工程創(chuàng)新，以五項(xiàng)核心技術(shù)能力構(gòu)建“AI工廠”，打造生產(chǎn)模型、生產(chǎn)智能的超級(jí)工廠。

1.全功能GPU通用計(jì)算能力

摩爾線程在國內(nèi)廠商中走的是全功能GPU路線。

該GPU不僅“全功能”，支持3D圖形渲染，還支持AI計(jì)算加速、科學(xué)計(jì)算和編解碼等四大引擎。同時(shí)，還“全精度”，實(shí)現(xiàn)了從FP64到FP8的完整精度范圍，滿足大規(guī)模AI訓(xùn)練對(duì)混合精度計(jì)算的要求。

憑借更全面的功能和更完備的計(jì)算精度，摩爾線程GPU具有更高的計(jì)算通用性，能夠適配AI、AI4S（AI for Science）、大數(shù)據(jù)處理、數(shù)字孿生、圖形渲染、高清顯示等多樣化計(jì)算需求。

2.先進(jìn)MUSA統(tǒng)一架構(gòu)

摩爾線程推出的MUSA統(tǒng)一架構(gòu)，涵蓋統(tǒng)一的芯片架構(gòu)、指令集、編程模型、軟件運(yùn)行庫及驅(qū)動(dòng)程序框架等關(guān)鍵要素，讓各種計(jì)算任務(wù)都能高效運(yùn)行。

這個(gè)架構(gòu)的創(chuàng)新點(diǎn)很實(shí)在，是可伸縮的GPU架構(gòu)，支持資源靈活調(diào)配：通過智能調(diào)度技術(shù)，讓計(jì)算、內(nèi)存、通信資源變成“共享池”，需要多少用多少。這一設(shè)計(jì)不僅突破了傳統(tǒng)GPU功能單一的限制，還在保障通用性的同時(shí)顯著提升了資源利用率。

除此之外，MUSA架構(gòu)內(nèi)部包含了多個(gè)摩爾線程自研的核心技術(shù)。例如，摩爾線程的AI加速系統(tǒng)（TCE/TME）全面支持從INT8到FP8等多種計(jì)算精度，尤其FP8技術(shù)通過智能轉(zhuǎn)換和累加設(shè)計(jì)，在保證準(zhǔn)確度的同時(shí)，讓AI模型訓(xùn)練提速近30%。獨(dú)創(chuàng)的ACE異步通信引擎，可減少了15%的計(jì)算資源損耗，將GPU的算力釋放；而MTLink2.0互聯(lián)技術(shù)，提供了高出國內(nèi)行業(yè)平均水平60%的帶寬，為大規(guī)模集群部署奠定了堅(jiān)實(shí)基礎(chǔ)。

3.MUSA全棧系統(tǒng)軟件

有了創(chuàng)新的底層架構(gòu)和強(qiáng)大的芯片算力，如何提升單節(jié)點(diǎn)計(jì)算效率，是推動(dòng)AI工廠從單點(diǎn)創(chuàng)新轉(zhuǎn)向系統(tǒng)級(jí)效能提升的關(guān)鍵。

摩爾線程MUSA全棧系統(tǒng)軟件，打通了底層驅(qū)動(dòng)到上層應(yīng)用框架，并實(shí)現(xiàn)了多項(xiàng)創(chuàng)新。例如，任務(wù)調(diào)度優(yōu)化，核函數(shù)啟動(dòng)時(shí)間縮短50%，任務(wù)派發(fā)延遲極低；

核心算子庫上，GEMM算子算力利用率達(dá)98%，F(xiàn)lash Attention算子算力利用率突破95%；

通信效能上，MCCL通信庫實(shí)現(xiàn)RDMA網(wǎng)絡(luò)97%帶寬利用率；基于異步通信引擎優(yōu)化計(jì)算通信并行，集群性能提升10%；

開發(fā)生態(tài)上，基于Triton-MUSA編譯器+MUSA Graph實(shí)現(xiàn)DeepSeek R1推理加速1.5倍，全面兼容Triton等主流框架。

4.大規(guī)模集群效率

摩爾線程的KUAE集群系統(tǒng)提供了萬卡級(jí)別的計(jì)算能力，支持亞微秒級(jí)通信延遲，并具備容錯(cuò)調(diào)度和大規(guī)模集群管理能力，已成功適配DeepSeek、Qwen、LLaMA等多個(gè)主流AI大模型。

摩爾線程的KUAE集群能夠高效協(xié)作大規(guī)模計(jì)算節(jié)點(diǎn)，解決了分布式計(jì)算中的資源調(diào)度問題，確保集群高效運(yùn)轉(zhuǎn)，為大模型訓(xùn)練提供了穩(wěn)定可靠的技術(shù)保障。

KUAE計(jì)算集群具備多項(xiàng)創(chuàng)新技術(shù)，具體可概括為：創(chuàng)新5D并行訓(xùn)練，摩爾線程整合數(shù)據(jù)、模型、張量、流水線和專家并行技術(shù)，全面支持Transformer等主流架構(gòu)，顯著提升大規(guī)模集群訓(xùn)練效率。

性能仿真與優(yōu)化，自主研發(fā)的Simumax工具面向超大規(guī)模集群自動(dòng)搜索最優(yōu)并行策略，精準(zhǔn)模擬FP8混合精度訓(xùn)練與算子融合，為DeepSeek等模型縮短訓(xùn)練周期提供科學(xué)依據(jù)。

秒級(jí)備份恢復(fù)，針對(duì)大模型穩(wěn)定性難題，創(chuàng)新CheckPoint加速方案利用RDMA技術(shù)，將百GB級(jí)備份恢復(fù)時(shí)間從數(shù)分鐘壓縮至1秒，提升GPU有效算力利用率。

5.集群穩(wěn)定性

在構(gòu)建高效集群的基礎(chǔ)上，穩(wěn)定可靠的運(yùn)行環(huán)境是“AI工廠”持續(xù)產(chǎn)出的保障。特別在萬卡級(jí)AI集群中，硬件故障導(dǎo)致的訓(xùn)練中斷會(huì)嚴(yán)重浪費(fèi)算力。

摩爾線程創(chuàng)新推出零中斷容錯(cuò)技術(shù)，故障發(fā)生時(shí)僅隔離受影響節(jié)點(diǎn)組，其余節(jié)點(diǎn)繼續(xù)訓(xùn)練，備機(jī)無縫接入，全程無中斷。這一方案使KUAE集群有效訓(xùn)練時(shí)間占比超99%，大幅降低恢復(fù)開銷。

同時(shí)，KUAE通過多維度訓(xùn)練洞察體系實(shí)現(xiàn)動(dòng)態(tài)監(jiān)測(cè)與智能診斷，異常處理效率提升50%；結(jié)合集群巡檢與起飛檢查，訓(xùn)練成功率提高10%，為大規(guī)模AI訓(xùn)練提供穩(wěn)定保障。

摩爾線程通過上述五力協(xié)同，系統(tǒng)級(jí)能力構(gòu)建“AI生產(chǎn)力”。

需要指出的是，摩爾線程的五大核心技術(shù)能力并不是孤立的，而是從GPU計(jì)算到架構(gòu)設(shè)計(jì)，從訓(xùn)練優(yōu)化到集群管理，再到軟件生態(tài)，構(gòu)成了一個(gè)閉環(huán)系統(tǒng)，推動(dòng)了其“AI工廠”概念的成功落地，為AI大模型訓(xùn)練提供了強(qiáng)大而可靠的國產(chǎn)基礎(chǔ)設(shè)施支持。

如何賦能AI時(shí)代的核心應(yīng)用場(chǎng)景

GPU的角色，已經(jīng)從傳統(tǒng)的圖形處理，轉(zhuǎn)變?yōu)锳I大模型訓(xùn)練、科學(xué)仿真、多模態(tài)推理、工業(yè)智能化和空間計(jì)算等關(guān)鍵技術(shù)的核心算力基礎(chǔ)。隨著AI技術(shù)，尤其是大模型訓(xùn)練和生成式AI的快速發(fā)展，GPU在計(jì)算資源中的核心地位日益突出。摩爾線程的全功能GPU，尤其是其“AI工廠”體系，正在將這一強(qiáng)大算力轉(zhuǎn)化為各行業(yè)智能升級(jí)的實(shí)際能力。

摩爾線程自主研發(fā)的全功能GPU，滿足了AI產(chǎn)業(yè)對(duì)高效算力的迫切需求，且能夠廣泛應(yīng)用于多個(gè)領(lǐng)域，推動(dòng)AI技術(shù)的發(fā)展。

應(yīng)用1：AI大模型訓(xùn)練與推理的核心引擎

隨著大模型的崛起，AI應(yīng)用對(duì)算力的需求變得更加復(fù)雜和多樣。大模型在訓(xùn)練和推理階段對(duì)算力的通用性、精度和能效比提出了極高的要求。摩爾線程的全功能GPU通過FP8混合精度和全棧推理優(yōu)化成為解決這些問題的最佳選擇。

·通用性與精度：摩爾線程GPU支持FP8混合精度，既能提升訓(xùn)練效率，又能保證計(jì)算精度，滿足現(xiàn)代AI訓(xùn)練對(duì)算力和精度的雙重需求。

·全棧推理優(yōu)化：摩爾線程的TensorX和vLLM-MUSA推理優(yōu)化套件，已在DeepSeek等大模型的訓(xùn)練和部署中驗(yàn)證其高效性。

摩爾線程的GPU打破了算力瓶頸，不僅為AI大模型的訓(xùn)練和推理提供了強(qiáng)大的技術(shù)支撐，更為即將爆發(fā)的Agentic AI時(shí)代鋪路，未來的AI應(yīng)用將包括萬億參數(shù)模型和多Agent協(xié)作，這類智能體協(xié)作要求極高的算力支持。摩爾線程的全功能GPU，將為智能體AI提供強(qiáng)大的支持，推動(dòng)這一新型架構(gòu)的快速發(fā)展。

應(yīng)用2：科學(xué)計(jì)算與AIforScience的新底座

在藥物設(shè)計(jì)、材料仿真、分子動(dòng)力學(xué)等科研領(lǐng)域，對(duì)計(jì)算精度和計(jì)算規(guī)模的要求非常嚴(yán)格。傳統(tǒng)的國外GPU難以滿足這些需求，而摩爾線程通過支持FP64等全精度計(jì)算，為科研領(lǐng)域提供了強(qiáng)大的技術(shù)支持。

·FP64精度支持：摩爾線程的GPU不僅能支持高精度計(jì)算，還滿足了AI for Science領(lǐng)域?qū)Υ笠?guī)模并行計(jì)算的需求。

·科研合作與應(yīng)用：摩爾線程正與國內(nèi)頂級(jí)科研機(jī)構(gòu)合作，推動(dòng)GPU在分子動(dòng)力學(xué)和蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)等領(lǐng)域的應(yīng)用，滿足了科研對(duì)高精度計(jì)算的需求。

應(yīng)用3：工業(yè)與空間智能的國產(chǎn)替代關(guān)鍵力量

在工業(yè)制造、遙感、圖形渲染等領(lǐng)域，GPU的圖形處理能力、AI加速能力和仿真能力必須高度融合。隨著工業(yè)智能化和數(shù)字孿生技術(shù)的發(fā)展，摩爾線程可以提供關(guān)鍵技術(shù)支持。

·圖形+AI+仿真能力：摩爾線程GPU支持3D渲染、圖像識(shí)別、數(shù)字孿生等應(yīng)用，在工業(yè)智能化、遙感和空間計(jì)算中展現(xiàn)出強(qiáng)大的計(jì)算和數(shù)據(jù)處理能力。

·國產(chǎn)替代實(shí)現(xiàn)閉環(huán)：摩爾線程產(chǎn)品和技術(shù)已與雪浪云工業(yè)智能體和超圖遙感平臺(tái)融合，成功打造了全國產(chǎn)解決方案。

在算力決定智能高度的今天，摩爾線程正通過"AI工廠"構(gòu)建新一代AI基礎(chǔ)設(shè)施——從提升精度的FP8技術(shù)，到可支撐萬卡規(guī)模的KUAE集群，這套系統(tǒng)級(jí)創(chuàng)新將會(huì)證明：國產(chǎn)計(jì)算平臺(tái)已具備規(guī)?；?、高效率、高可靠的大模型生產(chǎn)能力。

來源：數(shù)據(jù)猿