5月18日，摩尔线程在北京举办主题为“词元时代，万物智能”的年度产品发布会。 摩尔线程创始人、董事长兼 CEO 张建中 在发布会上开门见山的表示：“我们已真正进入词元时代。Token 不仅代表经济，更让整个世界焕新，带来万物智能。 过去 IoT 是 Internet of Things，今天，它应该叫 Intelligence of Things。 ”
单应用日均 Token 消耗突破 140 万亿，智能体应用已撑起算力需求的半壁江山，国内头部大模型的迭代周期压缩至1——2个月——"算力荒"不再是预警，而是正在兑现的现实。但焦虑的另一面，是一个更深层的老问题：对于国产 GPU 而言，兼容 CUDA 几乎是一个“老生常谈”的问题，却鲜有成熟替代路径。
发布会上，摩尔线程全面展示了“云-边-端”全栈智算矩阵。从万卡级规模的夸娥智算集群，到自研“ 长江 ” SoC 驱动的智能终端 MTT AICUBE 和MTT AI BOOK；从数字世界智能体“小麦”，到加速物理AI落地的首个全栈具身智能仿真平台 MT Lambda，再到持续进化的 MUSA 生态。
这一次，它没有停留在硬件参数的比拼上。从对标 CUDA 12.8 的全栈兼容，到用 AI 驱动生态的自我进化，再到打通数字与物理世界的具身智能，摩尔线程正在证明一件事： 国产 GPU 的下半场，芯片只是入场券，生态才是终局。
MUSA 5.1.0：用三年时间补上国产 GPU 的生态短板
长期以来，“兼容 CUDA” 更像国产 GPU 的宣传话术。开发者真正痛点不是算力差几个百分点，而是代码跑不通、算子对不上、迁移成本高到不可接受。多数厂商只做到局部 API 适配，远未达到工程可用的全链路兼容。
这正是 MUSA 5.1.0 试图打破的僵局。张建中在现场说得很直白：" MUSA 的目标从来不是做一个 CUDA 的替代品，而是要让 CUDA 开发者无缝迁移到国产平台，真正实现 即插即用 。"
从"部分可用"到"全面对齐"
驱动与运行时新增 248 个 API ，累计兼容 761 个核心接口，这意味着绝大多数 CUDA 程序可无需修改，在 MUSA 架构上高效运行。；
BLAS 、SPARSE、RAND、FFT 等核心数学库实现 100% 对齐 ，确保科学计算与AI训练的精度与效率；
支持 55 类核心 AI 算子 ，muDNN 算子库功能全面覆盖 cuDNN，并额外扩展 230+API，满足主流模型训推需求。；
最关键的突破： PyTorch 全部 3194 个算子实现 100% 兼容 。 这意味着全球数百万 PyTorch 开发者几乎无需修改代码，就能把模型搬到 MUSA 上。
全栈软件栈：不止兼容，更要自成体系
兼容只是起点。MUSA 同时构建了从底层驱动到上层应用的全栈软件架构：包括驱动、运行时、编程模型与工具链、加速库与框架、开发者套件等基础软件，也包含了集群的 AI 训推套件与系统管理软件。这种全栈设计避免了"头痛医头"的碎片化补丁，实现了系统级的性能提升。
在大模型训练与推理的热点算子上，MUSA也拿出了实际的性能数据：FlashAttention3 等 Transformer 核心算子在 MUSA 上达到 95% 的极致效率，基于 TileLang 自动调优的 Group GEMM 算子实现了 60% 的性能提升。
上周摩尔线程也公布正式合入 SGLang，这意味着" MUSA 的代码开始合入vLLM、SGLang 这些主流开源框架的主线，它就不再是一个被动的兼容者，而是开始成为生态的共建者。
云边端全域统一：一套架构，吃满词元时代的全部算力场景
与多数国产 GPU 厂商 All-in 云端训练不同，摩尔线程从成立之日起就押注"云-边-端"全栈布局，本次发布会将这一战略推到了极致。而 MUSA，正是贯穿三大场景的统一底层——一套架构、全域覆盖，既解决了产业碎片化的问题，也让 算力 的调度与协同有了统一的语言。
云端：万卡集群的训推一体化底座
云端是智算的主战场。MUSA 架构支撑的夸娥（KUAE）智算集群已实现万卡级规模的稳定运行，多项关键指标进入国际主流水平：Dense 大模型训练MFU达60%，MoE 大模型 MFU 达40%，有效训练时长达 90%，训练线性扩展效率达95%。
语音、视觉理解及多模态模型同样覆盖。更具标志性的是，MUSA 正式成为 vLLM 官方后端，并合入 SGLang官方主线获得原生支持——开发者无需额外适配，开箱即用。
边端与终端：智能的"神经末梢"，也是生态的入口
如果云端是大脑，边端与终端就是神经末梢。摩尔线程基于 MUSA 自研的"长江"智能 SoC 芯片，集成 CPU、GPU、NPU、VPU 等多个异构计算单元，算力达 50 TOPS，为端侧 AI 应用提供独立的算力底座。
在家庭场景，搭载"长江" SoC 的 MTT AICUBE 智能家庭 AI 中枢整合了"智能体+AI PC+AI NAS "三大能力。 内置的"小麦"智能体预装 60 余项技能，可流畅运行本地大模型。
在个人开发场景，升级后的 MTT AIBOOK 专为智能体开发者打造：搭载原生MTT AIOS 系统，支持 12 个以上智能体同时运行，提供 90+工具调用接口，并创新支持原生 Linux 、虚拟化 Windows 及容器化 Android 多系统。一台AIBOOK，即可覆盖智能体的开发、调试与部署全流程。
面向工业边缘，MTT E300 AI 模组支持混合精度计算，可在严苛环境下稳定运行，瞄准工业质检、能源巡检、智能汽车、低空经济等低延迟场景。
有人质疑摩尔线程做 To C 产品是否分散精力。但换个角度看，AICUBE 和AIBOOK 不只是消费品，更是 MUSA 生态的"开发者入口"。用一台价格亲民的设备让普通用户和开发者接触到 MUSA 架构、养成使用习惯，这种渗透方式远比纯技术推广高效——当年 CUDA 生态的起点，不也是从一块游戏 显卡 开始的吗？
用AI 建生态，摩尔线程开辟GPU发展新路径
全栈兼容是 MUSA 的基础。但真正让摩尔线程拉开身位的，是它对生态建设方式本身的重新定义。
传统 GPU 生态建设是一个"人力密集型"工程：厂商雇大量工程师，逐个迁移代码、逐个开发算子、逐个适配框架，效率低、周期长。 英伟达 用了二十多年才建起 CUDA 的壁垒，国产厂商沿用同样的路径追赶，永远只能跟在后面。
摩尔线程的解法是： 让 AI 来建设 AI 的生态。
本次发布会推出的两个 AI 工具，正在改变生态建设的速度公式：
Automusify 智能迁移工具 ——基于大模型技术，实现了对 Top 100 人工智能 与 Top 100 科学计算加速仓库的 100% 零干预自动迁移。开发者上传CUDA 代码，全程无需人工参与。迁移后的精度与性能，与原代码保持一致。
MUSACODE AI 编程助手 ——通过大模型智能体协同，已成功开发并交付超10000 个 Kernel 算子，覆盖绝大多数通用计算与 AI 计算场景。开发者无需学习 MUSA 语法，用自然语言描述需求，目前已原生集成在 VSCode 中，即装即用。
张建中的判断是："过去我们说'软件定义硬件'，现在我们要说' AI 定义软件'。MUSA 生态不是靠摩尔线程一家来建，而是靠所有开发者，加上 AI 的力量，共建一个自进化的生态。"
这句话的潜台词是：生态建设的游戏规则正在被改写。"谁先积累了二十多年开发者"这个 护城河 ，也许没有想象中那么不可逾越。
在开源与开放上，摩尔线程在 GitHub 上开放了所有加速库与工具链的源代码，并发起了 PES 开发者联盟，联合 中国移动 、智源研究院、智谱 AI 等上下游伙伴，共同推进产业落地。
押注具身智能：摩尔线程提前卡位下一个算力主航道
大模型技术逐渐成熟之后，具身智能被公认为 AI 产业的下一个风口。但这条路有三道几乎绕不过去的坎：数据稀缺、真机训练成本高、场景难以泛化。
摩尔线程基于 MUSA 架构打造的 MT Lambda 全栈具身智能仿真平台 ，试图一站式解决这些问题。
数据"零拷贝"，仿真效率大幅提升；中间层融合了自研的 AlphaCore 物理引擎、渲染引擎与 AI 引擎；上层则提供 MT Lambda-Lab 策略开发与训练平台，以及 MT Lambda-Sim 高保真仿真平台。
发布会现场，摩尔线程现场演示了其机器狗，直观展示了平台在策略开发与动作训练上的效果。同时，摩尔线程宣布了一系列生态合作落地：
与光轮智能联合打造国产合成数据解决方案，依托千卡夸娥集群每天可生成10万帧高保真合成数据；与智源研究院合作，实现任务资产一键导入、智能体算力调度、训练推理加速的全链路闭环。
上市 后的摩尔线程，到底想成为什么？
2025 年成功登陆 科创板 之后，摩尔线程的战略节奏明显加快。从官宣 AI 训推一体智算卡 MTT S5000，到本次推出全栈智算矩阵，摩尔线程正在从一家 “GPU 芯片公司” 快速转型为一家 “全栈智算解决方案提供商”。
这种转型背后，是摩尔线程对行业趋势的深刻判断：未来的算力竞争，不再是单一芯片的竞争，而是全栈能力的竞争。随着 Agentic AI 和具身智能的兴起，算力需求正在从云端向边端和终端扩散，单一的云端 GPU 厂商无法满足全场景的算力需求。只有打通云边端，提供从硬件到软件、从训练到部署的一站式解决方案，才能在未来的竞争中占据主动。
同时，摩尔线程也在刻意与“英伟达替代者” 的标签划清界限。张建中在发布会上多次强调， MUSA 的目标不是复制 CUDA，而是打造一个更适合 AI 时代的开放生态。 与英伟达封闭的生态模式不同，MUSA 坚持开源与开放的原则，在 GitHub 上开放了所有加速库与工具链的源代码，并发起了 PES 开发者联盟，联合上下游伙伴共同建设生态。
当然，我们也要清醒地看到，MUSA 生态与 CUDA 之间仍然存在不小的差距。虽然在核心 API 和算子层面已经实现了全面兼容，但在行业应用的深度和广度上，还有很长的路要走。同时，高端 GPU 的硬件性能与英伟达的最新产品相比，仍然存在一定的差距。
但不可否认的是，摩尔线程已经找到了一条适合国产 GPU 的发展道路：用全栈布局覆盖所有算力场景，用 AI 加速生态建设，用开放吸引开发者。这种 “全栈 + 自进化 + 开放” 的模式，为国产 GPU 的突围提供了一个全新的思路。
发布会尾声，张建中说： “词元时代的到来，为国产算力提供了前所未有的历史机遇。过去我们是追赶者，现在我们有机会成为并行者，甚至在某些领域成为引领者。”
言外之意是：AI 算力的格局正在改写。芯片之争只是上半场，生态之争才是终局。谁能把云、边、端打通，把训练、推理、仿真打通，把开发者、企业、硬件伙伴团结在一起，谁就能握住下一代算力的主动权。
MUSA 的故事刚刚开始。但对国产算力而言，一个更自主、更开放、更面向未来的选项，已经站在了舞台中央。
全部评论