摩尔线程张建中：算力底座是具身智能GPT时刻的关键变量

摘要：从千卡到十万卡规模，国产算力正在铺就具身智能的“GPT之路”

产联社作者 | 郑青春

图片由AI生成

“产业正在共同迎接具身智能的ChatGPT时刻，而算力底座是决定这一时刻何时到来的关键力量。”8月21日，摩尔线程创始人、董事长兼首席执行官张建中在2026世界机器人大会上发表主题演讲时作出上述判断。他表示，当前具身智能模型在Scaling Law驱动下，正从十亿、百亿级向千亿、万亿级参数进化，智算集群从千卡走向万卡、向十万卡规模迈进已成必然趋势。

张建中指出，当前几乎所有VLA模型参数量仅约70亿，距早期语言模型千亿级参数存在数量级差距，训练也仅需数十张GPU卡。他预测，下一个视觉模型和具身智能世界模型的GPT时刻，一定是在千卡、万卡级别以上集群上训练出来的。摩尔线程基于自研MUSA架构打造的全功能GPU，单颗芯片可同时支持AI计算、图形渲染、物理仿真、科学计算与超高清视频编解码，为具身智能提供了从数据到部署的硬核算力支撑。

张建中介绍，摩尔线程构建了以全功能GPU为根基的夸娥智算集群，目前已实现万卡级规模落地，并正由万卡向十万卡持续扩展。在此基础上，公司提出建设贯通“训练—推理—智能体”的一体化AI工厂，包括模型训练工厂、词元生产工厂和智能体生产工厂。

模型训练工厂已成功完成236b科学大模型训练，并正在训练万亿参数模型；词元生产工厂通过同构与异构GPU组合，大幅降低百万级Token推理成本；智能体生产工厂则聚焦具身智能训练，覆盖合成数据生成、基模训练、后训练与强化学习、仿真评测及Sim2Real全流程。

张建中强调，具身智能不仅需要AI算力，更极度依赖图形渲染力与物理仿真力。传统架构中三者相互割裂，开发者不得不在异构平台间反复切换。摩尔线程的全功能GPU在同一芯片上实现三大计算引擎协同运行，减少跨平台数据传输。公司推出的首个全栈具身智能仿真平台MT Lambda，底层实现渲染、物理、AI计算“零拷贝”，已成功支持机器人完成DIY组装电脑等精细操作。

张建中表示，摩尔线程将从云端夸娥智算集群到端侧长江芯片、E300推理芯片，构建连接数字世界与物理世界的新一代计算基础设施。他呼吁更多合作伙伴加入具身智能社区，共同在国产智算集群上训练高质量的视觉模型与世界模型，迎接具身智能GPT时刻的到来。

商务合作/报料，请联系微信号：18801065284