——具身智能重新定义了计算的意义。

那些只会算矩阵的芯片，将被淘汰在训练场门口。

今年1月13日深夜，一条不起眼的技术公告悄然发布：摩尔线程联合北京智源人工智能研究院，基于MTT S5000千卡智算集群，完成了具身大脑模型RoboBrain2.5的全流程训练。Loss曲线与国际主流GPU的训练结果高度重合，相对误差不超过0.62%；系统从64卡扩展至1024卡，线性扩展效率稳定在90%以上。

这是国产算力第一次在具身智能大模型训练上完成可交卷的验证，不是跑通，而是跑稳、跑快。

此后四个月，摩尔线程的具身版图快速铺开：与仿真数据公司光轮智能达成战略合作，双方打通"国产算力+自研仿真"闭环；在无锡联合16家企业启动工业具身智能创新中心；以及下一代"花港"架构正在测试验证，算力密度提升50%，能效比实现10倍跨越，5月17日参与杭州18家龙头企业共建的全产业链具身智能联盟。

一家芯片公司正在以具身智能产业链的速度布局，而不是以芯片公司的速度。

PART 01

具身智能是不同维度的计算

过去三年，AI计算的核心叙事是，参数更多，训练数据更大，FLOPS更高。这个逻辑在大语言模型时代成立，在具身智能时代开始失效。

机器人要行动，不只需要理解语言和图像，还需要理解物理世界的因果。一个物体受力后如何变形，一只手以什么角度抓握才不会打滑，机械臂运动时关节力矩如何分配。这些计算，本质上是实时的、有精度要求的物理仿真，而不是矩阵乘法的堆叠。

这就是为什么具身智能对芯片的要求是另一个物种。

 

数据中心GPU被设计为专职算力引擎，它擅长浮点运算，不擅长渲染，不负责物理仿真，更不需要在单颗芯片上同时处理视频流、几何计算和神经网络推理。而机器人的"大脑"，恰恰需要这几件事同时发生在一块硅上——或者至少在一套软件定义的统一架构里。

摩尔线程的MUSA架构从立项之初就不是数据中心GPU的跟随者。单颗芯片同时支持AI计算加速、图形渲染、物理仿真、科学计算与超高清视频编解码，这在英伟达的产品线里是割裂的。Tesla系列管训练，RTX系列管渲染，两者底层架构不同，生态不互通。摩尔线程选择的全功能路线，在大模型热潮里显得不够专注，到了具身智能时代，变成了结构性优势。

因此，2026年，行业有个判断正在逐渐形成，那就是具身智能的基础设施竞争，不会由纯算力公司独占。

PART 02

数据墙，比算力墙更难打穿

在具身智能的产业化路径上，数据是比算力更紧的瓶颈。

大模型可以爬互联网，具身智能爬不了。机器人需要的是带有物理标注的交互数据，其每一帧画面对应准确的力学参数、空间坐标、操作轨迹。在真实世界采集这类数据，成本高、周期长、复现难。一条机械臂任务轨迹，在光轮智能的仿真平台上，需要在4种装修风格、4个灯光环境下渲染，每个组合配5个机位，每个机位600帧，单条轨迹的渲染量达到4.8万帧。

这个计算量不小，但真正的价值在于，这4.8万帧是可以无限复制的合成数据，而不是只能采集一次的真机数据。仿真，是具身智能跨越数据鸿沟的基础设施。

 

摩尔线程与光轮智能的合作，切入点正是这里。光轮智能的"求解—测量—生成"三位一体仿真平台负责生产高置信度合成数据，摩尔线程的夸娥智算集群提供渲染和训练算力。这个分工不是产品互补，而是两个基础设施在同一条产业链上的啮合。

值得注意的是，仿真数据的质量上限，由物理求解器的精度决定。摩尔线程的全功能GPU在物理仿真算子层面的原生支持，让国产仿真软件栈有了跑在国产硬件上的可能。 这在一年前几乎是一个无人认真对待的命题。

PART 03

时间线背后的产业逻辑

回溯摩尔线程入局具身智能的动作，有一条产业逻辑清晰可循。

第一步是验证。2025年1月，与智源研究院完成RoboBrain2.5训练，解决"国产算力能不能用于具身大模型训练"的疑问，用数据封口。在那之前，这个问题的答案在业界是模糊的——不是"不行"，而是"没人验证过"。

第二步是生态。5月，与光轮智能签署战略合作，同期在无锡联合16家企业启动创新中心。具身智能不是一家公司能独立跑通的赛道，本体公司、仿真公司、场景方、算力方、资本，缺一个环节，产业化就会卡在那里。摩尔线程选择用生态编织的方式切入，而不是等待单点突破。

第三步是下一代。"花港"架构的研发正在推进。50%的算力密度提升、10倍能效比改善、对FP4到FP64全精度计算的覆盖——这个规格表对应的不是云端训练市场，而是端侧部署。机器人本体对芯片的功耗和体积有极苛刻的要求，云端的能效逻辑在这里完全失效。花港架构能否跑进机器人本体，决定了摩尔线程在具身智能产业链中的位置深度。

从验证到生态到端侧，这个路径有它的内在一致性。

 

PART 04

国产芯片的窗口期，不会等人

具身智能是一个少见的、国产芯片有机会在起跑线附近竞争的赛道。

原因是结构性的。英伟达在数据中心AI的护城河，来自CUDA生态十多年的沉淀——工程师、框架、算子库、部署工具，全部深度绑定。在具身智能领域，这条护城河尚未成形。机器人软件栈的标准还在争夺中，具身大模型的训练范式还在演进，仿真平台的主流标准还没有定论。

在一个生态还没有固化的市场里，硬件的切换成本相对低，先建立的适配关系更容易成为事实标准。

这就是为什么摩尔线程在此刻密集落子，不是因为具身智能已经成熟，恰恰相反，是因为它还不够成熟。等到英伟达的具身智能生态像CUDA一样板结，国产芯片的入场券将不再有效。

5月18日，杭州具身智能大会上，18家企业组成覆盖资本、芯片、本体、应用的全产业链联盟。宇树、银河通用、星海图们站在台上，背后的算力支撑在被重新选择。这个选择窗口，不会永远开着。

PART 05

结语与未来

具身智能正在把AI从屏幕后面拉进物理世界。完成这个迁移，需要的不仅仅是更好的模型，还需要能同时处理渲染、仿真、推理的芯片，能规模化生产高置信度物理数据的仿真平台，以及能在机器人本体内完成端侧推理的低功耗计算单元。

这三件事，都不是当前任何一个单一玩家能独立交付的。

摩尔线程的布局，指向的是一个具体的判断：具身智能的基础设施，将由多个专业节点协同构成，而不是由一个全能巨头包揽。在那个图景里，全功能GPU不是万能的，但可以是不可缺少的。

芯片从来不是行业的终点。但在具身智能里，它可能是最重要的起点。