“已经不是我们在用AI，是我们的Agent在用AI。”在WAIC 2026主题论坛上，摩尔线程创始人、董事长兼CEO张建中这样判断AI正在发生的变化。紧接着，他又解释摩尔线程为什么坚持全功能GPU：“因为你不知道下一个要训练的模型是什么。”这两个判断，分别指向三座工厂的出口和底座：AI需要进入真实工作流程，而支撑它的算力不能只为今天的语言模型设计。
01超节点摆满WAIC，算力开始比“产出”
“我不认为这是新技术。”在WAIC 2026的摩尔线程展台，一位工作人员这样解释超节点。这个回答并不是否定超节点，而是把注意力从“有多少卡”拉回“这些卡能否像一台机器工作”：规模增加以后，通信、调度、故障恢复和稳定运行，才是真正的难题。MTT C256是摩尔线程给出的具体方案，首创一层Scale-up网络，在标准单宽机柜内实现128卡全互联，两柜可扩展到256卡；计算与交换一体化的2U高密设计，则试图减少传统多层网络的带宽损耗和时延，提高单位面积算力。C256并不只是一台256卡设备，它还要成为万卡乃至十万卡集群向外扩展的基础单元。
2026年的WAIC上，超节点几乎成为算力厂商的标准展品。单卡受到制程、带宽和功耗约束后，行业转向高速互联与统一调度，竞争单位从芯片变成系统。但当每家公司都有一台大机柜，仅凭卡数已经很难建立差异。客户最终购买的是这些芯片能稳定训练多少模型、每天生产多少Token，以及单位智能究竟要花多少钱。
摩尔线程展台的几块屏幕把“产出”具象化。一块屏幕连接着无锡惠山一座客户智算中心：264台在线机器、2030张GPU，拍摄时GPU利用率是50.5%。另一块屏幕上，MTT S5000与“Hxxx”训练MoE-236B模型的两条Loss曲线几乎重合。再往前走，AIBOOK里的多个智能体正在调用工具，AICUBE中的“小麦”则通过家庭屏幕与用户对话。这几个相距不过几米的场景，正好对应三座AI工厂：模型训练工厂生产模型能力；词元生产工厂把模型转化为Token服务；智能体生产工厂让模型进入PC、家庭设备和机器人，执行具体任务。模型是源头，Token是供给，Agent是出口。
“AI工厂”并不是新概念。摩尔线程的特殊性在于，用同一套全功能GPU和MUSA软件栈贯穿三座工厂，押注AI负载会越来越多元。
三座工厂看似对应训练、推理和智能体三个不同市场，底层却建立在同一套MUSA生态之上。芯片决定摩尔线程能够处理哪些计算负载，MUSA软件栈则决定模型、工具和开发经验能否在云、边、端之间延续。这个生态能否跟上产品扩张的速度，也是三座工厂能否真正连成一条生产链的关键。
不少本土AI芯片公司选择收窄能力边界，把资源集中在AI计算，不承担完整的图形渲染和消费级显卡生态。摩尔线程走的是一条更重的路：全功能GPU。除AI计算外，还补齐了3D渲染、物理仿真、科学计算和视频编解码，覆盖FP8至FP64，并让不同引擎在同一架构和软件体系中协同。语言模型时代，图形和物理能力很难立刻兑现；当世界模型和具身智能把渲染、仿真与AI训练接成一条流程，早期的前瞻性投入快速转化为平台价值。
02国芯训国模，国产GPU已经在证明自己
三座工厂中，模型训练工厂是摩尔线程的一大核心优势，也是全功能GPU路线的关键技术证明。先要区分两个经常被混用的概念：把一个已经训练好的模型放到GPU上运行，属于推理或适配；从海量数据开始反复更新模型参数，才是训练。“国芯训国模”说的不是让本土GPU把一个现成模型跑起来，而是用本土GPU参与预训练、持续预训练和后训练，真正把模型权重生产出来。这也是为什么它比一次推理适配更能证明系统能力。万卡训练可能持续数周甚至数月，任何计算卡、网络或存储异常都可能让任务暂停。芯片、集群、通信、算子、训练框架和故障恢复，必须共同保证Loss收敛，最终得到可用的模型结果。摩尔线程高级副总裁董龙飞向记者表示：“这里的‘高精度’不是单指FP32、FP16或FP8，而是相同算法、数据和步数下，模型效果能否与国际主流GPU对齐。”这指向更真实的顾虑：训练数月后，得到的还是不是预期中的模型。而摩尔线程MoE对比测试前三万步的逐步平均误差为万分之六。这一结果证明，国产GPU完全有能力承载最核心、最严苛的模型生产任务。
WAIC 2026现场展示的MoE-236B基础模型，已覆盖预训练、持续预训练和长窗口持续预训练。论坛上来自智算基础设施、世界模型、具身智能和科研等不同领域的合作伙伴，如极佳视界、北京大学Evophys-World 项目、京东云等也展示了各自在集群部署、模型训练和行业应用中的实践。它们与展台上的运行数据共同说明，模型训练工厂不只是在证明一套技术能够跑通，而是已经开始进入客户与生态伙伴的真实研发和生产流程。语言模型之后，客户可能训练多模态、视频、世界模型、具身大脑，也可能训练物理、数学和科学计算模型。
其中， EvoPhys-World 的分量已被外部验证——EvoPhys.ai 创始人、CEO 谭桦杰介绍，北京大学 EvoPhys 项目组在摩尔线程“灯塔计划”支持下，基于 MTT S5000 完成全栈原生训练的 5D 世界模型 EvoPhys-World，连续 37 天登顶 WorldScore“世界生成”维度，标志着国产算力在支撑高水平 AI 研究上取得重要进展。
这才是全功能GPU更有说服力的证明：矩阵计算、媒体处理、图形渲染和物理仿真已成为同一条物理AI生产流程。全功能不意味着每项跑分都领先，也不意味着任何场景都比专用芯片高效；它提供的是面对未知模型时的选择权。模型越多样、迭代越快，通用基础设施的价值越高。“国芯训国模”也由此超出供应链本土化的意义。数据、训练经验和模型Know-how是模型公司的核心资产；如果底层平台只能推理，最关键的生产环节仍无法闭环。摩尔线程证明了，本土GPU不仅能消费模型，也能生产模型。
这一点在客户侧得到了印证。京东集团技术委员会主席、京东云总裁曹鹏表示，京东在自己的模型工厂中结合摩尔线程 MTT S5000，在模型训练、适配、调优上取得进展，最新发布的一系列 JoyAI 大模型，相当一部分训练算力依托摩尔线程提供的国产化算力。
03“3+2≈9”，Token工厂算的是另一笔账
训练与推理首先是两本账：训练性能低10%，30天可能变33天，尚可用时间弥补；推理成本高10%，差距却会被每一次调用放大。因此，词元工厂比的不是一张卡的峰值参数，而是每百万Token成本、首字延迟、尾延迟、并发吞吐和服务稳定性。
摩尔线程在WAIC 2026展示的PD异构分离，正是围绕这一目标展开。大模型推理可以拆成Prefill和Decode两个阶段。Prefill处理用户输入，更依赖计算；Decode逐字生成结果，更依赖显存和带宽。摩尔线程让S5000承担Prefill，把客户已有的国际GPU用于Decode，通过KV Cache传输让两类设备协同工作。在基于Kimi K2.5进行的一项特定测试中，3P2D异构方案相较国际主流GPU同构方案，平均TGS提升1.87倍，首字延迟下降56.9%。这组结果可以概括为：3台S5000加2台Hxx，约等于9台Hxx。这套方案揭示了另一条市场路径：本土化算力进入客户机房，不必以推倒重来为前提。许多客户已经拥有不同代际、不同品牌的GPU。让S5000先进入新的Prefill计算池，既保留存量设备价值，也降低切换基础设施的阻力。本土GPU由此可以作为增量资源，进入已经运行的算力体系。
实践正在印证这条路径。MiniMax副总裁薛子钊判断，今年是国产芯片很重要的拐点，越来越多真实的线上场景开始承担推理和训练任务，MiniMax自己“很快也会有非常大规模的国产芯片推理集群真实上线承担任务”。趋境科技创始人、CEO艾智远则讲了选型逻辑：在测过多款GPU后选择了MTT S5000，看重它“强大计算能力、稳定支持超长上下文、原生支持 FP8、生态迁移顺畅”等特点，目前正基于“摩尔线程+英伟达”构建日均万亿级Token的产能，并表示S5000经完整上线测试后，基本能与国际主流GPU实现投资回报率打平。
词元工厂的核心不只是一张S5000，还包括SGLang、vLLM、KV Cache管理、PD分离和异构调度。推理需求高度碎片化，没有一颗芯片适合所有场景，软件能否把资源放到合适的位置，开始比单卡参数更重要。
04把智能体部署好，第三座工厂才有出口
第三座工厂与前两座不同。它的主要载体不是另一座数据中心，而是AIBOOK、AICUBE、边缘计算产品，以及运行在PC、家庭设备和机器人上的智能体。
AIBOOK搭载“长江”SoC和AIOS，通过端云协同调用夸娥算力。AIOS以Linux为底层，同时兼容Windows和Android应用。摩尔线程希望Agent不只是停留在浏览器对话框，而是获得调用文件、代码工具和应用程序的系统能力。AICUBE把相同思路搬进家庭，同时承担AI PC与家庭存储角色，由智能体“小麦”管理照片、视频和日常任务。“小麦”只是智能体生产工厂面向消费场景的一种形态。这座工厂的另一条路径，是把智能体部署到边缘设备和机器人中。摩尔线程以MTT E300等产品承接边缘侧计算需求，面向工业质检、能源巡检、智能汽车、低空经济和具身智能等场景提供推理能力。同时，摩尔线程推出了全栈具身智能仿真平台MT Lambda。该平台集成了开源物理仿真引擎MuJoCo-MUSA和Newton-MUSA（均为摩尔线程加速版），以及自研物理引擎AlphaCore，三者共同支撑物理仿真计算。在图形渲染方面，平台集成了3DGS、自研AI生成式渲染（AGR）和光线追踪技术——S5000是国内唯一具备Ray-Tracing能力的智算芯片，可在高度拟真的数字孪生环境中训练机器人。
05结语
摩尔线程与许多数据中心GPU公司的区别：它不仅向上建设万卡集群，也向下寻找个人、家庭和机器人等现实入口。三大AI工厂不是一组产品命名，而是摩尔线程为全功能GPU寻找的商业闭环。这条路线已经有成熟的产业参照。英伟达已经证明，图形、通用计算和AI可以在同一套GPU平台上形成长期复用；摩尔线程想在中国重走的，正是这条更重、但更有延展性的路线。它能否真正形成差异，不取决于“全功能”这个标签，而取决于三座工厂能否持续产出客户愿意付费的模型、Token和智能体。从这次WAIC大会上展示的成果来看，摩尔线程正走在正确的道路上。
商业化已经给出了一些信号。摩尔线程营收从2023年的1.24亿元，到2026年上半年预计达到16.5亿至17.5亿元。公司披露，2026年一季度签下6.6亿元夸娥智算集群订单，智算卡已在多家智算中心和云服务平台部署，摩尔线程还在不断扩展自己的边界。
离开展台前，我又看了一眼那块夸娥运营大屏。50.5%只是一个瞬时数字，却比超节点卡数更接近产业真相：工厂的价值不在于摆了多少台机器，而在于能否持续、稳定、经济地生产客户愿意付费的东西。
【AI叠变】第六期：摩尔线程。成立于2020年，总部位于北京。是一家以全功能GPU和MUSA统一架构为核心的加速计算企业，创始人、董事长兼首席执行官张建中曾任英伟达全球副总裁。公司已完成五代GPU架构和五颗芯片量产，形成覆盖云端智算、边缘计算与个人终端的产品矩阵。是国内极少数同时具备ToB企业级与ToC消费级交付能力的全功能GPU企业，摩尔线程始终以MUSA为核心，致力于构建完善、开放、易用的国产GPU应用生态。