不可否认，进入2025年，AI算力的需求已经呈现出爆发的态势，数据显示，几乎平均每7天就会有一版新的大模型诞生。而模型训练是个复杂的系统工程，一个基础大模型，通常在万枚先进AI芯片组成的算力集群上，进行数周甚至数月的不间断训练。与此同时，在万卡集群中，集群规模越大，就意味着故障概率就越高。

这种爆发式的算力需求，也倒逼整个GPU行业加速进化。一方面，单卡算力需要持续突破，以应对万亿参数模型的训练效率要求；另一方面，万卡级集群的协同能力、故障冗余机制成为核心竞争力 —— 毕竟，任何一个节点的中断都可能导致数周训练成果功亏一篑。这不仅意味着对单卡算力的极致追求，更考验着集群协同的稳定性与容错能力。

在WAIC 2025上，摩尔线程亮出了其解题方案——从支撑万卡集群的夸娥智算平台，到边缘AI计算模组与解决方案，这套覆盖 “通用计算+实时图形渲染” 的云边端全栈AI产品和解决方案，直指当下AI算力在规模、精度与可靠性上的多重诉求，也让国产GPU看到了从 “跟跑” 到 “并跑” 的可能性。

此外，摩尔线程也公布了其 “AI工厂”计划。

摩尔线程创始人兼CEO张建中在演讲中提到：“当前，为应对生成式AI的爆发式增长下大模型训练效率瓶颈，单一的算力设施已经无法满足AI的生产速度，它需要的是运行和支持一切模型的基础设施，即大型人工智能计算基础设施，也可以叫它‘AI工厂’，而这个AI工厂的核心便是算力芯片。”

那么，这个承载世界先进模型的超级AI工厂如何打造？

KUAE为核，打造世界先进的AI工厂

在回答这个问题之前，首先需要明确的是，AI工厂由哪些要素组成？

对此，张建中表示：“生产效率决定生产力，要提升生产力，就需要通过软件、硬件、流程、工艺、质量、方法、监控、管理等一系列手段提升。AI工厂也同样如此，它绝不是简单的芯片堆叠，核心在于算力芯片，除此之外，还需要依赖网络拓扑、集群管理、算法工具、算子库等多维度协同。”

在此基础上，摩尔线程给出了一个AI工厂生产效率公式：加速计算通用性×单芯片有效算力×单节点效率×集群效率×集群稳定性。

展开来看，首先是通用性。生成式AI与多模态技术爆发的当下，“通用性” 早已不是 “能做多种任务” 的简单定义，而是能在AI训练、图形渲染、科学计算等复杂场景中无缝切换、高效协同的综合能力 —— 这正是全功能GPU的核心价值。

回溯GPU的发展历程，从早期单一功能的3D加速卡（类似ASIC）到如今的全功能GPU，本质上是一场 “从专用工具到万能平台” 的革命。

摩尔线程对“通用性” 的诠释，首先体现在四大核心引擎的 “全栈覆盖”：

AI计算加速引擎：支持从FP4到FP64全精度，尤其FP8训练效率提升30%；
现代3D图形渲染引擎：兼容DirectX 12等主流标准，支撑高端游戏与数字孪生；
物理仿真与科学计算引擎：满足超算、自动驾驶仿真等需求；
超高清视频编解码引擎：覆盖从端到云的多媒体处理场景。

这种通用性最终转化为对多元场景的“全适配”：无论是训练一个能写代码的大语言模型，还是开发一款支持实时交互的AIGC应用，抑或是为科研机构搭建气象预测的超算平台，全功能GPU都能成为 “一站式解决方案”。

第二，自研MUSA架构。这套架构的核心突破在于 “多引擎可配置 + 统一编程接口”：

硬件层面：整合张量计算与访存引擎，实现“存算一体”，FP8 Transformer引擎针对性加速大模型；
通信层面：独创ACE异步通信引擎，解决传统GPU“计算时无法通信” 的问题，通信效率提升10%-15%；
互联层面：MTLink2.0互联技术提供了高出国内行业平均水平60%的带宽，支撑万卡级集群的低延迟互联；
编程层面：OneAPI编程接口与共享内存池设计，让开发者可灵活调度多元流水线，无需关注底层硬件差异。

第三是MUSA全栈系统软件。通过驱动优化、算子打磨、生态兼容与工具链支撑，将全功能GPU的硬件潜力转化为可感知的高效算力，实现软硬件协同增效。

其核心优势体现在四个维度：

高效驱动：支持单次发布1000个任务，任务延迟远低于国际主流产品，通过即时任务下发、批量任务下发、引擎间依赖解析等技术，大幅提升任务调度效率，同时提供MUPTI性能分析接口与GPU错误转存功能（GCD），助力开发者快速定位问题；

算子极致优化：自研muDNN算子库性能较cuDNN领先10%-20%，Flash Attention等关键算子效率拉满，并且推出了开源推理算子库MUSA AI Tensor Engine，提供Python API降低使用门槛，同时MUTLASS线性代数模板库支持自定义算子二次开发，形成“标准算子+模板库+开源推理库”的完整生态；

生态无缝兼容：全面适配PyTorch、Python等主流框架，提供MUTLASS、ACC等工具，Triton-MUSA支持Triton算子，开发者无需改写代码即可迁移项目，实现 “零门槛适配”；

开发者工具链：打造涵盖Torch Profiler、性能监控、调优等功能的 “百宝箱” 套件，支持按需定制工具。

通过全栈系统软件的协同作用，让摩尔线程平湖架构在训练与推理场景中，既能匹配国际顶尖产品的性能覆盖，又能实现更高效率，成为“有效算力” 的核心保障。

想让这个超级AI工厂运行起来，还需要万卡万P的超大算力，所以摩尔线程甩出的第四个武器是——自研KUAE计算集群。

其核心能力体现在三个维度：

全场景并行支持：作为大规模训练的基础，KUAE集群全面兼容DP、PP、EP等几乎所有并行策略，不仅能 “跑通” 各类并行模式，更通过深度优化将并行效率做到极致；
端到端训练闭环：覆盖从数据预处理、预训练、微调至模型评估的全流程，为开发者提供“一站式训练服务”。配合SIMUMAX性能仿真工具，集群能自动搜索最佳并行策略，像 “智能生产规划系统” 一样为模型训练量身定制优化路线；

大规模集群效能：基于平湖架构的KUAE2智算集群，在千卡乃至更大规模下仍能保持高效性能。对比国外主流产品，其在多场景下的性能与效率均实现领先，且具备持续优化空间，真正做到 “规模越大，效能越优”。

此外，针对大规模集群的稳定性痛点，KUAE集群还通过Checkpoint 加速方案等技术，将备份与恢复时间压缩至 “几乎可忽略”，为长周期训练提供坚实保障。这种 “从单节点到万级集群” 的全栈能力，让KUAE成为支撑 “AI 工厂” 高效运转的 “基础设施核心”。

软硬件基础+超大算力支撑，稳定性和可靠性也必不可少，所以第五件武器便是零中断容错技术。

具体来看，零中断容错技术即故障发生时仅隔离受影响节点组，其余节点继续训练，备机无缝接入，全程无中断。这一方案使KUAE集群有效训练时间占比超99%，大幅降低恢复开销。

同时，KUAE集群通过多维度训练洞察体系实现动态监测与智能诊断，异常处理效率提升50%；结合集群巡检与起飞检查，训练成功率提高10%，为大规模AI训练提供稳定保障。

至此，摩尔线程的AI工厂雏形已现：即全功能GPU×MUSA架构×MUSA软件栈×KUAE集群×零中断容错技术。

全栈产品矩阵，多场景需求一站式配齐

但事实上，AI工厂也并非摩尔线程首创，英伟达此前也提出了AI工厂的概念。相比之下，摩尔线程“AI工厂”的关注点在于基于全功能GPU通用算力，以系统化创新和工程化的能力提升先进模型生产效率。

据摩尔线程介绍，目前其已构建起覆盖“云边端” 的全栈产品矩阵，从支撑万卡互联的KUAE智算集群、面向大模型训练的全功能GPU OAM模组，到适用于边缘场景的AI计算模组，再到满足桌面级图形需求的图形显卡，可一站式满足大模型训练推理、科学计算、图形渲染、智能制造等多场景需求。而在WAIC现场展示的12大Demo中，其全功能GPU在生命科学、物理仿真、智能驾驶等领域的应用案例，更直观展现了全功能GPU在多领域的落地价值。

但有一说一，要实现AI工厂搭建并非易事，既要突破硬件层面的全精度计算、万卡级集群协同等技术瓶颈，又要攻克软件生态的兼容性难题。

这就不免让人发出疑问，摩尔线程为什么要啃下这个硬骨头？

以先进算力应万难，摩尔线程要造国产算力基建

不同于国内其他GPU厂商，摩尔线程的全功能GPU本质上是用万卡集群、全栈方式，打造一个大模型训练超级加工厂，可以在算力上匹配当下大模型快速更迭的速度。这不仅匹配大模型快速迭代对算力规模的需求，更关键的是满足了其对计算精度日益严苛的要求。

要知道，现在市面上不缺单卡性能亮眼的产品，但能做到万卡集群的GPU，同时搞定软件生态、故障冗余这些 “细活儿” 的国产玩家，仍是少数。更何况，当下的高端算力市场，一边是国际巨头的供应限制，一边是国内大模型玩家的 “算力内卷”，这种供需失衡恰恰给了具备全栈能力的国产厂商机会。摩尔线程要做的，正是在这样的缝隙中，搭建起先进的国产算力基础设施—— 不是简单替代某一款芯片，而是构建从硬件到软件、从单卡到集群、从训练到推理的完整算力生态。

就目前来看，摩尔线程的这条自主化路线已经展现出了清晰路径，从自研MUSA架构到万卡集群的GPU再到覆盖云边端的全栈布局，摩尔线程的每一步都在朝着 “更高效、更好用” 的算力基建进化。

至于最终能否在高端市场占据一席之地，时间会给出答案，但至少此刻，它已经让行业看到了国产GPU的另一种可能。

最后预告一下，摩尔线程将在今年10月举办首届MUSA开发者大会，开发者们可以提前搓手期待一波了。