这也让摩尔线程自成立以来坚持的“全功能GPU”路线出现了新的产业意义。过去分布在AI训练、数字孪生、图形、视频和物理计算等场景中的能力，开始围绕机器人这一统一任务发生关联。全功能GPU的价值，也从能力覆盖的广度，进一步转向不同计算环节之间能否形成更高效的协同。

当AI开始处理物理世界，GPU的负载结构正在改变

大语言模型能够利用互联网长期积累的文本、图像和视频数据进行训练，具身智能却没有同等规模的“物理互联网”。

同一个抓取动作，会受到物体材质、摆放位置、光照、视角、摩擦力以及机器人本体差异的共同影响。依靠真机持续扩大数据规模，需要大量设备、场地和人工，危险动作、极端环境以及低频长尾场景则更加难以通过现实采集覆盖。

机器人因此越来越多地借助数字环境扩充经验。真实场景首先被重建为三维空间，材质、光照和传感器信号需要模拟，碰撞、摩擦以及物体运动交由物理引擎求解；强化学习还需要同时运行大量并行环境，提高机器人获得交互经验的效率。训练形成的策略最终再经过Sim-to-Real，进入真实本体接受验证。

这种开发方式带来的变化，不只是增加一种新的AI模型，而是重新组合了GPU面对的计算负载。

世界模型、VLA和具身基础模型仍然需要大规模AI算力，合成数据生产同时涉及图形渲染和视频处理；动作学习依赖物理仿真，大规模强化学习要求高并行计算；模型真正进入机器人之后，又要面对时延、功耗以及实时控制周期等约束。

过去，这些能力可以分别服务不同市场。AI计算主要面向训练和推理，图形进入数字孪生、设计和视觉应用，视频编解码有自身的应用体系，而物理计算则长期服务于科学计算和仿真。具身智能的特殊之处，在于它开始把这些原本相对独立的能力集中到同一项任务中。

摩尔线程的“全功能GPU”路线则早于这一轮具身智能热潮。公司2020年成立之初即以全功能GPU为核心方向，随后完成首颗全功能GPU研制，并发布MUSA统一系统架构，其技术体系长期覆盖AI计算、3D图形渲染、物理仿真和科学计算以及超高清视频编解码等负载。

在此前的产业阶段，这些能力更多体现为横向覆盖。到了具身智能阶段，同一台机器人的开发可能连续调用其中多种能力，“全功能”也由此获得了另一层解释。

2026世界机器人大会上，摩尔线程创始人、董事长兼首席执行官张建中就提出“全功能GPU与具身智能协同进化”，将AI计算、三维渲染和物理仿真放进同一条具身智能工作流，并延伸至合成数据、基础模型、后训练与强化学习、仿真评测、虚实迁移以及本体部署。

这并不意味着机器人会由一颗GPU包办全部计算任务，它仍然是高度异构的系统，CPU、GPU、NPU以及各种实时控制单元各有角色。全功能GPU在这一阶段更值得关注的是，不同任务能否依托相对统一的架构和软件体系减少中间环节的割裂。

如果生成数据使用一套计算环境，模型训练更换一套架构，仿真验证再重新适配工具链，模型进入本体时又需要大量移植，那么接口、数据转换和代码改造本身就会不断累积工程成本。反过来，AI、图形和物理计算能够在较为一致的技术体系中衔接，“全功能”才有可能从能力覆盖变成工作流效率。

从虚拟数据到真实机器人，工作流开始形成

目前最容易观察这种变化的环节，是具身智能的数据生产。

机器人真正稀缺的并非普通视频，而是带有动作、空间关系和物理反馈的高质量数据。在真实采集规模受到成本约束之后，把有限的真机轨迹转化为仿真资产，再通过不同环境、光照、视角和物体状态进行扩充，已经成为扩大机器人经验的重要技术路径。

摩尔线程与光轮智能的合作提供了一个较为直观的案例。

在一项机械臂任务中，一条真实操作轨迹经过环境泛化，4种装修风格和4种灯光环境形成16组场景，每组再设置5个相机机位，每个机位生成600帧画面。一条真实轨迹由此可以扩展出4.8万帧渲染任务，轨迹规模扩大至数百条之后，生成数据很快进入数百万帧量级。

在这样的工作流中，图形渲染已经超出了传统意义上的视觉呈现。光照、材质和相机位置的变化直接成为模型训练样本的一部分，物理求解则决定虚拟环境中的碰撞、接触和运动规律能够在多大程度上接近现实。

公开测试显示，MTT S5000借助RT Core进行硬件光线追踪加速后，相关渲染性能提升约2.7倍。这个数字仍需结合具体测试环境理解，但它至少显示出一个变化：过去主要服务图形应用的计算能力，已经开始直接影响具身数据的生产效率。

数据生成之后，计算压力随即进入模型训练环节。

摩尔线程与智源研究院围绕RoboBrain 2.5开展的验证，将具身大脑训练推进至千卡规模。基于FlagOS-Robo和MTT S5000夸娥集群，RoboBrain 2.5完成全流程训练。公开结果显示，从64卡扩展至1024卡过程中，线性扩展效率超过90%，训练Loss走势与国际主流GPU基线保持较高一致性，相对误差小于0.62%。

对于国产GPU而言，从模型能够适配和运行，进一步走向百卡、千卡规模训练，对通信效率、软件栈、训练稳定性以及模型收敛提出了更完整的系统要求。RoboBrain 2.5的意义，也不只在于完成一次模型训练，而是把摩尔线程在具身模型上的验证进一步推向大规模集群能力。

北京大学EvoPhys团队研发的EvoPhys-World，又把工作负载延伸到世界模型。该模型需要学习第一视角环境中的动作、物体交互和时序变化，并预测行为对未来环境造成的影响，在MTT S5000集群与MUSA软件体系上完成原生训练。

摩尔线程公开数据中，在1机8卡、2机16卡以及4机32卡条件下，EvoPhys-World训练吞吐达到所选国际主流训练卡基线的98%至101%；从16卡扩展到160卡时，弱扩展效率达到89.7%。

具身大脑主要解决机器人如何理解环境并形成决策，世界模型则进一步尝试学习动作与物理世界变化之间的关系。沿着这条路径继续向下，模型训练迟早要与物理仿真汇合。

今年3月，摩尔线程开源MuJoCo Warp MUSA，将GPU加速物理仿真进一步接入MUSA体系。在相关验证中，四足机器人和两足人形机器人均完成从仿真训练到真机验证。目前E300开发文档也已经提供基于MuJoCo的端侧仿真验证框架和Sim2x策略部署，并支持足式机器人的仿真及真机验证。

至此再观察摩尔线程现有的具身智能布局，已经很难再用单独的产品逻辑进行解释。

云侧的MT Lambda围绕Real2Sim、渲染、物理仿真、合成数据和策略开发组织工具，MTT S5000和夸娥集群承担具身大脑、世界模型以及VLA等模型训练，MuJoCo Warp MUSA进入强化学习和物理仿真，到了机器人本体，E300与MUSA推理栈继续承接策略部署。摩尔线程目前也按照“仿真模拟—模型训练—端侧部署”的链路组织具身智能开发体系。

由此来看，摩尔线程当前具身智能布局的变化，已经不只是增加若干产品和工具，而是尝试将过去横向分布的技术能力组织成一条纵向工作流。

从能力覆盖走向工程效率

大模型发展数年以后，AI算力已经逐渐形成相对成熟的评价体系。训练速度、模型算力利用率、通信效率以及单位Token成本，都可以进入越来越清晰的横向比较。

而具身智能所涉及的环节却更多，各阶段的评价尺度也不相同。

模型训练仍然关注吞吐和扩展效率，合成数据需要衡量单位GPU时间能够生成多少有效数据；物理仿真则既要求速度，也必须考虑与真实世界之间的误差。Sim-to-Real最终还要回到机器人本体，并关注策略迁移之后的任务成功率。进入端侧以后，功耗、时延、实时控制以及长时间运行稳定性又会成为新的约束。

因此，全功能GPU最终需要证明的，不会只是拥有多少种计算能力，而是这些能力在一条开发链路中组织起来之后，究竟减少了多少工程成本。

开发者需要改动的代码是否减少，不同阶段之间的数据搬运和格式转换能否降低，仿真环境进入训练流程是否需要重新适配，以及从数据生产到模型真正进入机器人本体，整个开发周期能够缩短多少。这些指标不像单卡峰值算力那样容易写进产品参数，却更接近具身智能产业化以后客户真实承担的成本。

摩尔线程近期的生态布局，也正在向这一层延伸。公司与国家人工智能应用中试基地（具身智能）成立“具身智能算力与仿真联合实验室”，摩尔线程（无锡）工业具身智能创新中心则联合16家生态伙伴，进一步连接GPU、仿真、模型、机器人本体以及工业场景。

具身智能高度碎片化的产业结构决定了，没有一家企业能够独立完成物理引擎、数据生产、基础模型、本体制造以及所有应用开发。对GPU厂商而言，平台价值更多体现在不同参与者进入同一技术体系之后，能够减少多少重复适配和工程集成。

这也让摩尔线程2020年选择的技术路线，在2026年获得了与此前不同的产业环境。

过去分别进入AI计算、图形渲染、视频、仿真以及云边端市场的能力，如今开始被同一条机器人工作流连续调用。一条原本首先体现能力广度的GPU路线，正在遇到一个更加重视能力协同的应用周期。

但产业交汇并不等于技术路线已经完成全部验证。

世界模型和VLA仍在快速演进，仿真数据能够在多大程度上替代真实数据，Sim-to-Real的误差能够缩小到什么程度，以及未来机器人的云、边、端算力如何分工，目前尚有诸多可能。最终决定这条路线价值的，不是能力清单还能增加多少，而是机器人从虚拟世界获得经验、再把经验带到真实本体的过程中，这条漫长的工程链路能够被缩短多少。