算力焦虑，已不再是需要刻意渲染的情绪，它正真实地压在每一个行业参与者的心头，成为驱动技术创新的核心动力。
五月的北京夜晚，在摩尔线程2026年产品发布会的现场，创始人、董事长兼首席执行官张建中分享了一组引人深思的数据：当前，国内仅某一款主流AI应用的每日Token消耗量，就已突破了140万亿大关。这个数字意味着什么？要知道，此前市场对整个行业总消耗量的预测区间，也不过在30万亿到180万亿之间。单一应用的消耗，几乎触及了整体市场的预估上限。
应对这股源源不断的算力需求洪流，构建坚实的人工智能基础设施无疑是基石。但故事的另一半同样关键：强大的算力最终需要落地到具体场景。“AI的最终价值，需要通过笔记本、手机或者其他智能终端来实现。”一位与会投资人的话点明了核心。从云端到终端，从算力基础设施到应用生态——这场发布会所勾勒的，正是一张试图贯通AI产业上下游的完整技术版图。
从“小麦”智能体到具身智能，摩尔线程构建物理世界AI版图
谈及海量的Token消耗，其源头自然指向当下炙手可热的AI智能体（Agent）。IDC预测，到2030年，全球活跃的AI智能体数量将达到惊人的22.16亿。而中国市场的增长势头更为迅猛，预计到2031年，企业级AI智能体部署规模将突破3.5亿，年复合增长率超过135%。这股热潮甚至传导至政策层面，2026年的政府工作报告首次明确写入“智能体”，并设定了2027年普及率超70%、2030年超90%的清晰目标。
然而，理想丰满，现实骨感。当前市面上不少智能体在主动服务、复杂任务理解、长期记忆等核心能力上仍有明显短板。摩尔线程此次首发的全域智能体“小麦”，可谓恰逢其时，旨在解决这些痛点。
在摩尔线程建立的可视化测评系统MTClaw Evaluation System中，“小麦”展现出了多维度的竞争优势。张建中重点介绍了它的三大核心特性：一是“事办得全”，基于原生Linux环境，它能支持超过36种常见APP的控制，具备60多种复杂技能，并可无缝衔接90个以上的CLI工具，提供7×24小时不间断服务。二是“事办得好”，凭借创新的二维拓扑记忆系统，它能有效融合短时工作记忆与长时知识记忆，并持续对习得的知识进行归纳总结。三是“事办得快”，依托自研的MTClaw架构，其在调用高频工具时的成功率已超过95%，端到端任务执行效率相比使用传统框架前提升了7倍。
“我们希望‘小麦’能迅速落地到千家万户，成为每个人的AI助手。”张建中直言。于是，摩尔线程首款面向家庭的消费级产品——MTT AICUBE，成了“小麦”的第一个“家”。这款被张建中称为“三位一体”（集成AI Agent、AI PC、AI NAS功能）的迷你智能立方体，旨在成为家庭AI中枢与数据管理中心。
支撑它的强大算力底座，是去年就已预告的首颗自研智能SoC芯片“长江”，其集成了CPU、GPU、NPU和VPU，实现高达50TOPS的异构算力，内存容量可达32GB。而用户对数据隐私和本地存储的迫切需求，则由标配的1TB全闪SSD及最高12TB的可扩展空间来满足。以家庭影像智能管理为例，AICUBE能自动整理海量相册、智能生成纪念视频、进行实时视频超分辨率增强，真正解决用户“存得下、找得到、用得好”的核心痛点。
如果说AICUBE把“小麦”智能体留在了家里，那么MTT AIBOOK则把它装进了用户的背包，直指当下火热的OPC（个人公司）与移动办公风口。这款AI笔记本电脑能在本地同时流畅运行12个以上智能体，直连90多款生产力工具，协同完成全链路工作任务。其背后是摩尔线程打造的原生AI操作系统，相比Windows更轻量、更实时、更可靠。
开箱即用是AIBOOK的另一大亮点。设备出厂预装OpenClaw系统，同时提供一键切换至MTClaw的选项。内置的PES应用市场方便用户下载新应用，而提供的Windows虚拟机和安卓预置容器，则实现了跨系统环境的无缝软件兼容与运行。为了保障极致体验，摩尔线程还联合趋境科技，为每位用户提供7×24小时远程技术支持服务。
然而，张建中的产业野心不止于处理数字世界的事务。他更想推动智能体走进物理世界，真正“动手”完成实际任务。这面临着真实训练数据稀缺、采集成本高昂、真机训练风险大、场景泛化能力弱等多重挑战。解决之道，在于构建一个高保真、高效率的仿真训练环境。
于是，国内首个全栈国产化具身智能仿真平台MT Lambda应运而生。它在硬件上依托支持光线追踪的S5000 GPU和夸娥计算集群，软件上融合了开源MujoCo、Newton及自研AlphaCore物理引擎，实现了多物理场的统一求解与更快、更逼真的实时渲染。发布会现场机器狗灵活自如的演示，便是其仿真能力的最直观证明。
目前，摩尔线程已联合光轮智能、智源研究院和光线云等生态伙伴，打通从仿真数据合成、模型训练到策略部署的完整闭环。张建中也呼吁更多同行加入其产业生态圈“PES联盟”，共同推进具身智能技术的研发与落地。
夸娥万卡集群与MUSA生态，构筑支撑AI算力爆发的坚实底座
无论是智能体应用还是高保真仿真平台，其强大的云端训练与推理底座都源于摩尔线程的夸娥万卡集群，而它的核心考验始终在于运行的长期稳定与极致高效。
张建中指出，客户对换用国产智算集群心存顾虑，根源往往不是软件生态或兼容性，而是集群能否实现“7×24小时不停机”的稳定运行。对此，摩尔线程用实际运营数据说话：夸娥集群有效训练时长占比超过90%，稠密模型MFU（模型浮点运算利用率）超40%，MoE模型MFU超60%。
在交出可靠性答卷的同时，摩尔线程还攻克了“训练精度对齐”和“超大规模扩展稳定性”两大技术难题，确保每个训练步骤与国际主流GPU产品精度一致，并在万卡规模下保持约95%的优异线性扩展率。
预训练只是起点。到了后训练阶段，尤其是强化学习与微调阶段，模型需要反复生成数据、获取反馈、持续迭代，对推理吞吐量和系统稳定性的要求呈指数级增长。为此，摩尔线程在训练框架中深度集成了SGLang和vLLM两大主流开源推理引擎，保障数据高效生成。此外，其尝试的训推分离Slime方案与训推一体VeRL方案，均在特定场景下带来了显著的性能提升。
转向需求火爆的AI推理场景，夸娥集群的“强悍”算力在AI漫剧和短剧创作上展现得淋漓尽致。“以前只有好莱坞导演花大价钱才能制作的特效大片，现在通过AI在极短时间内就能生成。”张建中说道。这背后，是全流程智能内容生产流水线的支撑，涵盖文生视频、语言理解、剧本创作等系列模型，并配合自研的“摩语精灵”语音生成引擎，实现声音的精准复刻与个性化转换。
无论是训练还是推理性能的充分释放，都离不开底层软件栈的坚实支撑。目前，摩尔线程的MUSA软件栈已完整支持700多个核心API，其驱动与运行时全部免费向开发者开放。
在底层算子层面，其核心数据库实现100%兼容，55类算子覆盖所有核心AI算子，MuDNN性能与原生态基本持平；PyTorch算子层做到100%兼容，SDK已升级至5.1版本；针对大语言模型训练关键的FlashAttention，其算子效率优化至95%，大幅缩短了用户的迁移适配时间。
聚焦国内开发生态，摩尔线程一方面将国产AI编程语言TileLang集成至开源主线，使GEMM算子效率超95%，Attention效率超90%；另一方面与智源研究院深度合作，推进基于Triton的算子开发。尤其值得关注的是其AI编程神器MUSACODE，开发者无需深入学习MUSA底层代码，直接用自然语言交互，或通过与“小麦”智能体对话，即可生成高效的MUSA Kernel或定制算子。据悉，MUSACODE已原生集成在AIBOOK的VSCode开发环境中。此外，MUSA软件栈新增了对编译器Fortran的全面支持，极大方便了传统科学计算代码的平滑迁移。
夜色渐深，发布会结束后的展区依然人头攒动。有人与“小麦”智能体深入对话，有人翻阅最新的MUSA教学书籍，有人围观多智能体协同演示……算力焦虑的挑战仍在，但以摩尔线程为代表的国产AI力量给出的技术答案与生态布局，正一年比一年更具体、更清晰、更接近产业核心。
