随着Agent时代的到来，AI产业的竞争格局已经发生了深刻变革。AI不再仅仅是一个需要训练的大模型，而是正在演变为一种需要持续生产、调度和部署的智能能力。

在2026世界人工智能大会（WAIC）期间，摩尔线程创始人、董事长兼CEO张建中提出了一个引人深思的概念——"三大AI工厂"：模型训练工厂、词元（Token）生产工厂，以及智能体生产工厂。

摩尔线程创始人、董事长兼CEO张建中

根据摩尔线程的阐述，这三大工厂分别对应模型训练、Token生成和智能体生产，覆盖了从基础模型研发到产业应用，从云端基础设施到终端设备的完整产业链。

中国工程院院士、清华大学教授郑纬民在演讲中指出，算力基础设施的核心在于将每一份算力高效转化为高质量词元，而"三大AI工厂"正是算力基础设施演进的必然方向。国家信息中心大数据发展部副主任魏颖也强调，算力基础设施是词元生产的物理底座，而作为算力核心的GPU，直接决定了生产效率与成本。

然而，这三个"工厂"并非相互独立的业务方向。摩尔线程高级副总裁董龙飞表示，三个工厂分别对应不同的市场，不存在简单的优先级排序。但从产业竞争的角度看，模型训练仍然是整个体系的基石。

"产业人工智能的竞争，关键在于模型是否足够聪明。"董龙飞指出，模型能力主要依赖于预训练和后训练，而非推理阶段。

这就好比一家企业，模型如同员工，首先需要具备足够高的认知能力，才能谈得上执行任务。这也是摩尔线程布局三大工厂的核心逻辑：未来的AI竞争，不仅是制造模型，更是构建一套能够持续生产智能的基础设施。

模型训练工厂，决定AI能力上限

过去，大模型主要围绕语言能力展开；如今，行业中的模型已经高度多样化，混合专家模型、多模态模型、机器人具身大脑模型、世界模型等方向层出不穷。

训练这些模型远非简单的矩阵计算，背后需要更复杂的软件、仿真和计算能力。这也是摩尔线程强调国产"全功能GPU"的原因所在。在训练场景中，GPU需要同时满足算力、显存、带宽、可靠性、软件生态以及训练结果一致性等要求。

其中，训练结果一致性是国产GPU进入大规模训练场景的关键门槛。董龙飞解释，所谓训练中的"高精度"，并非单纯指计算精度，而是不同GPU平台之间训练结果的对齐能力。对于已经投入大量资源完成模型训练的用户来说，迁移到新的GPU平台后，能否获得稳定、可比的训练结果，是平台能否被采用的重要因素。

围绕模型训练工厂，摩尔线程在WAIC 2026上展示了多项国产算力实践成果。

万卡规模MoE-236B基础模型训练是本次展会的重点展示项目。该项目依托国产万卡GPU集群，从零开始完成了完整训练，在万卡规模下有效训练时长占比超过90%，模型精度和训练损失曲线与国际主流计算卡高度一致。

与此同时，北京大学EvoPhys团队的5D世界模型EvoPhys-World，也基于摩尔线程MTT S5000夸娥智算集群完成了全栈原生训练，并在WorldScore"世界生成"维度连续37天排名第一。

京东云总裁曹鹏在摩尔线程举办的"词元时代 万物智能论坛"上表示，AI基础设施正在发生变化，全国产算力、国产模型和国产推理引擎组成的体系正在逐步建立。京东正在基于摩尔线程国产算力进行模型训练、适配和调优。

对摩尔线程而言，模型训练工厂不仅仅是训练更大的模型，更意味着国产算力开始进入AI原创能力的生产环节。

词元生产工厂，让模型能力规模化释放

如果说模型训练工厂解决的是"如何制造更聪明的模型"，那么词元生产工厂解决的就是"如何让更多人低成本地使用智能"。

随着Agent的兴起，AI的使用方式正在发生根本性变化。过去，是人向模型提问；未来，大量Agent会主动调用模型完成任务。张建中认为，Token消耗快速增长的根本原因，就在于未来不是人在使用AI，而是Agent在使用大模型。

因此，AI基础设施的竞争，正在从单纯关注训练性能，转向如何降低每一个Token背后的成本。在这一方向上，摩尔线程强调模型快速适配、推理优化以及异构算力协同能力。

目前，摩尔线程的推理套件已经适配了DeepSeek、MiniMax、GLM、Kimi、Qwen等主流模型，并推出了基于MTT S5000的PD分离异构推理方案。

产业伙伴也在验证Token生产工厂的商业价值。趋境科技创始人兼CEO艾智远表示，目前趋境科技每天能够供应万亿级高品质Token，并与摩尔线程合作，通过国产GPU与国际主流GPU异构协同，提高Token生产能力。

Token工厂覆盖的是最大规模的用户市场。过去，一个模型推理可能只需要一张卡或一台服务器，但未来Token生产将成为复杂的系统工程，需要考虑模型规模、缓存管理、调度效率以及成本控制。这也是摩尔线程布局推理产品和方案的重要原因。

董龙飞表示，训练和推理都很重要。训练更强调通用性和综合能力，而推理更强调极致性价比，需要针对不同任务设计不同的产品和解决方案。

智能体生产工厂，AI开始进入现实世界

如果说Token工厂让AI具备了输出能力，那么智能体生产工厂则让AI进一步具备了行动能力。张建中认为，Agentic AI之后的重要方向是物理AI，未来AI需要从数字世界走向现实世界。

在摩尔线程看来，Token工厂解决的是"会说"，智能体工厂解决的是"会做"。董龙飞表示，Token生成之后，还需要让AI调用工具。在电脑中，这意味着Agent能够操作软件和系统；在机器人领域，则意味着智能体能够执行物理动作。

但相比语言模型，物理智能对算力提出了更高的要求。摩尔线程生态副总裁兼生态科研部总经理吕其恒表示，大语言模型处理的是符号，而具身智能需要理解真实世界中的物理规律，因此需要同时处理视觉、渲染、仿真等任务。这也是世界模型成为具身智能关键方向的原因。

极佳视界合伙人兼副总裁毛继明指出，物理AGI面临的重要挑战之一，是如何提升数据使用效率。数字AGI主要依赖语言数据，而物理AGI需要处理真实世界数据，因此需要更高效的数据和算力体系。基于这一方向，极佳视界与摩尔线程联合开展了驾驶模型、具身模型等物理AI模型的训练优化，探索国产芯片训练国产模型的完整链路。

三大AI工厂背后，是一套统一算力体系

从模型训练，到Token生产，再到智能体应用，三大工厂覆盖了AI产业从基础能力到应用落地的完整过程。但三座工厂并不是三套技术体系。董龙飞表示，摩尔线程的三个工厂共享统一的GPU架构和MUSA软件体系，并不是针对不同市场分别开发不同的技术。这也是国产全功能GPU的核心竞争力所在。

在AI快速变化的阶段，最大的挑战并不是某一个固定模型的性能，而是未来模型形态的不确定性。今天行业关注大语言模型，未来可能是世界模型、机器人模型、更多垂直领域模型。如果GPU过于专用，就很难适应产业变化。董龙飞认为，GPU首先需要具备通用性，因为未来模型路线仍然会持续变化。

因此，摩尔线程提出"三大工厂"，并不是简单扩展业务边界，而是在回答一个更大的问题：当AI从模型时代进入智能生产时代，下一代基础设施应该是什么？