摩尔线程：五大核心技术提升 AI 工厂效率

电子发烧友网报道（文 / 吴子鹏）第十三届半导体设备与核心部件及材料展（CSEAC 2025）的主题是 “做强中国芯，拥抱芯世界”。在展会开幕式暨 2025 集成电路（无锡）创新发展论坛上，摩尔线程创始人兼首席执行官张建中（James Zhang）分享了该公司为提升 AI 工厂效率所做的努力与成果。

他在演讲中指出，先进 AI 工厂与先进晶圆厂的逻辑存在趋同性。其中，晶圆厂覆盖从 28nm 到 3nm 的多种制程，针对不同制程研发了氧化 / 薄膜沉积、化学机械平坦化等专属技术，可生产先进芯片，为 AI 工厂提供硬件基础；而 AI 工厂作为生产先进模型的 “超级工厂”，针对千亿、万亿、十万亿等不同参数规模的模型，配备了 GPU 芯片、基础软件、网络拓扑等不同层级的技术支持，从底层硬件到上层系统全方位保障模型生产流程。

一座 AI 工厂的效率，主要由 “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” 这一链路决定。针对该链路，摩尔线程提出五大核心技术布局，全方位提升 AI 工厂生产效率，为国产智能生产注入强大动力，也为人工智能与芯片产业的协同发展树立了典范。

在技术架构层面，摩尔线程高效 AI 工厂由全功能 GPU、MUSA 架构、MUSA 软件栈、KUAE 集群及零中断方案等关键部分构成。具体来看：

首先，摩尔线程为 AI 工厂提供全功能 GPU，涵盖图形 GPU、GPGPU 与 AI 芯片，可用于构建 AI 计算加速引擎、物理仿真与科学计算引擎、现代图形渲染引擎及智能多媒体引擎。这种 “多元算力 + 多样计算” 的组合，能更好地适配丰富应用场景，包括视频分析、语音识别、自动驾驶、元宇宙、数字办公、大模型开发、视频直播、云端渲染、科学研究等。

同时，这些全功能 GPU 可覆盖 AI 应用所需的各类计算精度，满足 AI 工厂多样化计算场景需求：例如，FP8 广泛应用于混合精度训练、大语言模型推理；FP64 适用于天气预报、气候仿真等高性能科学计算场景；FP32/TF32 可支撑游戏、云电脑、高精度推理、高精度训练、仿真及科学计算；BF16/FP16 常用于机器学习、大语言模型训练；INT8 则在量化推理、计算机视觉（CV）推理中发挥作用。

其次，摩尔线程 MUSA（Meta-computing Unified System Architecture，元计算统一系统架构）通过计算、通信、存储三大技术创新，提升单芯片有效算力。作为全功能、多引擎、可配置的 GPU 架构，MUSA 提供统一的 MUSA 编程接口，核心是构建 “统一的编程模型、软件运行库、驱动程序框架、指令集架构与芯片架构”，支持从云端到边缘的多类计算场景。其最终目标是打造开放、兼容且高性能的国产 GPU 生态系统，覆盖人工智能、图形渲染、多媒体处理、科学计算等领域。借助 MUSA 架构，AI 工厂可实现硬件资源池化，让计算、内存、通信等资源实现全局共享，同时支持多前端引擎异步运行与高速跨引擎同步。

摩尔线程 MUSA 软件栈构建了从底层 GPU 驱动到上层 AI、科学计算、多媒体等各类应用工具的完整生态，为不同场景的开发与应用提供全面支持。通过驱动优化、算子库生态建设、通信技术升级、工具链完善等核心模块，MUSA 软件栈助力开发者充分释放国产 GPU 的性能潜能，推动 AI 基础设施的国产化落地进程。

张建中指出，依托 MUSA 统一系统架构及软件栈，摩尔线程致力于提供 “端云一体、触手可及” 的算力，重塑 AI 产业格局。在云侧，通过超大规模集群算力支撑通用大模型的训练与推理，提供丰富云资源，服务于云端大模型训练、云端大模型微调推理、云端原生大模型 AI 应用、云桌面、元宇宙、云游戏等创新场景；在端侧，打造本地算力底座，支持端侧部署个性化 AI 智能体及大模型工具 —— 以 AI BOOK 算力本为例，其搭载多元异构算力处理器，具备旗舰性能与顶级配置，可运行原生 AI 系统并预装 AI 编程环境，助力实现 “千人千面” 的 AI 智能体。

摩尔线程 KUAE 集群是为 AI 大模型训练与推理提供核心支撑的智算集群。该集群具备三大核心优势：一是支持 5D 并行训练，整合数据并行、张量并行、序列并行、专家并行、流水线并行五大并行技术，全面兼容 Transformer 等主流架构，显著提升大规模集群训练效率；二是覆盖大模型全生命周期，支持预训练、微调和推理全流程，可适配所有主流开源大模型（包括 LLaMA、GLM、Aquila、Baichuan、GPT、Bloom、玉言等）的训练与微调；三是应用场景广泛，可支撑 AIGC、数字孪生、物理仿真、元宇宙等多模态应用落地。

摩尔线程创新推出零中断容错方案，最大化提升训练可靠性与效率。该方案突破传统容错回退机制的局限，彻底消除中断时间与算力浪费，有效训练时间占比（ETTR）超过 99%。具体来看，其通过多维度训练洞察提升集群可靠性，使慢节点、系统挂起（Hang）等异常的处理效率提升 50%；同时借助集群自检与调度优化增强集群稳定性，让训练成功率及速度提升 10%。

综上所述，摩尔线程的五大核心技术布局，精准切入 AI 工厂从单芯片算力到集群稳定性的全链条效率痛点，最终形成 “硬件筑基、软件赋能、集群提效、容错护航” 的一体化解决方案。

资讯配图