摩爾線程 × 光輪智能｜強強聯手，共筑國產具身智能仿真底座

2026-05-12 來源：摩爾線程

105

近日，摩爾線程與光輪智能達成戰略合作。雙方將依托摩爾線程全功能GPU與夸娥（KUAE）智算集群，結合光輪智能“求解—測量—生成”三位一體全棧自研仿真平臺，聯合打造高置信度仿真數據合成方案，以國產算力與仿真算法的深度融合，為具身智能發展夯實自主可控的基礎設施。

本次合作直擊具身智能行業的核心痛點：真機數據采集長期面臨物理數據稀缺、成本高昂、場景覆蓋不足、復雜物理過程難以穩定復現等難題。為跨越數據鴻溝，高質量仿真合成數據成為關鍵路徑，但其規模化生產又面臨渲染量指數級爆炸的算力瓶頸。以典型操作任務為例，單條軌跡泛化后渲染量可達4.8萬幀（如圖2），數百條軌跡即達數百萬幀規模，傳統算力難以支撐。這類海量并發渲染與復雜物理仿真任務，對GPU的AI計算、圖形渲染、物理仿真等全功能能力提出剛性要求，硬件級光線追蹤更是確保合成數據物理真實度的關鍵。

圖1：合成數據示例，一條機械臂任務的執行軌跡中，包含了5個視覺相機機位的畫面渲染，用于機器人的視覺仿真數據生成。

圖2：4種裝修風格，4個燈光環境，形成16組渲染結果。每一組渲染配有5個機位，每個機位有600幀畫面需要渲染。最終，單條軌跡的渲染總量達4.8萬幀。

國產算力 × 仿真算法，

構建具身智能合成數據平臺

為系統性應對上述挑戰，摩爾線程與光輪智能充分發揮各自優勢，通過國產GPU算力底座與自研仿真合成技術的深度協同，共同構建起“真實軌跡→仿真建模→數據擴增”的完整國產化閉環，不僅攻克了柔性體抓取物理模擬等技術難關，更讓海量、高置信度合成數據的規模化“量產”成為現實。

光輪智能作為全球領先的物理AI數據與仿真基礎設施企業，首創“求解—測量—生成”三位一體全棧自研仿真平臺，為此次合作提供了核心算法與仿真資產支撐。

仿真層，光輪自研高精度GPU物理求解器具備可微分、多物理、多材質統一求解，支持剛體、柔體、流體、顆粒等復雜物理過程的高精度實時仿真，并已深度適配摩爾線程MUSA架構，在MTT S5000智算卡上依托全功能GPU原生加速與光線追蹤硬件單元，實現高效穩定運行與高保真渲染。與此同時，光輪依托首創物理測量工廠與虛實對標方法論，將真實世界中的質量、摩擦、接觸、形變等關鍵物理參數引入仿真環境，結合SimReady標準體系，確保仿真資產可驗證、可復用、可規模化，核心物理參數仿真準確度達99%以上，為高置信度合成數據生產提供物理真實基礎。

平臺層，構建覆蓋場景構建、任務生成、仿真執行到評測驗證的閉環，形成以RoboFinals為代表的系統化評測能力，結合摩爾線程國產GPU算力底座與大規模并發能力，實現位姿、物性、視角與環境條件等維度的高效泛化，推動具身數據從有限采集走向規模化生成。

圖3：模擬機械臂抓取不同質量的柔性物體（抓取物從左往右，質量依次變大）

摩爾線程作為國內稀缺的全功能GPU企業，充分發揮全棧通用算力底座優勢。基于自研MUSA架構，其單顆芯片實現同時支持AI計算、圖形渲染、物理仿真、科學計算與超高清視頻編解碼的技術突破，為具身智能合成數據生產提供一體化、全鏈路的算力支撐。旗艦級AI訓推一體智算卡MTT S5000，作為國內極少數同時支持硬件級光線追蹤與AI訓推的國產GPU，內置獨立的光線追蹤硬件單元（RT Core），可支撐復雜物理場景的實時高保真渲染。基于MTT S5000的夸娥千卡智算集群，憑借全精度通用計算能力，為海量合成數據生產提供穩定、高效的算力保障，支撐單一任務即可在位姿、物性、視角與環境條件等維度實現高效泛化，推動具身數據從有限采集走向規模化生成。與此同時，摩爾線程全功能GPU支持光輪自研的物理求解器，實現柔性體動力學、剛體碰撞、流體模擬等復雜物理計算，確保合成數據在物理一致性上達到工業級精度要求。