通信世界网消息（CWW）8月21日，摩尔线程创始人、董事长兼首席执行官张建中在2026世界机器人大会上，以《全功能GPU与具身智能协同进化》为主题发表演讲，他强调，摩尔线程是国内极少数可以支撑具身智能训练全流程的GPU企业，从合成数据生成、基模训练、后训练/强化学习，到仿真评测与Sim2Real，为具身智能发展提供从数据到部署的硬核算力支撑。
国芯训国模，贯通具身智能训练全流程
张建中表示，当前产业正在共同迎接具身智能的“ChatGPT时刻”，而算力底座是决定这一时刻何时到来的关键力量。语言模型已跨越万亿参数门槛，具身智能模型同样在Scaling Law的驱动下，从十亿、百亿级向千亿、万亿级参数进化。随之而来的，是智算集群从千卡走向万卡，向十万卡迈进已是必然趋势。
在此产业背景下，摩尔线程构建了以全功能GPU为根基的夸娥智算集群，从万卡向十万卡持续扩展，并以此构建贯通“训练—推理—智能体”的一体化AI工厂，包括模型训练工厂、词元生产工厂、智能体生产工厂。
值得关注的是，作为国产GPU的“终极考场”，摩尔线程已交出基础模型、具身大脑、世界模型等多项“国芯训国模”的亮眼成绩单，充分体现了国产GPU在超大规模、超长连续稳定训练上的全链路闭环能力和通用算力优势。
在云端，摩尔线程依托夸娥智算集群，高效支撑大模型训练，并能完成大规模并行仿真任务；其首个具身智能仿真平台MT Lambda创新整合“物理、渲染、AI”三大引擎，实现技术突破；在端侧，摩尔线程自研SOC芯片“长江”具备高能效推理能力，可直接部署于机器人终端，实现感知、决策、执行的本地化闭环。
由此可见，从云到端，摩尔线程已构建起全栈自主的软硬件技术栈，为具身智能提供坚实的算力支撑。
全功能GPU助力仿真训练，为具身智能量身打造“练兵场”
具身智能未来要长远发展，最终还要拼应用落地。当前的训练与测试都是为了其能走向千行百业、走进千家万户。
但不可忽略的一点是，具身智能和感知AI、生成式AI存在本质差异：后者侧重“思考”，而具身智能还须具备“行动”能力，实现人工智能与物理世界的实时交互。智能体既要安全与人协作，也要完成复杂物理作业，这对物理仿真、实时感知、交互决策提出严苛标准。
行业观察显示，依靠实体机器人真机开展训练，长期存在三大痛点，即高质量训练数据稀缺、采集成本高昂；真机难以规模化并行训练，设备损耗、试错风险居高不下；真实环境变量繁杂，实验难以复现，模型跨场景泛化能力不足。
在此背景下，仿真训练逐步成为具身智能训练、评测与验证的核心基础设施，并对算力底座形成三重能力诉求：高精度物理仿真、高保真图形渲染、完整的AI训练推理支撑。
但现阶段，物理仿真、图形渲染、AI训推往往依托异构软硬件架构独立实现，开发者需要跨平台迁移、转换数据，拉低研发效率，进一步放大仿真到现实（Sim to Real）鸿沟。海量合成数据的规模化生产，更带来指数增长的渲染与仿真算力压力，传统算力架构难以承载。
值得注意的是，这一产业现实为国产GPU开辟了新赛道。过往国产GPU比拼焦点集中于AI训练推理，面向具身智能、物理AI场景，能否融合物理仿真、图形渲染、光追与AI计算，成为新竞争方向。
能够以统一架构承载仿真、渲染、AI三大计算范式的全功能GPU，正成为支撑具身智能发展的核心算力基座。
会上，张建中分享了摩尔线程全功能GPU作为具身智能国产算力底座的最新进展：已贯通训练全流程，覆盖合成数据生成、基模训练、后训练/强化学习、仿真评测和Sim2Real。作为这一能力的核心载体，摩尔线程全栈具身智能仿真平台MT Lambda，构建了从底层算力、核心引擎到上层框架及工具的完整解决方案，持续加速具身智能训练全流程。
不仅如此，张建中还向产业界发出邀请，欢迎加入摩尔线程具身智能社区，在“具身大小脑模型训练、仿真评测及合成数据、端侧算力”等方向开展合作，共筑具身智能开发生态。
他表示，摩尔线程将进一步构建连接数字世界与物理世界的新一代计算基础设施，以全功能GPU的强大算力驱动具身智能产业跃迁与生态重塑。
