摩尔线程上市后的第一场大会，办给了开发者｜甲子光年

国产GPU的叙事重心，正在从“造芯”转向“造生态”。

摩尔线程上市后的首场大会来了。

2025年12月20日，摩尔线程首届MUSA开发者大会（MDC 2025）于北京中关村国际创新中心正式开幕。

这是摩尔线程首次举办开发者大会，也是国内首个聚焦全功能GPU的开发者盛会。本次大会以自主计算创新与开发者生态共建为核心议题，吸引了2000多名来自产学研的专业人士和开发者参与。

本次大会上，摩尔线程不仅发布了全新的GPU架构“花港”、万卡智算集群“夸娥”和搭载了智能SoC芯片“长江”的个人智算产品MTT AIBOOK（AI算力本），还分享了面向下一代超大规模智算中心的MTTC256超节点架构规划；同时，摩尔线程还展示了自己在推理领域的最新成果，并公布了在具身智能、科学智能（AI4S）、AIfor6G、开发者生态建设等领域的全新进展。

这一系列成果的发布，标志着摩尔线程已成功构建起一套以自主统一架构为根基、贯穿“芯-边-端-云”的完整技术栈，实现了从底层硬件到上层应用的系统化闭环。

1.硬核突破：“花港”架构与万卡集群的算力答卷

如果说过去国产GPU常被诟病的点是“性能”和“能效”，那么此次摩尔线程新一代全功能GPU架构“花港”的发布，则用数据一举打破了之前的刻板印象——该架构采用全新一代指令集，相比上一代架构，算力密度提升约50%，并通过深度架构优化实现最高10倍的能效提升。

在AI计算方面，花港全面支持FP8、FP6、FP4等多种低精度计算单元，显著提升大模型训练与推理的效率；在系统层面，花港可支持10万卡以上的超大规模计算集群，并引入新一代异步编程模型，以提升算力利用率。

同时，花港还在图形领域引入新一代AI生成式渲染架构（AGR），并重构第二代硬件光线追踪引擎，渲染和光追性能实现代际跃升。在安全性方面，花港构建了四级硬件安全防护体系，支持国密与机密算法，面向数据中心和关键行业应用。

基于花港架构，摩尔线程未来将发布AI芯片“华山”。该产品定位为AI训练与推理一体化的高端算力芯片，同时具备强大计算能力，面向大模型和AI超级集群场景。

摩尔线程基于“花港”架构的AI训推一体芯片“华山”图源：「甲子光年」拍摄

在算力方面，华山的浮点计算能力对标国际先进GPU产品，能够支撑主流大模型的训练和推理需求；在系统设计上，华山配备高带宽缓存和大容量存储，并支持MTLink4.0及多种内嵌互联协议，提升集群兼容性与扩展能力。

摩尔线程创始人、董事长兼CEO张建中表示：“一张卡的性能很重要，但真正决定AI训练效率的，是能否稳定、高效地Scale到成千上万张卡。”

据介绍，华山单点最高支持1024颗GPU直连Scale-Up，并集成RAS2.0可靠性机制，支持错误检测、隔离与恢复，提升大规模训练的稳定性和成功率。此外，华山还在硬件层面内置大语言模型关键算子的加速引擎，实现软硬件深度协同。

同时亮相的庐山是一款面向高性能图形渲染计算的GPU产品，适用于CAD/CAE、工业设计、建筑可视化以及高端内容创作等场景。相较上一代S80产品的架构，庐山整体图形性能提升约15倍，AI算力提升64倍，几何处理能力提升16倍。其硬件级光线追踪性能相比S80提升约50倍，显存容量提升至前代的4倍。

摩尔线程基于“花港”架构的高性能图形渲染芯片“庐山”图源：「甲子光年」拍摄

“庐山”内置AI原生能力，并原创AI生成式渲染技术（AGR），让AI能力贯穿几何、像素、光追和后处理等整个渲染流程。同时，全新的统一任务引擎（Unified Task Engine）可实现GPU内部计算资源的全面并行，大幅提升渲染效率。

“庐山不仅是一张能玩3A游戏的显卡，更是一张面向专业设计和工业应用的生产力GPU。”张建中说。

在国产算力的语境里，“万卡”从来不是把卡堆起来那么简单。更难的部分，往往是“能跑多久、跑多稳、跑多满”。因此，摩尔线程全新发布的“夸娥万卡”智算集群，成为了本次大会继“花港”架构之后的第二个亮点。

张建中强调了“夸娥”万卡智算集群在万卡规模下的工程化能力与可靠性：能够支撑万亿参数模型训练，并在多项关键指标上对齐国际主流水平——浮点运算能力达到10Exa-Flops；Dense大模型MFU 60%、MOE大模型MFU 40%；有效训练时间占比超过90%，训练线性扩展效率达95%；

在训练侧，夸娥万卡集群基于原生FP8能力，完整复现顶尖大模型训练流程，并且在技术层面实现关键优化：Flash Attention算力利用率>95%，并突破FP8累加精度等瓶颈。

在推理侧，张建中同样展示了全功能GPU单卡的超强实力：摩尔线程联合硅基流动，在运行DeepSeekR1671B满血版大模型时，MTTS5000单卡Prefill吞吐速度突破4000tokens/s、Decode吞吐速度突破1000tokens/s。

但在AI战场，万卡“能训”只是起点，下一步要解决的是更高密度、更高带宽、更低单位能耗的系统形态。在大会上，摩尔线程公布了面向下一代超大规模智算中心的MTTC256超节点架构规划，主打高密硬件与极致智算性能。

并不是只有芯片和算力集群这样的“钢铁巨兽”。面对更加C端与更广大的开发者，摩尔线程也拿出了诚意。

此次大会上，摩尔线程了发布搭载智能SoC芯片“长江”的AI算力本MTT AIBOOK。其端侧AI算力可达50 TOPS，实现从芯片、驱动到开发环境全栈整合，并构建了Agent的“工具集”，大幅降低AI开发的门槛，同时创新打通了Linux开发、Windows办公与Android应用之间的场景壁垒，这使得AIBOOK不仅完整保留了传统PC的功能，还可以实现高效的AI开发体验。

这一创新工具，也成为开发者接入MUSA生态的关键入口。

2.软件根基：MUSA5.0，从“能用”到“好用”的系统工程

如果说上述产品的发布是摩尔线程上市之后对外界的一次“秀肌肉”和“牛刀小试”，那么MUSA软件栈，才是摩尔线程此次发布会祭出的真正“大杀器”。

国产GPU软件栈，一直都是中国GPU产业的“阿喀琉斯之踵”。当前，英伟达的CUDA生态在AI和科研领域仍然是“事实标准”，垄断着GPU开发的大半江山，而国产GPU多依赖开源方案（如OpenCL、Vulkan）或自研框架，工具链成熟度低、移植成本高、开发者意愿不足。

尽管部分国产GPU专注AI训练/推理，但配套的编译器、算子库、模型优化工具链仍需长期积累；此外，国产GPU的驱动程序的稳定性、游戏兼容性、图形API支持（如DirectX、Vulkan）也不完善，用户体验与国际产品有较大差距。

MUSA（Meta-computingUnifiedSystemArchitecture）是摩尔线程自主研发的元计算统一计算架构，覆盖从芯片架构、指令集、编程模型到软件运行库及驱动程序框架等的全栈技术体系。MUSA不仅定义了统一技术标准，更是被摩尔线程赋予了长期“底层创新”的战略意义，并服务于全功能GPU的多场景目标：AI计算、图形渲染、物理仿真和科学计算、超高清视频编解码等。

在大会上，张建中回顾了MUSA架构与产品的演进路径：

“硬件可以一年一代，但软件必须持续进化。”张建中表示。

在本次大会上，摩尔线程正式发布MUSA5.0。全新升级的MUSA5.0标志着架构步入成熟新阶段，在全栈统一性、极致效能与生态开放性上取得关键突破：

• 编程生态全面升级：原生MUSA C，深度兼容TileLang、Triton等编程语言，为开发者提供灵活高效的全栈开发体验。

• 计算效能极致优化：核心计算库muDNN实现GEMM/FlashAttention效率超98%，通信效率达97%，编译器性能提升3倍，并集成高性能算子库，显著加速训练与推理全流程。

• 开源生态持续扩大：计划逐步开源计算加速库、通信库及系统管理框架在内的核心组件，向开发者社区开放深度优化的底层能力。

• 前沿特性拓展边界：即将推出兼容跨代GPU指令架构的中间语言MTX、面向渲染+AI融合计算的编程语言muLang、量子计算融合框架MUSA-Q，以及计算光刻库muLitho，持续拓展全功能GPU的算力边界。

“MUSA5.0基本可以完整覆盖今天用户的全部应用场景，能够完美支撑AI GPU的生态体系。”张建中说。

值得注意的是，MUSA并非只面向单一平台或操作系统。MUSA5.0在兼容主流国际CPU与操作系统的同时，也全面支持国产CPU与国产操作系统，实现国产生态与国际生态的并行适配，统一支撑云、边、端全系列GPU产品。

这意味着，无论是数据中心、工作站还是终端设备，摩尔线程均可通过同一套软件体系进行部署和开发，大幅降低了开发与运维成本。

3.战略转身：从“造芯”到“造生态”的突围战

然而，仅有硬件和软件还不够。国产GPU更大的问题，是“不够好用”。

硅基流动创始人兼CEO袁进辉在大会上表示，由于芯片细节太多、场景太杂，因此必须通过软件栈一层层抽象，把复杂性隐藏起来。当抽象不够时，开发者就不得不往下挖，“当开发者发现最上层的抽象不满足需求的时候，他会再往下去发掘更底层的一些工具箱……一直到底层的芯片。”

这就国产芯片普遍有30-50%的理论性能释放不出来的原因——要么是软件栈的API太厚把特性藏起来了，要么就是太薄，让开发者无从下手。

除了性能释放得不够极致、芯片不够好用，北京智源人工智能研究院AI框架研发负责人敖玉龙也指出了国产GPU的另一个问题——当前大部分的大模型仍然是跑在CUDA上的，迁移到国产原生软件栈的成本比较高。

“我们不能总在migration（迁移），怎么基于国产去原生的去做一些事情？大家缺的可能一方面是信心，另一方面产品质量和生态也很关键。”敖玉龙说。

怎么办？众人拾柴火焰高。

袁进辉举了一个行业规律：即便是最主流的平台，新芯片发布后也需要时间被真正“用顺”——“通常过一年之后在上面跑的软件能够加速两倍以上。”更重要的是，很多玩法并非芯片公司预设，而可能是“新的”，是原来那个芯片厂商也没有预计到的。他期待在MUSA上也出现“开发者玩出来”的创新：“这就可能需要摩尔线程提供一些架构的资料手册……让更多开发者去hack。”

这是一种生态的打法：把底层能力向社区开放，让优化与创新不再只能由厂商完成。

摩尔线程联合创始人兼首席技术官张钰勃在大会上表示，在上一代“平湖”架构中，Attention算法的利用率就已经能够做到90%以上了，而同期的H100只能做到75%。“那剩下的东西怎么样能够暴露出来呢？我们就通过像支持Python，甚至是将来基于Tile的编程方式，通过编译器的方式把它暴露出来。我们觉得光靠厂商自己的软件栈还不够，还需要跟开发者做深度的结合。”张钰勃说。

因此，摩尔线程的策略是“双轨制”：一方面在开发者使用习惯上“贴近主流”；另一方面，通过更高阶抽象、DSL/编译器与软硬协同，而是通过与模型团队、系统团队的深度联合优化，把GPU的潜在性能释放出来，确保国产平台永远能“跑满”而不只是“能跑”。

换句话说，摩尔线程正在把叙事重心从“造芯”挪向“造生态”。

这一点，与郑纬民院士在大会上的判断形成了清晰呼应。在郑纬民看来，主权AI并不是单点技术问题，而是一项系统工程，其核心由三根支柱共同支撑：算力自主、算法自强、生态自立。其中，生态的重要性往往被低估，却恰恰决定了一项技术路线能否走得长远。

郑纬民把产业现实说得很直接：不同厂商接口不一，导致用户经常为同一软件做重复适配。“你做出一个芯片固然很重要，但如果没有足够多的开发者愿意长期在上面写代码，那就是白生产。”郑纬民表示，真正决定国产算力成败的，并不是有没有一两款性能亮眼的芯片，而是有没有一个以开发者为中心、能够持续演化的产业生态。“我希望用户工作量的减少，不同芯片、不同系统，最后是一套东西。”

在大会上，摩尔线程联合创始人兼首席技术官张钰勃也表示，未来摩尔线程的GPU，从架构到上面的每一层软件，全部都会坚持开源的路线，为发展好的国产计算生态贡献自己的力量。

正如清华大学高性能计算所所长翟季冬在大会上所说，芯片性能可以在几年内追赶，但生态系统需要十年、二十年的持续投入和积累。当前，国产GPU产业正站在一个关键的十字路口。一方面技术突破正在加速到来，另一方面,碎片化与内卷的隐患也在累积。这些问题如果不解决，国产GPU可能会陷入“有算力用不好、有芯片没生态”的困境。

这正是摩尔线程此次MUSA大会最大的价值所在——它并没有在宣告一场胜利，而是在吹响一场更艰苦战役的号角——战役的主角，是坐在台下的每一位开发者。只有当足够多的中国开发者开始在MUSA平台上“hack”出新玩法，只有当第一个世界级SOTA模型诞生于国产的GPU软件栈上，只有当国外团队开始“反向移植”面向MUSA优化的模型架构，那一天，我们或许才能说，属于中国GPU的时代真正到来了。

（封面图及文中未标注来源图片均来自摩尔线程）