摩尔线程携手光轮智能，打造国产具身智能仿真基础设施
电子创新网
摩尔线程携手光轮智能，打造国产具身智能仿真基础设施
摩尔线程与光轮智能近日宣布建立战略合作伙伴关系。双方将基于摩尔线程的全功能GPU与夸娥（KUAE）智算集群，结合光轮智能自主研发的“求解—测量—生成”三位一体仿真平台，共同构建高置信度的仿真数据合成解决方案。这一合作以国产算力与算法的深度融合为基础，致力于推动具身智能领域的基础设施实现自主可控。
当前，具身智能行业面临诸多挑战，其中真机数据采集受限于物理数据稀缺、成本高昂、场景覆盖不全面以及物理过程难以稳定再现等问题。为突破数据瓶颈，高质量的仿真合成数据被视为关键手段。然而，仿真数据的大规模生成需要应对渲染量呈指数增长的算力压力。
以典型操作任务为例，单条执行轨迹在泛化后需渲染4.8万帧（见图2），数百条轨迹则可能生成数百万帧数据，这对传统计算架构构成显著挑战。此类任务对GPU的AI计算、图形渲染和物理仿真能力提出了严格要求，尤其是硬件级光线追踪技术，成为保障合成数据物理真实性的关键。
图1展示了机械臂任务轨迹中，五个视觉相机视角的渲染结果，用于支持机器人视觉仿真。
图2呈现了在四种装修风格和四个灯光条件下生成的16组渲染结果。每组包含五个视角，每个视角渲染600帧，单条轨迹最终渲染总量高达4.8万帧。
国产算力融合仿真算法，打造具身智能合成数据平台
为系统性应对上述难题，摩尔线程与光轮智能充分发挥各自优势，结合国产GPU算力与自研仿真技术，构建起“真实轨迹→仿真建模→数据扩增”的完整国产化闭环。该平台不仅突破柔性体抓取等物理模拟技术障碍，更实现了高置信度合成数据的大规模、稳定生产。
作为全球领先的物理AI仿真与数据基础设施提供商，光轮智能凭借其“求解—测量—生成”三位一体仿真平台，为此次合作提供了核心算法与资产支撑。
- 在仿真层，光轮智能自主研发的高精度GPU物理求解器具备多物理场、多材质统一求解能力，可实现刚体、柔体、流体及颗粒等复杂物理过程的实时仿真。该求解器已适配摩尔线程MUSA架构，并在MTT S5000智算卡上通过全功能GPU与光线追踪单元的原生加速，实现高效稳定运行与高保真渲染。
- 在平台层，双方构建了覆盖场景构建、任务生成、仿真执行与评测验证的闭环系统，形成以RoboFinals为代表的系统化评估能力。结合摩尔线程的国产GPU算力，实现了位姿、物性、视角与环境条件等维度的高效泛化，推动具身智能数据生成从有限采集向规模化生产转变。
图3为机械臂抓取不同质量柔性物体的仿真示例，从左至右质量依次增加。
摩尔线程全功能GPU发挥算力优势
依托自研的MUSA架构，摩尔线程单颗芯片实现了AI计算、图形渲染、物理仿真、科学计算与视频编解码的一体化处理，为具身智能数据生成提供端到端算力保障。旗舰级MTT S5000智算卡作为国内少数同时支持硬件级光线追踪与AI训练推理的国产GPU，内置独立光线追踪单元（RT Core），可支持复杂物理场景的实时高保真渲染。
基于夸娥千卡智算集群，摩尔线程为高并发、海量合成数据生成提供稳定、高效的计算支撑，实现任务在位姿、物性、视角与环境条件等多个维度的高效泛化。此外，摩尔线程全功能GPU支持光轮自研的物理求解器，完成柔性体动力学、刚体碰撞和流体模拟等计算任务，确保合成数据在物理一致性方面达到工业级精度。
图4显示，使用MTT S5000的RT Core进行硬件光线追踪加速渲染，性能提升可达2.7倍。
双方共同构建的具身智能数据生成国产化闭环，不仅体现了光轮智能在数据与仿真领域的能力积淀，也彰显了摩尔线程全功能GPU的全栈计算潜力。该实践标志着国产技术正逐步支撑起具身智能与机器人训练的高数据需求。
构建国产物理AI基础设施，推动具身智能生态走向自主可控
此次合作不仅是技术层面的强强联合，也标志着国产具身智能基础设施建设迈入更深入的协同发展阶段。双方验证了国产自研物理求解器与全功能GPU的深度兼容能力，为行业提供了算法到芯片协同开发的可复制范式。
未来，摩尔线程与光轮智能将在具身智能评测平台、物理AI高置信度闭环仿真等领域持续深化合作，推动合作从数据合成阶段向“仿真-训练-评测”全平台闭环拓展，持续夯实国产化物理AI基础设施，加速AI向物理世界的融合。
关于摩尔线程
摩尔线程以全功能GPU为核心，致力于为全球提供加速计算基础设施和一站式解决方案，为各行业的数智化转型提供AI算力支撑。企业愿景是打造具备国际竞争力的GPU领军品牌，构建融合AI与数字孪生技术的先进加速计算平台，为数智世界赋能。
关于光轮智能
光轮智能专注于物理AI的数据与仿真基础设施建设，依托其“求解—测量—生成”三位一体平台，提供大规模、高质量的仿真数据生成与工业级评测服务。目前，全球主要具身智能团队中有超过80%的仿真资产来自光轮，世界排名前五的世界模型团队也已与光轮展开合作。
查看全文
评论0条评论