放眼當下，到底哪個芯片跑滿血 DeepSeek是最快的？

答案很意外——不是你以為的英偉達，而是一家國產 GPU。

因為現在它的速度，已經直接來到了100 tokens/s！

這個速度相比國外 GPU 的 50 tokens/s 和國內的 15 tokens/s，已經稱得上是快上了一個數量級。

若是將三者放在一起同時運行，效果會更加一目了然。

當中間的國產 GPU 以行云流水之勢給出了完整準確答案之際，兩邊的 " 選手 " 則是還在深度思考過程中：

那么這個國產 GPU 到底是誰？

不賣關子，它就是摩爾線程。

但這時肯定有很多小伙伴會問了，從成立到現在不到 5 年時間，摩爾線程的何以取得如此速度。

在量子位了解完其在 " 算力之道 " 的全貌之后發現，答案，遠比 " 做出一顆更快的芯片 " 要宏大和深刻。

已經造了個 AI 超級工廠

沒錯，這是因為摩爾線程在搞算力這件事兒上，已經給自家打造了一個AI 超級工廠（AI Foundry）。

提到 Foundry 這個單詞，很多人第一反應或許就是造芯片時的 " 晶圓廠 "，它的價值取決于于生產芯片的良率、產能和工藝先進性。

但 AI 超級工廠，它并非指代一個物理上生產芯片的晶圓廠，而是一個類比的概念：

這個 AI 工廠的進化，就像升級制程一樣，絕不是改改某個單一技術就完事兒了，而是一個系統性、全方位的變革。

它要求整個技術棧 " 脫胎換骨 "：從最底層的芯片架構必須革新、到集群的整體架構得巧妙設計，再到軟件層面——算法怎么調更聰明，資源調度怎么跑更高效，每一個環節都至關重要。

正是這種從根兒上動起來的基礎設施大改造，才能真正釋放 AI 算力，實現大規模 " 生產 " 和 " 迭代 " 前沿 AI 大模型。

需要強調的一點是，要建成這樣一座超級工廠，絕非暴力地將成千上萬張顯卡堆砌在一起這么簡單。

它需要五大核心要素的緊密耦合與協同進化，缺一不可；

這個 AI 工廠的產能，用一套公式可概括為：

AI 工廠生產效率 = 加速計算通用性 × 單芯片有效算力 × 單節點效率 × 集群效率 × 集群穩定性

摩爾線程正是圍繞這五大要素，構建了技術護城河。

全功能 GPU：超級工廠的基石

AI 超級工廠的基石，指的是一顆具備強大通用性的 " 全功能 GPU"。因為回顧算力的進化史，其實就是一部全功能 GPU 的發展史。

從最初只能加速 3D 圖形的 " 顯卡 "（VGA Card），到開放編程接口、允許開發者創造無限可能的 " 現代圖形處理器 "，再到被廣泛應用于超算、深度學習、區塊鏈等領域的通用計算平臺，GPU 的每一次飛躍，都源于其通用性的拓展。

單一功能的加速器，如早期的 3D 加速卡或今天的某些專用 AI 芯片（ASIC），雖然在特定任務上效率極高，但其靈活性差、編程困難，無法適應 AI 模型日新月異、應用場景層出不窮的發展趨勢。

一個 AI 模型可能既需要處理語言，也需要理解圖像，甚至要進行物理世界的模擬。如果工廠的 " 機床 " 只能處理一種任務，那么它很快就會被淘汰。

因此，摩爾線程從創立之初就堅持打造真正的全功能 GPU，既要 " 功能完備 "，也要 " 精度完整 "。

首先是 " 功能完備 "，即芯片內部集成了四大核心引擎：

AI 計算加速引擎：不僅能做推理，更能做訓練，實現訓推一體。

先進的 3D 圖形渲染引擎：支持 DX12 等現代圖形 API，滿足游戲、AIGC、數字孿生等視覺計算需求。

物理仿真與科學計算引擎：這是常被忽視卻至關重要的一環。未來的 Agentic AI、空間智能都需要與物理世界交互，強大的科學計算能力是連接數字世界與物理世界的橋梁。

超高清視頻編解碼引擎：AI 的計算結果最終需要通過視覺和聽覺呈現給人類，高清、低延遲的流媒體處理能力是人機交互體驗的保證。

其次，" 全計算精度 " 覆蓋。從 FP32、FP16 到業界前沿的 FP8，乃至更低精度的 INT8/INT4，完整的精度支持讓開發者可以根據不同任務的需求，在性能和精度之間找到最佳平衡點。

特別是在大模型訓練中，混合精度訓練已是標配，而摩爾線程是國內極少數能夠提供 FP8 訓練能力的平臺。" 全功能 " 和 " 全精度 " 能力，確保了摩爾線程的 GPU 這座 " 機床 " 能夠承接各類 AI 模型生產訂單。

MUSA 統一系統架構：超級工廠的 " 總設計師 "

如果說全功能 GPU 是工廠的機床，那么 MUSA 就是整個工廠的 " 總設計師 "。一個卓越的頂層架構，能夠決定一家公司未來十年甚至更長時間的技術路線和發展潛力。

MUSA 的核心理念是 " 一個架構，萬千應用 "（One Architecture for Many Applications）。它采用創新的多引擎、可伸縮、可配置的統一系統架構，將 GPU 內部的計算、通信、內存、調度等功能進行頂層設計和統一管理。

先來看可伸縮，顧名思義，MUSA 架構是可以根據不同客戶、不同市場的需求，快速裁剪出優化的芯片配置，大幅降低了新品芯片的開發成本。

其次，資源全局共享，簡單說，就是把所有硬件資源——像計算核心、內存、通信這些——都打通，變成一個大資源池，然后用智能調度靈活分配。

這招兒直接解決了大問題：以前那種單引擎 GPU，多個任務一起跑的時候特別容易卡。現在好了，所有資源大家共享，按需取用！

再例如，統一編程接口與指令集，開發者只需學習一套 API 和編程模型，就能驅動 MUSA 架構下所有的硬件引擎，極大地降低了開發門檻，提升了開發效率。

除此之外，MUSA 架構內部包含了多個摩爾線程自研的核心技術。

例如，專門為 FP8 設計的 "Transformer 引擎 "，使其 FP8 的訓練性能相比沒有該引擎的方案能提升 30%；獨創的 ACE 異步通信引擎，可以讓計算和通信并行不悖，解決了傳統架構中通信會占用計算資源的痛點，減少了 15% 的計算資源損耗，將 GPU 的算力釋放；自研的 MTLink2.0 互聯協議，實現了 GPU 之間高效、低延遲的通信，提供了高出國內行業平均水平 60% 的帶寬，為大規模集群部署奠定了堅實基礎。

MUSA 架構的先進性，確保了摩爾線程的每一顆芯片都不是孤立的算力單元，而是一個高度協同、管理高效的 " 作戰小組 "，有效提升每顆芯片有效算力，為整個 AI 超級工廠提供了堅實的、可擴展的算力底座。

MUSA 全棧系統軟件：超級工廠的 " 操作系統 " 與 " 工具箱 "

再好的硬件，若是沒有高效的軟件，同樣也無法發揮其全部潛力。因此，摩爾線程打造了與 MUSA 硬件架構深度耦合的全棧軟件系統，它在 AI 超級工廠中扮演著 " 操作系統 " 和 " 開發者工具箱 " 的角色。

這個軟件棧可以說是覆蓋了從底層驅動到上層應用框架的方方面面：

高效驅動：摩爾線程的驅動經過深度優化，核函數啟動時間縮短 50%，任務派發延遲極低，可以一次性并發處理上千個任務，領先業界水平。

核心算子庫：對標國際大廠的 cuDNN，摩爾線程的 muDNN 在算子層面進行了大量優化，GEMM 算子算力利用率達 98%，Flash Attention 算子算力利用率突破 95%。

通信效能躍升：MCCL 訓練通信庫實現 RDMA 網絡 97% 帶寬利用率；基于異步通信引擎優化計算通信并行，集群性能提升 10%。

生態兼容與 Triton 支持：通過 MUSIFY 等工具，實現了對 PyTorch、TensorFlow 等主流 AI 框架的無縫支持。尤其值得一提的是，基于 Triton-MUSA 編譯器 + MUSA Graph 實現 DeepSeek R1 推理加速 1.5 倍，全面兼容 Triton 等主流框架。

完善的開發者套件：提供了一整套涵蓋性能分析（Profiler）、調試、調優、一鍵部署等功能的工具鏈，如同一個 " 百寶箱 "，讓開發者能夠洞察硬件運行的每一個細節，榨干硬件的每一分性能。

這套全棧系統軟件，確保了開發者不僅能 " 用起來 "，更能 " 用得好 "，將 MUSA 硬件架構的強大能力順暢地傳遞到上層應用，是連接硬件與算法的關鍵樞紐。并且通過 MUSA 全棧系統軟件的優化，摩爾線程實現了 " 單節點計算效率 " 全面提升。

KUAE 計算集群：超級工廠的 " 生產車間 "

單卡、單節點的性能再強，也無法完成動輒千億、萬億參數大模型的訓練。AI 超級工廠必須以大規模集群的形式存在。為此，摩爾線程構建了夸娥（KUAE）大規模智能計算集群。

夸娥計算集群遠非簡單的服務器堆疊，它是一個軟硬一體化的系統工程，相當于 AI 大模型的 " 生產車間 "：

軟硬一體化設計：從服務器節點、交換機到機柜，再到上層的集群管理軟件、任務調度系統，全部進行了協同設計和優化。

創新 5D 并行訓練：摩爾線程整合數據并行（DP）、流水線并行（PP）、張量并行（TP）等所有主流的并行訓練策略，全面支持 Transformer 等主流架構，并能根據模型特點自動搜索和推薦最優的并行方案。

端到端訓練優化：覆蓋了從數據預處理、模型預訓練、強化學習、微調到驗證評估的全流程，提供一站式服務。

性能仿真工具（Simumax）：自主研發的 Simumax 工具面向超大規模集群自動搜索最優并行策略，精準模擬 FP8 混合精度訓練與算子融合，為 DeepSeek 等模型縮短訓練周期提供科學依據。

高效 Checkpoint：針對大模型穩定性難題，創新 CheckPoint 加速方案利用 RDMA 技術，將百 GB 級備份恢復時間從數分鐘壓縮至 1 秒，提升 GPU 有效算力利用率。

通過夸娥計算集群，摩爾線程將單點的 GPU 性能優勢，成功擴展到了千卡、萬卡乃至更大規模的集群層面，構建起了一個真正具備強大 " 生產力 " 的 AI 超級工廠。并且通過實測，KUAE 2 大規模智算集群，在不同架構模型的 MFU，已經達到了行業領先水平。

零中斷容錯技術：超級工廠的 " 安全生產協議 "

對于一個需要 7x24 小時不間斷運行的 AI 超級工廠來說，穩定性壓倒一切。一次意外的宕機，可能意味著數百萬美元的損失和數周工作的付諸東流。因此，摩爾線程開發了獨有的 " 零中斷容錯技術 "，這是保障工廠穩定運行的 " 安全生產協議 "。

傳統的容錯機制，在硬件（如 GPU 卡）發生故障時，需要暫停整個訓練任務，人工替換硬件，再從最近的 Checkpoint 恢復，整個過程耗時耗力。而摩爾線程的零中斷技術則完全不同：

零中斷容錯技術：當某個節點變慢或出現故障時，僅隔離受影響節點組，其余節點繼續訓練，備機無縫接入，全程無中斷。這一方案使 KUAE 集群有效訓練時間占比超 99%，大幅降低恢復開銷。

多維度訓練洞察：通過多維度的數據監控和 AI 預測模型，系統能夠提前感知到哪些節點可能會成為 " 慢節點 "，并進行預警或隔離，實現動態監測與智能診斷，異常處理效率提升 50%；

集群自檢及調度優化：在訓練任務開始前，系統會自動對整個集群進行 " 體檢 "，確保所有軟硬件都處于最佳狀態，如同飛機起飛前的安全檢查，訓練成功率提高 10%，為大規模 AI 訓練提供穩定保障。

總結來看，上述的五大要素，即全功能 GPU、MUSA 架構、全棧軟件、KUAE 集群、零中斷容錯技術，共同構成了摩爾線程的 AI 超級工廠。

它是一個有機的整體，從芯片設計的最底層到集群管理的最上層，環環相扣，協同進化。正是這個完整的、端到端的體系，才造就了文章開頭的性能表現。

那么接下來的一個問題是：

為什么要造 AI 超級工廠？

這個問題的答案，或許植根于摩爾線程對計算革命過去、現在與未來的深刻洞察。

十年前，以人臉識別、自動駕駛為代表的 " 感知 AI" 大爆發，催生了第一批 AI 巨頭。而從 2022 年 ChatGPT 橫空出世至今，我們正處在 " 生成式 AI" 的指數級爆發期。

大模型的 " 智商 " 迭代速度令人咋舌，從去年還在人類平均水平的四五十分，到如今頂尖模型已經飆升至七八十分，直逼人類頂尖水準。

模型的迭代速度，也從過去的數月一更，壓縮到如今的數周甚至每周一更。這場競賽的背后，驅動力只有一個——算力。

正如馬斯克能夠憑借其 20 萬張 H100，讓 Grok 模型在短時間內登頂排行榜，這殘酷地揭示了一個事實：Scaling Law 是 AI 發展的鐵律。

誰擁有更大、更強的算力基礎設施，誰就能更快地迭代模型，搶占技術和市場的制高點。

而展望未來五年，Agentic AI（智能體 AI）和空間智能將成為新的爆發點。AI 將不再僅僅是聊天的工具，而是成為可以自主完成復雜任務的 " 數字員工 "，并與物理世界深度融合。

這一切，都意味著對算力的需求將再次呈幾何級數增長。在這樣的大背景下，僅僅滿足于當下的計算能力是遠遠不夠的，必須為未來更加龐大的計算需求做好準備。

面對永無止境的算力需求，僅僅追求 " 快 " 是片面的。未來的計算，更需要的是全方位的 " 穩 " ——穩定、可靠、高效、通用。

這正是建設 AI 超級工廠的根本原因。

訓練一個萬億參數的大模型，好比建造一座港珠澳大橋，是一項極其復雜的系統工程。它對基礎設施的要求，堪比建造一座芯片晶圓廠。

你不能指望靠 " 人海戰術 "，找十億個兒童去抬起一棟大樓；同樣，你也不能簡單地將一萬張低效的顯卡堆在一起，就期望能訓練出高質量的大模型。

這個過程充滿了挑戰，例如在成本方面，一次大規模訓練動輒耗費數月和數百萬美元，任何中斷或失敗都是巨大的損失。

再如面對復雜的系統，上千個節點、上萬顆芯片如何高效通信、同步？軟件和硬件如何完美適配？又該如何快速定位和解決問題？

還有在實際應用過程中，往往任務又是多樣性的：今天訓練語言模型，明天可能就要處理多模態數據，后天又要進行科學計算……

這些挑戰，都無法通過購買單一的 " 最快芯片 " 來解決。它需要一個從底層硬件到上層軟件，再到集群管理和運維服務的端到端解決方案。

這恰恰是摩爾線程 "AI 超級工廠 " 的核心價值所在——它提供的不是孤立的算力，而是一種確定性的、高效率的、高成功率的 AI 模型生產能力。

總而言之，摩爾線程選擇了一條最艱難，但可能也是最正確的道路。他們沒有滿足于在某個單點上追趕或超越，而是立足于未來，從根本上思考如何為這個時代提供最先進的 " 生產力工具 "。

這，就是摩爾線程給出的答案，一個不止于快，更關乎未來的答案。

一鍵三連「點贊」「轉發」「小心心」

歡迎在評論區留下你的想法！

— 完 —

點亮星標

科技前沿進展每日見