7月17日至20日，2026世界人工智能大会（WAIC）在上海盛大召开。作为国内GPU与AI基础设施领域的领军企业，摩尔线程在大会期间首次系统披露了其三大“AI工厂”——模型训练工厂、词元生产工厂、智能体生产工厂的最新训练与推理实践数据，引发业界广泛关注。摩尔线程创始人、董事长兼首席执行官张建中在主题演讲中表示，三大工厂的协同运作，标志着摩尔线程已形成从基础模型训练到智能体应用落地的全栈AI基础设施能力闭环。
模型训练工厂：线性扩展效率达95%，MoE-236B与5D世界模型实现原生训练
在模型训练这一AI产业的核心环节，摩尔线程交出了一份亮眼的成绩单。张建中介绍，基于摩尔线程自研的GPU集群，其模型训练工厂在千卡规模下的集群线性扩展效率达到95%，这意味着在增加计算资源时，系统几乎能够实现性能的线性提升，极大降低了大规模训练的时间成本。同时，断点续训的有效时长占比超过90%，有效应对了大规模训练中常见的硬件故障或网络波动问题，保障了训练过程的稳定性和资源利用率。
尤为值得关注的是，摩尔线程已成功实现MoE-236B（2360亿参数混合专家模型）的从零完整训练。这一里程碑式成果证明，摩尔线程的GPU集群和软件栈已具备支撑超大规模稀疏模型训练的能力，为国内大模型厂商提供了自主可控的国产算力选择。此外，摩尔线程还与北京大学合作，完成了5D世界模型EvoPhys-World的全栈原生训练。该模型能够对物理世界进行高维度模拟与推理，为具身智能、自动驾驶等前沿领域提供了关键的底层能力。
词元生产工厂：发布即适配主流大模型，PD分离推理方案提升算力性价比
在词元生产环节，摩尔线程强调“发布即适配”的快速响应能力。张建中透露，面对大模型日新月异的迭代速度，摩尔线程的词元生产工厂已实现对DeepSeek、MiniMax等主流大模型的即时适配，确保新模型发布后能够迅速在摩尔线程的推理平台上高效运行。这一能力的背后，是摩尔线程在算子库、推理引擎及模型编译优化上的深厚积累。
为进一步提升算力性价比，摩尔线程推出了基于MTT S5000的PD分离异构推理方案。该方案通过将模型推理的预填充（Prefill）和解码（Decode）阶段在不同计算单元上进行优化分配，显著提高了GPU资源的利用效率，降低了单次推理的成本。对于AI应用厂商而言，这意味着在相同预算下可以获得更高的并发推理能力和更低的响应延迟，尤其适用于需要大规模部署对话机器人、智能客服等场景。
智能体生产工厂：自研数字智能体“小麦”掌握60余项技能，全栈具身智能仿真平台亮相
在智能体生产这一前沿领域，摩尔线程展示了其自研的数字智能体“小麦”。据张建中介绍，“小麦”已掌握超过60项技能（Skills），涵盖自然语言理解、多轮对话、知识问答、任务规划、工具调用、内容生成等多个维度。这些技能并非简单堆砌，而是通过统一的技能框架进行编排和调度，使得“小麦”能够在复杂的场景中自主完成多步骤任务，例如辅助用户进行数据分析、撰写报告、管理日程等。
值得注意的是，摩尔线程还推出了全栈具身智能仿真平台MT Lambda。该平台旨在为机器人、自动驾驶等实体智能体提供从感知、规划到控制的一站式仿真环境，加速具身智能算法的研发和验证。结合模型训练工厂和词元生产工厂的能力，MT Lambda能够将大模型的语义理解与决策能力直接迁移到物理世界模拟中，为未来人形机器人、工业机械臂等设备提供“大脑”。
行业观察：国产AI基础设施进入“系统化”竞争阶段
摩尔线程此次在WAIC 2026上的披露，折射出国内AI基础设施厂商正从单一硬件参数竞争转向“训练-推理-应用”全链条系统能力的竞争。三大“AI工厂”并非孤立存在：模型训练工厂产出的基础模型，经词元生产工厂优化后高效推理，最终通过智能体生产工厂转化为可落地的数字人或具身智能应用。这一闭环体系的打通，对于降低国产大模型开发门槛、推动AI产业自主可控具有重要意义。
当前，大模型训练对算力的需求仍呈指数级增长，而国产GPU在生态兼容性和软件栈成熟度上的持续突破，正在逐步缩小与国际领先水平的差距。摩尔线程在MoE-236B从零训练上的突破，以及高达95%的线性扩展效率，为行业树立了新的标杆。未来，随着更多国产AI芯片厂商在模型训练、推理优化和智能体平台上的协同发力，中国AI产业有望在全球竞争中占据更主动的位置。