3月30日晚间,摩尔线程(688795)智能科技(北京)股份有限公司(简称“摩尔线程”)披露重大合同公告,公司于近日与某客户签订了产品销售协议(以下简称“合同”),合同标的为摩尔线程夸娥(KUAE)智算集群,合同总价款为6.6亿元。
摩尔线程(688795)称,本次签订合同属于公司日常经营行为。若本合同顺利履行,预计将对公司的经营业绩产生积极影响,公司将根据合同的相关规定以及公司收入确认原则在相应的会计期间确认收入。
市场分析人士指出,万卡集群的核心竞争力,不仅体现在算力规模上,更取决于系统稳定性、持续训练能力及整体运行效率。此次订单充分说明,摩尔线程已经攻克大规模集群的工程化壁垒,完成了从单点产品能力到超大规模集群交付能力的关键跨越,显示出其相关产品已进入更大规模的商业化交付阶段,也凸显出其在国产GPU领域更为扎实的工程化积累和集群交付实力。
据公开信息,夸娥(KUAE)智算集群为系统级解决方案,可支持千卡、万卡乃至更大规模的集群。在国产算力需求持续增长的背景下,该集群的大规模商业化落地,不仅有望进一步夯实摩尔线程在智算基础设施领域的市场地位,也将强化其在国产GPU高性能训练场景中的竞争优势,为国内AI算力的规模化落地提供新的实践样本。
具体来说,放到更长的产业周期里看,这笔6.6亿元订单的价值,甚至触及了本土AI算力竞争中核心的一道分水岭——一家GPU公司能否从“做芯片、做板卡”,真正走到“交付系统、支撑训练、保障运营”的阶段。
过去两年,本土算力建设一度呈现出明显的硬件先行特征,市场更关注单卡性能、参数规格和峰值指标。但随着大模型训练进入工程化深水区,行业判断标准已经快速上移。客户采购的实质对象,是一整套能够持续稳定运行的训练基础设施,包括互联架构、集群调度、故障恢复、软件栈兼容、资源利用率和长期运维能力。
摩尔线程此次签约的夸娥(KUAE)智算集群,就是面向智算中心的全栈解决方案,以一体化交付方式解决大规模GPU算力建设与运营管理问题,可支持千卡、万卡乃至更大规模扩展。能够签下这类订单,说明市场对摩尔线程的认知,已经从“国产GPU厂商”向“国产智算基础设施供给方”迁移。

截取自摩尔线程官网
这背后折射出的,也是本土GPU产业竞争逻辑的明显变化。
当前,行业真正稀缺的,不仅是可以进入样机、测试或局部场景的芯片产品,更是能够在大规模训练环境中维持高可用、高效率和可复制交付的系统能力。
而摩尔线程在2026中关村论坛公开展示披露,基于MTT S5000构建的夸娥万卡集群已上线服务,其浮点运算能力达到10Exa-Flops,在Dense模型训练中MFU达60%,在MoE模型中维持在40%左右,有效训练时间占比超过90%,训练线性扩展效率达95%,多项关键指标均达到国际主流水平,有力支撑超大规模智算集群等新基建工程的落地实施,旨在为AGI时代打造生产智能的“AI工厂”。
这些数据释放的信号已经很明确。摩尔线程已经证明,本土产GPU可以在集群工程、软硬协同和系统效率层面建立壁垒。而从产业上看,谁先把“芯片—服务器—集群—平台—应用适配”的链条打通,谁才更有机会穿越价格竞争和单点性能,进入高端智算中心的核心。
所以,对摩尔线程来说,这次订单的重要性正在于此,其提供了外部客户愿意为其系统能力付费的样本。
再往政策、市场方面看,这一订单出现的时点也很关键。
近期,政策层面持续强调高水平智算设施布局、算力资源高效利用以及人工智能与产业场景的深度结合。中国信通院发布的《先进计算暨算力发展指数蓝皮书(2025年)》也提到,随着大模型持续训练、微调和推理需求扩张,高性能GPU集群和专用智算中心正在形成持续投资拉动。
不难看出,政策与市场已经从“有没有本土化”逐步转向“谁能在真实业务中把本土化做深做实”。所以,在这个阶段,摩尔线程能够推进万卡级部署、支撑长周期训练,并积累项目实施经验,说明其能力边界正在向系统级工程能力延伸。
而这笔合同更值得关注的地方,正在于其为国产GPU方案在大规模训练场景中的实际适配情况,提供了新的观察案例。随着后续交付落地和运行效果逐步显现,夸娥(KUAE)智算集群或有望成为观察本土高端训练基础设施成熟度的重要参照。
好文章,需要你的鼓励
本田汽车因电动车战略失败,创下上市以来最大亏损,电动车相关损失高达1.45万亿日元(约92亿美元)。本田CEO宣布全面调整战略:放弃2040年淘汰燃油车计划,转而推进混动路线,计划到2028年推出两款新混动车型原型,并在本十年末全球发布15款新混动车型。与此同时,本田将暂停150亿美元的加拿大电动车工厂建设,并将俄亥俄州电动车产线改为混动和燃油车生产。
中山大学等机构发现,多模态AI在同一道物理题因表达形式改变时推理能力明显下滑,视觉数值与物理实体的绑定是最核心瓶颈,且遮黑训练图片同样能提升测试成绩。
IEEE信号处理学会与《IEEE信号处理精选主题期刊》联合发布专题征稿,聚焦"网络化AI"领域。该研究方向旨在让机器人和AI系统摆脱孤立运行模式,通过互联网络实现集体学习、实时协同优化。研究涵盖多智能体机器人、分布式AI、边缘智能、自动驾驶等方向,探索系统在无需人工干预的条件下自主进化的可能性。论文征集截止日期为2026年6月15日,成果将于2027年1月发布。
这项由纽约大学与弗拉托恩研究所开展的研究证明,允许可学习嵌入时,Transformer只需对数维度就能存储大量事实,MLP充当通用关系选择器而非知识查找表,思维链可绕开多跳推理的容量瓶颈。