深度 | 摩尔线程不想只做一家 GPU 公司了？

　　 文：赵明

　　编辑：周易

　　摩尔线程正在努力重新定义自己。

　　过去五年，摩尔线程被外界定义为一家国产GPU公司；但目前，摩尔线程正在有意推翻这一定位。其中的一个典型例证是，在其上月召开的年度产品发布会上，摩尔线程用接近2个小时的时间，一口气完成六大重磅发布：

　　从万卡级规模的夸娥智算集群，到自研“长江”SoC驱动的智能终端MTT AICUBE和MTT AIBOOK；从数字世界智能体“小麦”，到加速物理AI落地的首个全栈具身智能仿真平台MT Lambda，再到持续进化的MUSA生态。

　　通过这一系列动态，摩尔线程全面展示了一个覆盖“云-边-端”的全栈智算矩阵。

　　令人好奇的是，作为外界认知中的一家典型的GPU公司，这场发布会上却没有发布一款芯片产品，反而将触角延伸到了具身智能、家居中枢以及硬件层面。

　　所以，一个问题就自然浮现了：这家以GPU为基本盘的公司，究竟想要做什么？

　　从万卡集群到十万卡

　　如果把时间的指针拨回到一年半以前，摩尔线程的叙事重心还相当简单——GPU。

　　2025年底，当摩尔线程登陆科创板时，支撑其3000亿估值的核心资产是夸娥（KUAE）万卡级智算集群——这是一套可以并行驱动数千甚至上万颗GPU训练大模型的系统级解决方案。

　　随后一年半，这套方案拿出了一组关键数据：Dense大模型训练中模型算力利用率（MFU）达60%，MoE大模型达40%，有效训练时长90%，8000卡规模的集群训练线性扩展效率达95%。“堆卡易，成阵难”——集群越大，系统越脆弱，一次链路抖动、交换机异常就可能触发连锁反应。夸娥能跑出90%的有效训练时长，说明它在系统级工程能力上已经越过了国产GPU此前普遍被诟病的“集群不可用”这道坎。

　　2026年3月30日，摩尔线程签下了一笔6.6亿元的夸娥智算集群合同，单笔订单占2025年全年营收的44%。这是迄今为止国内算力市场最大的国产GPU单笔订单之一，证明了摩尔线程的产品已经能够支撑万卡级别的智算集群建设。

　　4月26日，摩尔线程同时发布了2025年财报以及2026年一季度财报，进一步回答了云端基本盘的支撑力。

　　财报显示，2025年营收15.06亿元，同比增长243.37%；2026年一季度营收7.38亿元，同比增长155.35%，归母净利润0.29亿元——这是摩尔线程自2025年12月科创板上市以来，首次在单季度实现盈利。

　　基于这样的亮眼成绩，张建中也在公开场合表示，公司正在规划新一代十万卡级智算集群。

　　这样的扩张节奏折射出一种强烈的乐观预期——张建中判断，随着以OpenClaw为代表的Agentic AI应用深入，Token消耗量正呈指数级增长，日均消耗量已从一年前的30万亿猛增至180万亿。

　　他认为智算时代需要建立“三大AI工厂”——模型训练工厂、Token生产工厂、智能体生产工厂——而夸娥集群的任务，就是同时支撑这三种截然不同却又相互交织的算力需求。

　　这套逻辑本身并没有什么问题，但它形成了一个颇为微妙的处境：如果摩尔线程要继续巩固其云端基本盘，就必须在十万卡级集群的建设上持续投入。

　　财报数据显示，2025年，摩尔线程研发投入达13.05亿元，占营收比重86.68%——换言之，公司赚到的每100元里，有87元被重新投入研发。即便到了盈利明显改善的2026年一季度，研发投入占比仍维持在50%左右。这一比例，在A股所有上市公司中都属极高。相较而言，国内芯片龙头海光信息的研发投入占比约为18%，寒武纪约为50%，台积电约为8%。

　　这意味着天文数字的资本开支；但仅靠靠GPU这条路能否支撑摩尔的估值天花板，又是另一个值得追问的话题。

　　但摩尔线程的压力也不止于此。

　　2023年至今，全球正在经历一场有史以来规模最大的算力军备竞赛。训练一个顶级大模型，需要数以万计的GPU集群——英伟达GPU由此变成了稀缺战略资源，价格高涨的同时还一卡难求。

　　对中国AI产业而言，这场算力竞赛的紧迫性被额外压力所放大。2022年至今，在地缘政治的影响下，英伟达的GPU几乎无缘中国市场。这一背景下，国产GPU的战略价值从"可选项"变成了"必选项"。

　　在这个背景下，包括摩尔线程、壁仞科技、海光信息、天数智芯在内，一批国产GPU公司相继登场——但在技术变革和激烈竞争的双重维度下，仅靠GPU来讲故事，显然已经不是摩尔线程的解法。

　　从 GPU 到智能 SoC

　　如果把云端算力比作“超级大脑”，那么端侧产品就是AI触达每个人的“神经末梢”。但GPU公司在端侧的布局，通常止步于提供AI推理芯片。摩尔线程的做法不太一样。

　　发布会上，摩尔线程除了延续云端叙事外，重点推出了自研“长江”智能SoC芯片、基于它的MTT AICUBE家庭AI中枢和MTT AIBOOK AI算力本、以及名为“小麦”的全域智能体和MT Lambda具身智能仿真平台。

　　“长江”SoC不是一颗简单的GPU或NPU，而是一颗完整的端侧AI计算芯片。它内部集成了CPU、GPU、NPU和VPU，异构AI算力达50TOPS，对标对象不是英伟达，而是高通、联发科甚至英特尔的酷睿。

　　基于“长江”SoC，摩尔线程构建了一套完整的产品矩阵：MTT AIBOOK（个人AI算力本）、MTT AICUBE（家庭AI中枢）和MTT E300（工业边缘AI模组）。其中AICUBE定位“智能体+ AI PC + AI NAS”三合一，搭载全域智能体“小麦”，集成90余项系统工具和60余项技能，支持超36款APP跨应用控制。

　　再往上，是一整套软件栈，包括原生Linux操作系统、MTClaw智能体框架、PES应用市场，以及MUSACODE AI编程工具。

　　这套“芯片—操作系统—整机—智能体”的产品链条，已经覆盖了传统上由四类不同公司承担的角色：英伟达（GPU）、高通（端侧SoC）、联想（PC整机）和微软（操作系统）。摩尔线程试图把这四件事打包成一个统一的故事——智能体时代的基础设施。

　　“整个业界缺少一个Linux原生的好产品”，张建中在产品发布会上表示。

　　潜台词是智能体时代的电脑不应该再跑Windows。这个判断的根据在于：OpenClaw主要跑在Linux上，AI训练框架原生跑在Linux上，大模型推理服务的部署环境也大多是Linux。如果智能体真的成为PC的主要工作负载，被Windows锁了近三十年的消费级PC市场，理论上存在松动的可能。

　　摩尔线程不是在做一台“能跑AI的笔记本”，市面上现在所有笔记本都能跑AI。它想做的是“让AI跑得比Windows更顺畅的笔记本”，然后靠“长江”SoC、AI操作系统和自家智能体框架这一整套组合，在Windows还没反应过来的窗口期里，卡住一个新的生态位。

　　这个判断是否能成立，将取决于两个关键变量：第一，对话式智能体是否真的成为主流交互方式；第二，摩尔线程的AICUBE能否在被验证之前赢得足够的时间和用户。这是一个关于未来的押注，而任何押注都是有风险的。

　　但这场押注也并非毫无根基。2025年财报显示，摩尔线程边缘与终端产品收入仅2550.55万元，占总营收的1.70%。几乎可以忽略不计。

　　这意味着，从云端切入端侧，不是因为它已经做大了端侧市场，而是因为它必须用端侧的故事，打开估值想象的第二曲线。在纯GPU赛道上，摩尔线程面对的不仅是英伟达的生态壁垒，还有国内对手们在集群和软件栈上的贴身追赶。如果不主动拓展战场，单纯依赖夸娥集群的订单增长，很难撑起3000亿市值背后的增长预期。

　　所以，端侧不仅是产品线的延伸，更是一张对冲估值风险的牌。

　　MUSA 能否长出独立开发者体系？

　　硬件可以追赶，生态如何建立？

　　过去几年，国产GPU已经验证了硬件能力——通过架构迭代和工程优化，国产芯片能够交出高分答卷。但企业采购GPU从来不是只买一张卡，而是在押注其背后的软件生态和开发体系。

　　与英伟达构筑的CUDA护城河逻辑相似，摩尔线程深知单一硬件无法定义未来，因此打造了一个纵深极广的生态系统MUSA，底层集成了AI计算、3D图形渲染、高性能计算与智能视频编解码的全功能GPU，以全数据单元的兼容性将算力触角延伸至科学计算、数字孪生、具身智能、量子计算乃至6G通信与生物医药等前沿领域。

　　MUSA（Meta-computing Unified System Architecture）是摩尔线程自研的全功能GPU计算加速统一系统架构，涵盖芯片架构、指令集、编程模型、软件运行库及驱动程序框架。

　　值得关注的是，MUSA SDK 5.1.0对标CUDA 12.8，驱动与运行时层兼容接口数达到761，核心数学库实现100%兼容，PyTorch全算子（3194个）100%覆盖。这意味着全球数百万PyTorch开发者几乎无需修改代码，就能把模型迁移到MUSA上运行。

　　另外，在当前最主流的两个大模型推理框架SGLang和vLLM上，MUSA都带来了好消息：

　　SGLang方面，MUSA后端正式加入SGLang的官方支持体系，相关代码也已成功合入SGLang主线。vLLM方面，MUSA成为vLLM的官方后端，并开源vLLM-MUSA，开发者可原生获得摩尔线程GPU加速能力。

　　与单纯地多支持了一个框架相比，加入大模型推理框架官方后端矩阵意味着，国产GPU在生态适配上拥有更充分、更直接的兼容路径。

　　此外，摩尔学院平台已汇聚超45万名开发者与学习者，合作院校超200所。对于一个成立仅六年的公司，这个增长速度确实不慢。但45万与CUDA数百万级的开发者规模之间仍然存在数量级的差距。

　　MUSA的真实挑战在于：依赖兼容CUDA，它的生态故事永远是一个跟随者。

　　所以，对于摩尔线程来说，它真正需要建立的是独立、独特的技术体验，让开发者因为MUSA“做某件事更方便”而选择它，而不是因为它“兼容CUDA”。

　　高增长的另一面

　　对于摩尔线程来说，单季净利润转正被市场解读为关键拐点信号——但这个信号背后，其实也存在一些隐忧。

　　此前，摩尔线程在回复投资者提问时，将2025年收入高增归因于两层因素：一是AI大模型快速迭代、应用扩张，带动GPU需求迅速增长；二是高端GPU出口限制持续收紧，为国产AI芯片打开了替代窗口。

　　从这个角度看，摩尔线程这轮收入放量，踩中的既是AI算力扩张周期，也是国产替代加速的产业机会。

　　但是，需要注意的是，摩尔线程一季报显示，当期非经常性损益合计8364万元，其中计入当期损益的政府补助为7006万元，占比约84%。

　　假如剔除上述项目，摩尔线程当季归母扣非净利润亏损5428万元，虽然同比收窄60.1%，但亏损依然存在。

　　换言之，这次的账面盈利，是通过政府补贴，才越过了关键的盈亏线。当下，摩尔线程的主营业务自身尚未实现收支平衡。

　　对于摩尔线程来说，真正需要破局的，是能否逐步把收入来源延伸到更广泛的商业客群，需要在两方面同步推进：首先是产品性能和稳定性的持续提升，其次是MUSA软件生态的开发者规模扩张。

　　而从芯片到集群，从集群到软件，从软件到终端，从终端到Agent，再从Agent到具身智能——这条链路拉得越长，竞争对手追赶的难度就越大。

　　回头再看摩尔线程的路径选择可以发现，这并非一条“GPU公司横向多元化”的常规商业扩张，而是一家从GPU出发的硬科技公司，试图用自己最擅长的算力能力，向下扎到SoC，向上伸到OS和智能体的战略故事。

　　云端的夸娥集群，解决的是"算力从哪来"的问题。"长江"SoC和AICUBE，解决的是"算力到哪去"的问题。MUSA生态，解决的是"开发者为什么留下来"的问题。智能体"小麦"和具身智能平台MT Lambda，解决的是"AI最终以什么形态触达物理世界"的问题。

　　这四层逻辑环环相扣，拼在一起，是一张从硅片到场景、从训练到推理、从虚拟到物理的完整版图。

　　把眼光再放长远一点，摩尔线程押注的是一个根本性判断：AI计算不会永远停留在"训练大模型"这个单一场景里，它终将渗透进每一个终端、每一个物理空间、每一次人机交互。从这个角度来看，摩尔线程从云端向端侧的延伸，并不是一家GPU公司的"跨界"，而是一次顺势而为的生态升维。

　　只是，要想最终印证这个判断，摩尔线程需要的不仅仅是时间，也需要一个能够持续造血的商业正循环。