具身智能的“断链”与“破局”：开发者如何跨过Sim-to-Real的鸿沟？

来源：中国电子报

从去年春晚扭秧歌的惊艳亮相，到前不久在马拉松赛场上的“百舸争流”，人形机器人的进化速度超乎想象。作为人形机器人的“灵魂”，具身智能（Embodied AI）赛道在政策护航与万亿元级蓝海市场的感召下，已成为黄金风口。

然而，光鲜的背后，每一位具身智能开发者都面临着现实痛点：第一，高质量原始数据采集难，人工采集不仅覆盖面窄且成本极其昂贵；第二，从模型训练到仿真的运算链路存在高技术壁垒；第三，“运算结果不直观”，传统研发极度依赖命令行和代码调试，每一次微调都需要漫长的编译，耗时耗力。

Sim-to-Real（从仿真到现实）的道路，亟须技术破局。5月18日，在摩尔线程举办的2026年度产品发布会上，面对行业开发者共同的焦虑，摩尔线程创始人、董事长兼首席执行官张建中给出了国内极具稀缺性的底层解法：首个全栈国产化具身智能仿真平台MT Lambda发布。

张建中发布首个全栈国产化具身智能仿真平台

MT Lambda

全功能GPU“三位一体”：统一算力底座的破局逻辑

而当前，英伟达、AMD等海外巨头虽具备全栈算力产品，但生态兼容性、API接口适配度不够高，且面临国际政治局势波动带来的供应链风险；而国内的部分AI加速芯片，为了追求纯大模型训练的商业利益，往往会选择“割裂”甚至“阉割”掉图形渲染和科学计算模块。

在这种情况下，具身智能开发者可能面临着碎片化的底层算力设施：物理仿真、图形渲染、大模型训练分别在不同的平台上实现，开发者需要在三个异构平台间反复进行数据迁移与格式转换，研发效率低下。甚至有时候，机器人“脑子”里想得很好，但由于缺乏全链路的物理特性演算和高保真视觉反馈，一旦落地物理世界，动作立刻打折。

在这样的情况下，具身智能开发者急需一个能够提供云、边、端算力，同时具备大模型训推、图形渲染、物理仿真能力的“全能”平台。

摩尔线程全功能

GPU可赋能诸多场景

而“全能”，恰恰是摩尔线程的优势所在。坚持全功能GPU路线，是摩尔线程有信心做好端到端具身智能仿真平台的底气。依托自研的MUSA统一架构，摩尔线程全功能GPU单颗芯片能够同时支持AI计算、图形渲染、物理仿真、科学计算与超高清视频编解码。正是基于摩尔线程GPU的通用性，MT Lambda得以成为集“渲染+仿真+AI训推”于一体的全栈具身智能仿真平台，彻底打破了传统开发中的异构割裂状态。MT Lambda提供上层具身策略开发与训练平台MT Lambda-Lab，以及高保真物理仿真与渲染平台MT Lambda-Sim，形成从算力到引擎再到工具链的完整解决方案。

在这样的技术背景支持下，摩尔线程书写出了这样的故事：以第四代MUSA架构“平湖”打造的MTT S5000智算卡和夸娥（KUAE）万卡级集群作为“智慧大脑”，在支持万亿参数大模型训练的同时，能够弹性调度资源完成大规模并行仿真任务；在端侧，基于“长江”SoC的MTT E300AI模组作为“敏捷小脑”，为机器人终端提供50TOPS的本地算力，实现本地化的感知、决策与执行闭环。这种云边端协同的产品布局，让国产算力真正补齐了物理AI时代的生态短板。

从数据到可视化呈现：打通纯国产化具身智能全链路

衡量一个仿真平台、一套解决方案好不好用，生态合作伙伴的真实反馈最具说服力。

在摩尔线程2026年度产品发布会的体验区，记者采访了摩尔线程在具身智能领域的核心生态伙伴光线云(杭州)科技有限公司（以下简称“光线云”）展台负责人徐淑月。

在徐淑月看来，这场产品发布会最让她感到激动的，便是摩尔线程推出了一个面向具身智能领域的全国产化的技术链条。“它打通了我们从模型、从数据到训练，到最终的物理引擎输出结果的全链路。”徐淑月表示。

过去，具身智能开发者总绕不开英伟达的CUDA编码库，仿真也绕不开英伟达的Isaac Lab机器人学习框架，但在徐淑月看来，CUDA的解耦性不够，很多功能实现起来有困难。相比之下，摩尔线程所开发的MUSA架构的开放性更强，API接口易适配，开发者也更容易找到自己所需的API，开发过程也更流畅。

在发布会上，摩尔线程开发人员带着机器狗在发布会现场表演了原地空翻，这也是业内首个在基于国产硬件的仿真平台中实现模型训练、在国产端侧芯片上部署，最终实现Sim-to-Real真机验证的实践。

摩尔线程开发人员展示机器狗在基于国产硬件仿真平台上的

Sim-to-Real实力

不仅如此，徐淑月表示，Lambda还帮助开发者解决了最头疼的数据难题：数据难采集、真机训练效率风险高、场景不可控泛化难。

“为什么具身智能的模型训练很贵？首先便是因为数据采集很难。”徐淑月说道。数据采集高度依赖人工，效率很低。而且，如果厂商拿到的只有零星几组数据，这个数据很难在商业伙伴多样的场景中实现泛化。但摩尔线程使这个问题得以改观。

为打造高质量的数据集，摩尔线程与光轮智能联合，实现了高质量的数据合成。光轮智能自研的高精度GPU物理求解器具备可微分、多物理、多材质统一求解能力，支持刚体、柔体、流体、颗粒度等复杂物理过程中的高精度实时仿真，现已适配摩尔线程整个MUSA体系结构。而由摩尔线程S5000组成的千卡集群每天大概能生成10万帧高保真的合成数据。张建中表示：“基于和光轮智能联合做的高质量合成数据，我们已经和智源研究院在千卡夸娥集群上完整训练出了RoboBrain具身大脑模型。”

“运算结果不直观”也是具身智能开发者面临的最大的痛点之一。传统的真机训练不仅效率低、成本高，而且训练过程像个黑盒，只能靠命令行查看结果。徐淑月表示：“现在，在我们基于摩尔线程MTTS5000智算卡和MTLambdaLab打造的RaysTwins具身仿真平台上，用户可以非常直观地看到训练数据的可视化结果。”

徐淑月（右一）向参观者介绍具身智能仿真平台实现方式

徐淑月一边说，一边调出采用光线云平台完成的具身智能训练实例。不论是汽车的加工工厂、仓储车间还是普通家庭室内，开发者的训练过程以视频形式清晰呈现。

基于光线云与摩尔线程的深度合作，双方成功为用户开创了一套高效的工作流：光线云通过任务资产的一键导入、智能体算力调度、训练推理的加速等，使虚拟世界与现实世界互联共生。用户修改场景或参数时，光线云的RaysEngine

引擎可实现3D版可编辑的可视化呈现。这意味着开发者不需要看枯燥的代码行，所有场景、组件、位移、碰撞只要通过“拖拉拽”的方式便可实现直观修改与实时回放，彻底解决了具身智能领域运算结果呈现不直观、调试周期长的问题。

迈向万物智能：与具身智能开发者共同开拓创新之路

“我们已经真正进入了词元（Token）时代。因为有了Token，以前不能思考的物体现在可以思考、对话、与人交流。过去我们谈论的IoT是Internet of Things，今天的IoT应该叫Intelligence of Things（万物智能）。”面对时代的变化，张建中无比激动。

万物智能的时代，将迎来数以千万计的从业者，为实体经济注入新的生机。摩尔线程此次的发布，也正是看到了这一领域存在的巨大潜力。在具身智能领域，为加快产业落地，摩尔线程也在加速构建一个覆盖"产学研用"全链条的本土创新生态。

5月13日，摩尔线程（无锡）工业具身智能创新中心正式启动，摩尔线程与首批16家联合共建单位签署合作备忘录，以生态合力加速具身智能的产业应用，创新中心以夸娥大规模智算集群为算力基座，以具身智能全栈能力为技术媒介，依托无锡深厚的工业制造底蕴，面向工业场景开展关键技术研发、成果转化、场景落地和人才培养，助力具身智能与工业制造深度融合。

5月16日，在杭州市具身智能创新发展大会上，国家具身智能应用中试基地正式揭牌，摩尔线程成为共建合伙人并担任产业委员会委员。为进一步深化合作，摩尔线程与国家具身智能应用中试基地签署战略合作协议，并成立“具身智能算力与仿真联合实验室”。中试基地聚焦具身智能技术发展、成果转化、生态构建和应用推广，致力于破解国产生态不健全、能力碎片化等共性问题。

打破了割裂的“算力孤岛”，破解了数据获取的成本难题——摩尔线程将助力广大具身智能创业者更迅速、稳健地走出一条属于自己的创新道路。沿着这条路，来自中国乃至全球的具身智能产品，将铺向工业巡检、汽车车间、智慧仓储等高复杂度场景，也将逐步进入千家万户。沿着这条自主创新的技术路线，中国的具身智能开发者也将以更有底气的姿态，从虚拟仿真世界大步跨向万物智能的物理未来。

作者丨姬晓婷

编辑丨张心怡