上证报中国证券网讯(记者窦世平)随着大模型应用从训练走向推理、从数字世界延伸至物理世界，算力基础设施的组织方式也在发生变化。2026世界人工智能（885728）大会(WAIC)期间，摩尔线程（688795）举办“词元时代万物智能”主题论坛，系统介绍“模型训练工厂”“词元生产工厂”“智能体生产工厂”三大“AI工厂”的落地部署并首次公开训练推理实践成果。
摩尔线程（688795）高级副总裁董龙飞接受上海证券报记者采访时表示，AI算力正在从云端向终端渗透，训练和推理对芯片及系统的要求也不相同；在更大规模智算基础设施建设中，大集群并不是小集群的简单扩容，而是涉及互联、散热、可靠性和工程调校的系统级工程。
从训练到推理算力基础设施走向工厂化
所谓“AI工厂”，并不只是算力集群规模扩大，而是围绕模型训练、Token生成和智能体落地形成不同类型的系统化基础设施。中国工程院院士、清华大学教授郑纬民表示，算力基建的关键在于将每一份算力转化为高质量词元，三大“AI工厂”是算力基础设施的必然演进。
摩尔线程（688795）创始人、董事长兼首席执行官张建中在演讲中表示，基于夸娥(KUAE)智算集群打造的三大“AI工厂”，支撑从训练到推理、从数字世界到物理世界的多元算力需求。其中，“模型训练工厂”面向大模型预训练、后训练、强化学习以及世界模型、具身智能模型等训练场景；“词元生产工厂”面向大模型推理和多模态Token生成；“智能体生产工厂”则面向数字智能体和物理智能体。
在模型训练环节，摩尔线程（688795）介绍，夸娥智算集群在高扩展、高精度和高稳定等维度已有多项实践。例如，随着集群训练规模增大，相关训练可保持95%线性扩展效率；集群支持断点续训，有效训练时长占比超90%。公司称，夸娥智算集群已完成多项“国芯训国模”实践，包括从零起步完整训练MoE-236B基础模型，以及基于摩尔线程（688795）MTT S5000完成全栈原生训练的5D世界模型EvoPhys-World，连续37天登顶WorldScore“世界生成”维度。
在词元生产环节，摩尔线程（688795）高性能推理套件适配SGLang、vLLM等主流推理框架，覆盖大语言模型、视觉、语音、DiT及视频生成等多模态推理场景。公司称，目前可实现对DeepSeek、MiniMax、GLM、Kimi、Qwen等主流大模型的“发布即适配”。同时，摩尔线程（688795）推出基于MTT S5000的PD分离异构推理方案，将高算力需求的Prefill计算池与高带宽Decode生成池异构分离、分池部署，以提升推理性价比。
为应对超大规模智算基础设施建设的新挑战，摩尔线程（688795）此次还展示了MTT C256超节点。该产品首创一层Scale-up网络，实现标准单宽机柜128卡全互联，并柜扩展可达256卡极速互联，攻克传统多层网络的带宽损耗与高延迟痛点，在2U空间内释放极限的单位面积算力。MTT C256采用计算与交换一体化的高密设计，将大幅提高智算中心GPU部署密度，为万卡乃至十万卡级超大规模长稳训推集群打造坚实算力底座。
产业伙伴参与验证智能体成为下一步落点
三大“AI工厂”的落地，离不开产业伙伴参与验证。论坛上，京东（JD）云、极佳视界、EvoPhys.ai、MiniMax、趋境科技、无问芯穹等企业和机构介绍了与摩尔线程（688795）在模型训练、推理平台和智能体场景中的合作进展。
京东（JD）集团技术委员会主席、京东（JD）云总裁曹鹏表示，京东（JD）云正携手摩尔线程（688795），通过JoyAI大模型联合攻坚、打造企业级推理平台、共建具身智能服务等方式，推动国产算力进入业务场景。
极佳视界方面介绍，其基于摩尔线程（688795）MTT S5000，联合共研完成驾驶世界模型、驾驶重建模型、具身世界模型、世界动作模型等物理AI模型训练；EvoPhys.ai方面表示，北京大学EvoPhys项目组在摩尔线程（688795）“灯塔计划”支持下，基于MTT S5000完成全栈原生训练的5D世界模型EvoPhys-World。
在智能体方向，摩尔线程（688795）介绍，公司自研全域数字智能体“小麦”，掌握60余项技能，支持38款App的跨应用控制；全栈具身智能仿真平台MT Lambda，则覆盖底层算力、核心引擎、上层框架及工具，用于支撑物理智能体训练与仿真。为承载智能体应用，摩尔线程（688795）还推出AI算力本MTT AIBOOK和家庭AI中枢MTT AICUBE，构建“云-边-端”协同的智算产品矩阵。
谈及端侧布局，董龙飞认为，技术演进通常遵循“先做大、后做小”的规律，基础设施能力最终会不断下沉到更接近用户的终端设备。对摩尔线程（688795）而言，端侧AI算力设备不仅是一类产品，也关系到开发者生态建设。
从三大“AI工厂”到AI原生终端，再到MUSA生态，摩尔线程（688795）此次WAIC呈现的重点，是国产算力从单点技术验证走向训练、推理、智能体和终端协同部署。随着大模型参数规模、上下文窗口和智能体调用频次继续提升，如何降低Token生产成本、提升训练稳定性，并把算力能力延伸到更多产业场景，将成为国产算力企业下一阶段竞争的关键问题。
