MTT S5000 pro robotickou AI: slibné výsledky, ale ne úplné srovnání GPU

Pro tým vyvíjející roboty není rozhodující jen rychlost trénování modelu. Potřebuje také zobrazovat prostředí, simulovat fyziku a ověřovat, zda naučená strategie funguje mimo trénovací úlohu. Právě v tomto širším kontextu stojí za pozornost výsledky, které Moore Threads v září 2026 zveřejnila pro GPU MTT S5000. Jsou to ale výsledky konkrétních testů, nikoli jednotný benchmark celého vývoje robotické AI proti jiným GPU. 411

Podobné křivky neznamenají stejnou rychlost

Při trénování metodou posilovaného učení ve frameworku RLinf běžela úloha WoVR ve 248 paralelních prostředích. Při stejné konfiguraci trénování a stejném náhodném semínku vykázaly křivky S5000 a nejmenované zavedené zahraniční GPU korelaci po jednotlivých krocích r = 0,976. Zpráva uvádí také podobnou úspěšnost naučených strategií při hodnocení LIBERO-Spatial. Korelace popisuje, jak podobně se trénování vyvíjelo — neříká, jak dlouho trvalo na každé kartě. 410

Vedle samotného výsledku je důležitá softwarová podpora. RLinf podle zveřejněných informací podporuje platformu MUSA od Moore Threads a od verze 0.3 má jeho oficiální proces průběžné integrace (CI) zahrnovat automatizované testy na MTT S5000 před začleněním změn do hlavní větve kódu. To usnadňuje průběžné ověřování kompatibility; samo o sobě to však není měření výkonu. 4

Kde se zkrátil čas výpočetního kroku

Moore Threads popisuje tři zásahy do výpočetní pipeline: přesun zpracování obrazu z hostitelského počítače na GPU, sloučení numerických kontrol ve smyčce odstraňování šumu a nahrazení skalárních hodnot Pythonu tenzory uloženými v zařízení v často používané části kódu. V měřené konfiguraci klesl čas jednoho kroku z 2,549 na 1,888 sekundy, tedy přibližně o 26 %. Podíl času, kdy GPU nepracovala, se snížil z 18,5 % na 3,1 %. Jde o srovnání stejné pipeline před optimalizací a po ní, nikoli o porovnání rychlosti s jinou GPU. 4

Firma zvlášť uvádí, že v testech jednotlivých výpočetních operací dosáhl S5000 u GEMM (maticového násobení) a mechanismu attention 1,6- až 2násobného výkonu oproti zavedeným zahraničním GPU. Výkon těchto operací však nelze automaticky přenést na rychlost celého trénování, simulace nebo nasazení robota. 4

Co předvedla dvě robotická ramena

V konkrétní úloze sestavování GPU pomocí dvou robotických ramen zpráva popisuje postup zlepšování strategie založený na modelu π0.5. Podle zveřejněných údajů vzrostla úspěšnost na skutečném robotu z přibližně 20 % na 92 % a čas potřebný k jemné manipulaci se zkrátil o 39,5 %. Výsledky patří této úloze a tomuto postupu; nejsou obecnou mírou úspěšnosti S5000 v robotice. 4

Pro zájemce o platformu je podstatný celý pracovní postup. Trénování, vykreslování obrazu, simulace fyziky i hodnocení strategií kladou na hardware a software různé nároky. Moore Threads popisuje řešení zasahující do více těchto fází, zveřejněná čísla však nezávisle nedokládají výkon celého vývojového cyklu. Před nákupem proto dává smysl žádat reprodukovatelné nastavení testů, opakované pokusy se skutečným robotem a měření od začátku do konce na úlohách, které bude tým skutečně řešit. 411