Moore Threads’ MTT S5000 i robot-AI: Hvad viser testene?

For robotteams er spørgsmålet ikke kun, hvor hurtigt en GPU udfører AI-beregninger. Den skal også fungere i en arbejdsgang, hvor modeller trænes, billeder gengives, fysik simuleres, og robotternes handlinger evalueres. I september 2026 fremlagde Moore Threads resultater for MTT S5000 på flere af disse områder. De viser, hvad der lykkedes i de beskrevne opsætninger – ikke en samlet, uafhængig sammenligning med andre GPU’er. 411

Træningskurverne fulgtes tæt – men tiden er en anden sag

I en WoVR-test med frameworket RLinf kørte S5000 og en internationalt udbredt GPU med 248 parallelle miljøer, samme træningsopsætning og samme tilfældige startværdi. Korrelationen mellem træningskurverne trin for trin var r = 0,976. Der blev også rapporteret sammenfald i de trænede politikkers succesrate ved evaluering med LIBERO-Spatial. En politik er her den model, der vælger robottens handlinger. Den høje korrelation beskriver, hvordan træningen udviklede sig – ikke hvor lang tid de to systemer brugte. 410

Softwaresupport tæller også, hvis et team skal kunne gentage forsøgene. Ifølge rapporteringen understøtter RLinf Moore Threads’ MUSA-backend. Fra version 0.3 omfatter RLinf-projektets automatiske CI-kontroller desuden test på MTT S5000, før kode lægges ind i hovedgrenen. CI er løbende automatiske kontroller af kodeændringer. 4

Hvad gjorde arbejdsgangen hurtigere?

Moore Threads beskrev tre ændringer: Billedbehandling blev flyttet fra værtscomputeren til GPU’en, numeriske kontroller i afstøjningsløkken blev samlet, og Python-skalartal i en ofte brugt kodevej blev erstattet med tensors på GPU’en. I den målte opsætning faldt tiden pr. trin fra 2,549 til 1,888 sekunder, svarende til cirka 26 %. GPU’ens tomgangsandel faldt fra 18,5 % til 3,1 %. Det er en før-og-efter-måling af den samme arbejdsgang – ikke en hastighedstest mod en konkurrerende GPU. 4

Selskabet oplyste særskilt, at S5000 i test af de enkelte regneoperationer leverede 1,6–2 gange ydelsen fra internationalt udbredte GPU’er for GEMM, en type matrixberegning, og attention, en central beregning i mange AI-modeller. Det tal kan ikke uden videre overføres til hastigheden for et helt træningsforløb eller en robotapplikation. 4

Robotforsøget og det afgørende spørgsmål før et køb

I en konkret samleopgave med en robot med to arme og en proces til videreudvikling af politikken baseret på π0.5 steg den rapporterede succesrate fra omkring 20 % til 92 %. Tiden til finmotoriske handlinger blev samtidig 39,5 % kortere. Resultatet gælder denne opgave; det er ikke en generel succesrate for robotter, der bruger S5000. 4

Den praktiske prøve for en køber er derfor, om platformen fungerer på tværs af træning, billedgengivelse, fysiksimulering og evaluering i netop teamets projekt. Moore Threads beskriver løsninger, der dækker flere af disse led, men de offentliggjorte målinger dokumenterer ikke uafhængigt ydelsen i hele udviklingsforløbet. Før en investering bør et robotteam bede om reproducerbare testopsætninger, gentagne forsøg på en fysisk robot og målinger fra start til slut på egne opgaver. 411