MTT S5000 en robótica: qué muestran las pruebas de Moore Threads y qué no

Para un equipo de robótica, la pregunta no es solo cuántas operaciones puede ejecutar una GPU, sino si permite entrenar políticas, generar imágenes, simular interacciones físicas y evaluar resultados sin crear cuellos de botella. Los datos que Moore Threads presentó en septiembre de 2026 sitúan al MTT S5000 como una plataforma que merece examinarse para ese trabajo. No constituyen, por sí solos, una prueba de que supere a otras GPU en el ciclo completo de desarrollo. 411

Curvas parecidas no significan tiempos iguales

En una carga de trabajo WoVR ejecutada con el entorno de aprendizaje por refuerzo RLinf, la comparación utilizó 248 entornos paralelos, la misma configuración de entrenamiento y la misma semilla aleatoria. Moore Threads informó de una correlación paso a paso de r = 0,976 entre la curva del S5000 y la de una GPU internacional de uso generalizado. También se comunicó que las tasas de éxito de las políticas entrenadas con ambos sistemas fueron similares en una evaluación LIBERO-Spatial. La correlación describe cómo evolucionó el entrenamiento, no cuánto tardó cada GPU. 410

Hay además un dato de soporte de software: según lo publicado, RLinf admite el backend MUSA y, desde su versión 0.3, sus pruebas de integración continua —las comprobaciones automáticas previas a incorporar código al proyecto— incluyen ejecuciones en el MTT S5000. Esto importa para mantener la compatibilidad, aunque no mide el rendimiento de una aplicación robótica completa. 4

Qué mejoró al optimizar el sistema

Moore Threads describió tres cambios: trasladar el procesamiento de imágenes del ordenador anfitrión a la GPU, agrupar comprobaciones numéricas en el bucle de eliminación de ruido y sustituir valores escalares de Python por tensores residentes en el dispositivo en una parte del código que se ejecuta con frecuencia. En la configuración medida, el tiempo por paso pasó de 2.549 a 1.888 segundos, una reducción cercana al 26 %; el porcentaje de tiempo de inactividad de la GPU bajó del 18,5 % al 3,1 %. Es una comparación antes y después en el mismo sistema, no una prueba de velocidad frente a una GPU competidora. 4

Por separado, la empresa afirmó que el S5000 rindió entre 1,6 y 2 veces más que GPU internacionales de uso generalizado en pruebas de GEMM —multiplicación de matrices— y mecanismos de atención. Esas mediciones corresponden a operaciones concretas: no permiten concluir que todo el entrenamiento, la simulación o el trabajo del robot se ejecuten a esa velocidad relativa. 4

El resultado con un robot real y la decisión de compra

En una tarea de ensamblaje con un robot de dos brazos y un proceso de mejora de políticas basado en π0.5, se comunicó un aumento del éxito desde aproximadamente el 20 % hasta el 92 %, junto con una reducción del 39,5 % en el tiempo dedicado a manipulaciones precisas. Son cifras de esa tarea y esa configuración; no representan una tasa de éxito general del S5000 en robótica. 4

Moore Threads describe soluciones que abarcan varias fases, entre ellas entrenamiento, generación de imágenes y simulación física. Para quien evalúe la plataforma, lo decisivo sería comprobar cómo funcionan juntas en sus propias tareas. Los resultados publicados no establecen de forma independiente el rendimiento, el coste ni la fiabilidad del proceso completo. Antes de comprar, conviene pedir configuraciones reproducibles, ensayos repetidos con robots reales y mediciones de extremo a extremo, en lugar de extrapolar una curva de entrenamiento, una prueba de operaciones o una demostración puntual. 411