Moore Threadsin MTT S5000 robottiälyn testeissä

Moore Threads esitteli syyskuussa 2026 MTT S5000 -grafiikkasuorittimensa tuloksia robotiikkaan liittyvässä vahvistusoppimisessa ja fyysisellä robotilla tehdyssä kokeessa. Ostajan kannalta olennaista on erottaa kolme asiaa: oppimisen eteneminen, yksittäisen suoritusputken nopeutuminen ja robotin onnistuminen tietyssä tehtävässä. Julkaistut luvut eivät muodosta yhtenäistä, riippumatonta vertailua muihin GPU-laitteisiin. 4

Oppimiskäyrät olivat lähellä toisiaan – entä koulutusaika?

RLinf-kehyksen WoVR-kuormassa käytettiin 248 rinnakkaista ympäristöä, samaa koulutusmenetelmää ja samaa satunnaissiementä. MTT S5000:n ja vertailussa käytetyn kansainvälisen, yleisesti käytetyn GPU:n oppimiskäyrien askelkohtainen korrelaatio oli raportin mukaan r = 0,976. Myös koulutettujen toimintamallien onnistumisasteiden kerrottiin olleen linjassa LIBERO-Spatial-arvioinnissa. Korrelaatio kuvaa sitä, miten oppiminen eteni askel askeleelta – ei sitä, valmistuiko koulutus yhtä nopeasti. 410

Ohjelmistotuki vaikuttaa siihen, kuinka helposti tulosta voi yrittää toistaa. RLinf tukee raporttien mukaan Moore Threadsin MUSA-taustajärjestelmää. RLinf-versiosta 0.3 lähtien hankkeen viralliseen jatkuvaan integraatioon eli CI-testaukseen on sisältynyt automaattisia tarkistuksia MTT S5000:lla ennen koodin yhdistämistä päähaaraan. 4

Optimointi nopeutti yhtä suoritusputkea

Moore Threads kertoi siirtäneensä kuvankäsittelyä isäntäkoneelta GPU:lle, yhdistäneensä numeerisia tarkistuksia kohinanpoistosilmukassa ja korvanneensa usein suoritetulla koodipolulla Pythonin skalaarit laitteessa sijaitsevilla tensoreilla. Mitatussa kokoonpanossa yhden askeleen kesto lyheni 2,549 sekunnista 1,888 sekuntiin, eli noin 26 %. GPU:n joutokäyntiosuus pieneni samalla 18,5 prosentista 3,1 prosenttiin. Kyse on saman suoritusputken tilanteesta ennen optimointia ja sen jälkeen, ei nopeusvertailusta kilpailevaan GPU:hun. 4

Yhtiö ilmoitti erikseen, että S5000:n suorituskyky oli GEMM-matriisikertolaskun ja attention-operaatioiden operaattoritason testeissä 1,6–2-kertainen vertailussa käytettyihin kansainvälisiin GPU-laitteisiin nähden. Yksittäisten laskentaoperaatioiden tulosta ei voi suoraan yleistää koko koulutuksen tai robottisovelluksen nopeudeksi. 4

Mitä fyysisellä robotilla tapahtui?

Kaksikätisen robotin kokoonpanotehtävässä käytettiin π0.5:een perustuvaa toimintamallin kehitysprosessia. Raportoitu onnistumisaste nousi noin 20 prosentista 92 prosenttiin, ja tarkkuutta vaativiin käsittelyvaiheisiin kulunut aika lyheni 39,5 %. Luvut kuvaavat kyseistä tehtävää ja koejärjestelyä, eivät MTT S5000:n yleistä onnistumisastetta robotiikassa. 4

Robotiikkatiimin on lopulta ratkaistava, palveleeko laitteisto ja ohjelmisto yhdessä tekoälymallin koulutusta, kuvan renderöintiä, fysiikkasimulointia ja toimintamallien arviointia. Moore Threads kuvaa ratkaisujaan useita näistä vaiheista kattaviksi, mutta julkaistut luvut eivät riippumattomasti osoita koko kehitysketjun suorituskykyä. Ennen hankintapäätöstä kannattaa pyytää toistettavat testiasetukset, useita kokeita fyysisellä robotilla sekä päästä päähän ulottuvat mittaukset juuri oman tiimin tehtävillä. 411