MTT S5000 untuk AI robotika: hasil menjanjikan, tetapi belum menjadi pembanding menyeluruh

Pada September 2026, Moore Threads memaparkan hasil penggunaan GPU MTT S5000 untuk pelatihan AI pada robot dan pengujian dengan robot fisik. Bagi tim robotika, temuan ini memberi alasan untuk menguji platform tersebut lebih lanjut—tetapi belum cukup untuk menyimpulkan bahwa S5000 lebih cepat atau lebih andal daripada GPU lain dalam seluruh proses pengembangan. 4

Kurva pelatihan mirip, tetapi bagaimana dengan kecepatannya?

Pada beban kerja WoVR dalam kerangka reinforcement learning (pembelajaran penguatan) RLinf, pengujian memakai 248 lingkungan paralel, resep pelatihan yang sama, dan seed acak yang sama. Kurva pelatihan S5000 dan sebuah GPU arus utama internasional dilaporkan memiliki korelasi per langkah r=0,976. Tingkat keberhasilan kebijakan yang dihasilkan juga disebut selaras dalam evaluasi LIBERO-Spatial. Korelasi tinggi menunjukkan kemiripan perkembangan pelatihan, bukan bahwa kedua sistem menyelesaikannya dalam waktu yang sama. 410

Dukungan perangkat lunak turut menentukan apakah hasil seperti ini dapat diulang. Menurut laporan tersebut, RLinf mendukung backend MUSA. Sejak versi 0.3, proses continuous integration (CI)—pemeriksaan otomatis sebelum perubahan kode digabungkan ke cabang utama—juga mencakup pengujian pada MTT S5000. 4

Dari mana penghematan waktu langkah berasal?

Moore Threads menyebut tiga perubahan pada alur eksekusinya: memindahkan pemrosesan gambar dari komputer induk ke GPU, menggabungkan pemeriksaan numerik dalam siklus penghilangan derau, serta mengganti nilai skalar Python dengan tensor di GPU pada bagian kode yang sering dijalankan. Pada konfigurasi yang diukur, waktu per langkah turun dari 2,549 menjadi 1,888 detik, atau sekitar 26%. Tingkat GPU menganggur turun dari 18,5% menjadi 3,1%. Ini adalah perbandingan sebelum dan sesudah optimasi pada alur yang sama, bukan uji kecepatan langsung melawan GPU pesaing. 4

Secara terpisah, perusahaan mengklaim kinerja 1,6–2 kali GPU arus utama internasional dalam pengujian tingkat operasi untuk GEMM dan attention. Hasil operasi tertentu itu tidak otomatis berlaku untuk kecepatan seluruh proses pelatihan ataupun penerapan pada robot. 4

Apa yang terbukti di robot fisik?

Pada tugas perakitan menggunakan robot berlengan ganda, proses pengembangan kebijakan berbasis π0.5 dilaporkan meningkatkan tingkat keberhasilan dari sekitar 20% menjadi 92%, sekaligus memangkas waktu untuk gerakan presisi sebesar 39,5%. Hasil ini berlaku untuk tugas yang diuji; angka 92% bukan ukuran keberhasilan S5000 untuk semua pekerjaan robotika. 4

Yang perlu dinilai calon pengguna adalah keseluruhan alur kerja: pelatihan AI, perenderan gambar, simulasi fisika, dan evaluasi kebijakan. Moore Threads menggambarkan solusinya sebagai pendukung beberapa tahap tersebut, tetapi angka yang dipublikasikan belum membuktikan secara independen kinerja seluruh siklus pengembangan. Sebelum membeli, tim robotika sebaiknya meminta konfigurasi yang dapat direproduksi, pengujian berulang pada robot fisik, serta pengukuran dari awal hingga akhir untuk tugas mereka sendiri. 411