MTT S5000, dai test di apprendimento ai robot: i risultati e i loro limiti

Per chi sviluppa robot, una GPU non deve soltanto addestrare modelli: deve inserirsi in un processo che comprende anche rendering, simulazione fisica e valutazione delle azioni. È in questa prospettiva che vanno letti i risultati presentati da Moore Threads nel settembre 2026 per l’MTT S5000. I dati riguardano test e configurazioni specifiche, non un confronto complessivo con le GPU concorrenti. 411

Curve simili, ma non necessariamente la stessa velocità

Su un carico di lavoro WoVR eseguito con il framework RLinf, l’MTT S5000 e una GPU internazionale di fascia diffusa sono stati confrontati usando 248 ambienti paralleli, la stessa procedura di addestramento e lo stesso seme casuale. La correlazione tra le curve, misurata passo per passo, è risultata pari a r = 0,976. È stato inoltre riferito che le politiche addestrate sui due sistemi hanno ottenuto risultati allineati nella valutazione LIBERO-Spatial. Una correlazione elevata indica che l’addestramento ha seguito un andamento simile; non dice quanto tempo abbia impiegato ciascun sistema. 410

Conta anche il supporto software. Secondo le informazioni riportate, RLinf supporta il backend MUSA di Moore Threads e, dalla versione 0.3, include controlli automatici sull’MTT S5000 nella propria procedura ufficiale di integrazione continua (CI), prima che il codice venga unito al ramo principale. Per un team, questo rende la compatibilità parte dei controlli ordinari del progetto, senza sostituire le prove sulle proprie applicazioni. 4

Da dove arriva il miglioramento del 26%

Moore Threads descrive tre interventi nel processo di esecuzione: spostare l’elaborazione delle immagini dal computer host alla GPU, accorpare i controlli numerici nel ciclo di denoising e sostituire, in una sezione eseguita spesso, gli scalari Python con tensori residenti sul dispositivo. Nella configurazione misurata, il tempo per passaggio è sceso da 2.549 a 1.888 secondi, circa il 26% in meno; la quota di tempo in cui la GPU restava inattiva è passata dal 18,5% al 3,1%. È un confronto prima e dopo sullo stesso processo, non una misura della sua velocità rispetto a un’altra GPU. 4

La società ha rivendicato separatamente prestazioni pari a 1,6–2 volte quelle di GPU internazionali di fascia diffusa in test sui singoli operatori GEMM e attention. Il risultato di questi test non si può estendere automaticamente all’intero addestramento o a un’applicazione robotica. 4

Il test sul robot e la domanda per chi acquista

In una specifica attività di assemblaggio con un robot a due bracci, Moore Threads riferisce che un processo di evoluzione della politica basato su π0.5 ha portato il tasso di successo da circa il 20% al 92%, riducendo del 39,5% il tempo richiesto dalle manipolazioni fini. Non è un tasso di successo generale dell’MTT S5000 nella robotica: vale per l’attività e le condizioni riportate. 4

Per valutare la piattaforma, la domanda è se hardware e software funzionino bene insieme nelle fasi che interessano il team: addestramento, rendering, simulazione fisica e valutazione delle politiche. Moore Threads descrive soluzioni che coprono più fasi di questo percorso, ma i numeri pubblicati non stabiliscono in modo indipendente prestazioni, costi e affidabilità dell’intero ciclo. Prima di acquistare, conviene chiedere configurazioni riproducibili, prove ripetute su robot reali e misure end-to-end sulle proprie attività. 411