MTT S5000の「訓練曲線が一致」「実機成功率92％」は何を示すのか

Moore Threadsは2026年9月、GPU「MTT S5000」を使ったロボット向けAIの強化学習と、実機での結果を公表した。注目すべきは、学習の進み方、処理時間、ロボットの成功率がそれぞれ異なる条件で測られた数字だという点だ。これらをまとめて「他社GPUより速い」と読むことはできない。4

学習曲線の一致は、訓練時間の一致ではない

強化学習の基盤「RLinf」でWoVRの処理を動かし、248の並列環境、同じ訓練設定、同じ乱数シードを用いて比較したところ、S5000と比較対象の主流GPUの学習曲線は、ステップごとの相関係数がr＝0.976だった。LIBERO-Spatialによる評価でも、両者で学習した方策の成功率がおおむねそろったと報告されている。ただし、曲線が似ていることは、訓練の完了までにかかる時間が同じことを意味しない。410

ソフトウェア面では、RLinfがMoore Threadsの「MUSA」バックエンドに対応。報告によると、RLinf 0.3以降は、変更したコードを主要ブランチに取り込む前の自動検証（CI）にS5000でのチェックが組み込まれている。継続して使えるかを見極めるうえで、単発の実験結果とは別に重要な点だ。4

26％短縮は、同じ処理系を最適化した結果

Moore Threadsは、画像処理をホスト側からGPU側へ移し、ノイズ除去のループ内にある数値チェックを統合し、頻繁に通る処理でPythonのスカラー値をGPU上のテンソルに置き換えた。この構成では、1ステップの所要時間が2.549秒から1.888秒へ約26％短縮し、GPUのアイドル率も**18.5％から3.1％**に下がった。いずれも最適化前後の比較で、競合GPUとの速度差ではない。4

別の演算単位の試験では、行列積（GEMM）とattentionの性能が海外の主流GPUの1.6～2倍だったと同社は主張する。ただし、個別演算の性能を、学習やロボット運用の全工程の速さにそのまま当てはめることはできない。4

実機の92％を、導入判断につなげるには

π0.5を基に方策を改良する仕組みを用いた双腕ロボットの組み立て作業では、実機での成功率が約20％から92％になり、細かな操作にかかる時間は39.5％短縮したと報告された。これは特定の作業における結果であり、S5000を使うロボット全般の成功率ではない。4

ロボット開発では、AIモデルの訓練だけでなく、画像のレンダリング、物理シミュレーション、方策の評価も必要になる。Moore Threadsは複数の工程を扱う構成を示しているが、公表された個々の数値だけで開発サイクル全体の性能が実証されたわけではない。導入を検討するチームは、再現可能な設定、自社の作業で繰り返した実機試験、工程全体の所要時間を確認したい。411