Apa yang ujian AI robotik MTT S5000 tunjukkan — dan apa yang belum terbukti

Bagi pasukan yang membangunkan robot, soalan penting bukan sekadar sama ada GPU boleh melatih model AI dengan pantas. Mereka juga perlu memproses imej, menjalankan simulasi fizik dan menilai sama ada dasar kawalan yang dilatih benar-benar berfungsi pada robot. Keputusan yang dilaporkan Moore Threads pada September 2026 menjadikan MTT S5000 wajar dinilai untuk aliran kerja itu, tetapi belum membuktikan ia mengatasi GPU lain dari awal hingga akhir. 411

Graf latihan hampir sama — bagaimana hendak membacanya?

Dalam beban kerja WoVR pada rangka kerja pembelajaran pengukuhan RLinf, ujian menggunakan 248 persekitaran selari, kaedah latihan yang sama dan seed rawak yang sama. Graf latihan S5000 dan sebuah GPU arus perdana antarabangsa mencatat korelasi pada setiap langkah sebanyak r=0.976. Kadar kejayaan dasar yang dihasilkan juga dilaporkan sepadan dalam penilaian LIBERO-Spatial. Namun, persamaan graf menunjukkan perkembangan latihan yang hampir seiring; ia tidak memberitahu berapa lama setiap sistem mengambil masa untuk menyelesaikannya. 410

Sokongan perisian turut penting untuk pasukan yang mahu mengulang ujian. Menurut laporan, RLinf menyokong backend MUSA. Bermula dengan versi 0.3, proses integrasi berterusan (CI) rasmi RLinf turut menjalankan semakan automatik pada MTT S5000 sebelum kod digabungkan ke cabang utama. Ini membantu mengesan masalah keserasian, tetapi bukan ukuran prestasi. 4

Dari mana datangnya penjimatan masa 26%?

Moore Threads melaporkan tiga perubahan pada aliran kerjanya: memindahkan pemprosesan imej daripada komputer hos ke GPU, menggabungkan semakan berangka dalam gelung penyahhingaran, dan menggantikan nilai skalar Python dengan tensor pada peranti bagi laluan kod yang kerap digunakan. Dalam konfigurasi yang diuji, masa setiap langkah turun daripada 2.549 kepada 1.888 saat, atau kira-kira 26%. Kadar GPU melahu pula turun daripada 18.5% kepada 3.1%. Ini ialah perbandingan sebelum dan selepas pengoptimuman aliran kerja yang sama, bukan ujian kelajuan berbanding GPU pesaing. 4

Secara berasingan, syarikat itu mendakwa prestasi 1.6 hingga 2 kali ganda berbanding GPU arus perdana antarabangsa dalam ujian peringkat operasi GEMM (pendaraban matriks) dan attention. Keputusan bagi operasi tertentu tidak semestinya mencerminkan kelajuan keseluruhan proses latihan atau aplikasi robotik. 4

Bagaimana pula dengan ujian pada robot sebenar?

Dalam tugasan pemasangan menggunakan robot dua lengan, proses penambahbaikan dasar kawalan berasaskan π0.5 dilaporkan meningkatkan kadar kejayaan daripada kira-kira 20% kepada 92%. Masa untuk manipulasi halus juga dilaporkan berkurang 39.5%. Angka tersebut khusus untuk tugasan dan susunan ujian berkenaan; ia tidak boleh dianggap sebagai kadar kejayaan S5000 bagi semua jenis robot atau kerja pemasangan. 4

Bagi bakal pembeli, ujian yang lebih bermakna ialah sama ada perkakasan dan perisiannya memenuhi keperluan latihan AI, pemaparan imej, simulasi fizik dan penilaian dasar kawalan dalam aliran kerja mereka sendiri. Moore Threads menerangkan penyelesaian yang merangkumi beberapa peringkat ini, tetapi angka yang diterbitkan belum menjadi pengesahan bebas bagi prestasi keseluruhan proses. Sebelum membuat keputusan, minta konfigurasi yang boleh diulang, beberapa siri ujian pada robot sebenar, serta ukuran masa dan hasil dari awal hingga akhir untuk tugasan pasukan sendiri. 411