Wat de robottests met de MTT S5000 wel en niet bewijzen

Een robot leert niet alleen door een AI-model te trainen. Ook het weergeven van beelden, het simuleren van fysieke interacties en het beoordelen van aangeleerd gedrag kosten rekenkracht. Tegen die achtergrond presenteerde Moore Threads in september 2026 resultaten voor zijn MTT S5000. De cijfers laten zien wat in de gemelde testopstellingen lukte, maar leveren geen rechtstreekse vergelijking op van complete robotica-workflows op verschillende GPU’s. 411

Vergelijkbare leercurves zijn nog geen gelijke snelheid

In een WoVR-test binnen het framework RLinf draaiden 248 parallelle omgevingen met hetzelfde trainingsrecept en dezelfde willekeurige startwaarde. De leercurves van de S5000 en een gangbare internationale GPU hadden per trainingsstap een correlatie van r = 0,976. Volgens de berichtgeving kwamen ook de succespercentages van de aangeleerde beleidsmodellen bij een LIBERO-Spatial-evaluatie overeen. De correlatie beschrijft hoe de training zich ontwikkelde, niet hoeveel tijd beide systemen daarvoor nodig hadden. 410

De softwareondersteuning is eveneens relevant voor teams die tests willen herhalen. RLinf ondersteunt volgens de berichtgeving Moore Threads’ MUSA-backend. Sinds versie 0.3 omvat de officiële automatische codecontrole, of continuous integration (CI), ook controles op de MTT S5000 voordat code in de hoofdversie wordt opgenomen. 4

Wat leverden de optimalisaties op?

Moore Threads noemt drie ingrepen in zijn verwerkingsketen: beeldverwerking verhuisde van de hostcomputer naar de GPU, numerieke controles in de lus voor ruisverwijdering werden samengevoegd en vaak gebruikte Python-getallen werden vervangen door tensors op het apparaat. In de gemeten opstelling daalde de tijd per stap van 2.549 naar 1.888 seconden, ongeveer 26%. Het aandeel tijd dat de GPU niets deed, ging van 18,5% naar 3,1%. Dit is een vergelijking vóór en na optimalisatie van dezelfde keten, niet met een concurrerende GPU. 4

Daarnaast claimt de fabrikant bij afzonderlijke tests van GEMM- en attention-bewerkingen een prestatie van 1,6 tot 2 keer die van gangbare internationale GPU’s. Zo’n test op bewerkingsniveau voorspelt niet automatisch de snelheid van een volledige training of robottoepassing. 4

Een robotproef met duidelijke grenzen

Bij een specifieke assemblagetaak met twee robotarmen en een op π0.5 gebaseerd proces om het robotgedrag te verbeteren, steeg het gemelde succespercentage van ongeveer 20% naar 92%. Fijnmotorische handelingen kostten daarbij 39,5% minder tijd. Die percentages gelden voor deze taak en opstelling; ze zijn geen algemene slaagkans voor robots die met de S5000 worden ontwikkeld. 4

Voor een aanschafbeslissing is daarom vooral de prestatie van begin tot eind van belang. Moore Threads beschrijft oplossingen voor meerdere fasen, maar de gepubliceerde resultaten tonen niet onafhankelijk aan hoe de hele keten presteert. Een roboticateam doet er goed aan reproduceerbare testinstellingen, herhaalde proeven met echte robots en metingen op de eigen taken te vragen voordat het conclusies trekt over snelheid of geschiktheid. 411