MTT S5000 w robotyce: co pokazują testy Moore Threads?

Moore Threads przedstawiło we wrześniu 2026 r. wyniki karty MTT S5000 dotyczące uczenia ze wzmocnieniem i pracy fizycznego robota. Są to dane z określonych konfiguracji i zadań, a nie jeden, niezależny test rozstrzygający, która karta GPU jest najlepsza do robotyki. 4

Podobne krzywe uczenia — ale co z czasem?

W zadaniu WoVR uruchomionym w środowisku RLinf wykorzystano 248 równoległych środowisk, tę samą procedurę treningową i to samo ziarno losowe. Według przedstawionych wyników przebiegi uczenia na S5000 i porównywanej karcie GPU głównego nurtu były silnie skorelowane krok po kroku: r = 0,976. Podano również, że polityki wyuczone na obu platformach osiągały zbliżoną skuteczność w ocenie LIBERO-Spatial. Podobieństwo krzywych mówi o przebiegu uczenia, nie o tym, ile czasu zajęło ono na każdej karcie. 410

Znaczenie ma także dostępność narzędzi. Według doniesień RLinf obsługuje środowisko MUSA, a od wersji 0.3 oficjalny proces ciągłej integracji, czyli CI, obejmuje automatyczne testy na MTT S5000 przed włączeniem zmian do głównej gałęzi kodu. Ułatwia to bieżące sprawdzanie zgodności oprogramowania, choć samo w sobie nie jest pomiarem wydajności. 4

Skąd wzięło się 26% krótszego czasu kroku?

Moore Threads opisuje trzy zmiany: przeniesienie przetwarzania obrazów z komputera gospodarza na GPU, połączenie kontroli numerycznych w pętli odszumiania oraz zastąpienie wartości skalarnych Pythona tensorami na urządzeniu w często wykonywanej części kodu. W mierzonej konfiguracji czas jednego kroku spadł z 2,549 do 1,888 sekundy, czyli o około 26%, a udział czasu bezczynności GPU zmniejszył się z 18,5% do 3,1%. To wynik porównania tego samego procesu przed optymalizacją i po niej, nie przewaga szybkości nad konkurencyjną kartą. 4

Osobno firma podała, że w testach pojedynczych operacji — mnożenia macierzy GEMM i mechanizmu uwagi — S5000 osiągnął wydajność 1,6–2 razy wyższą niż porównywane karty GPU głównego nurtu. Wyniku dla tych operacji nie można automatycznie przełożyć na tempo całego treningu ani działania robota. 4

Co pokazał robot z dwoma ramionami?

W zadaniu montażowym wykonywanym przez fizycznego robota z dwoma ramionami opisano proces rozwijania polityki oparty na π0.5. Raportowana skuteczność wzrosła z około 20% do 92%, a czas potrzebny na precyzyjne manipulacje skrócił się o 39,5%. To rezultat tego konkretnego zadania, a nie ogólny wskaźnik skuteczności S5000 we wszystkich zastosowaniach robotycznych. 4

Dla zespołu wybierającego platformę ważniejsze od pojedynczej liczby może być to, czy sprzęt i oprogramowanie sprawdzają się łącznie w treningu modeli, renderowaniu obrazów, symulacji fizyki i ocenie wyuczonych zachowań. Moore Threads przedstawia rozwiązania obejmujące więcej niż jeden z tych etapów, ale opublikowane wyniki nie stanowią niezależnego pomiaru wydajności całego procesu tworzenia robota. Przed zakupem warto poprosić o konfiguracje pozwalające odtworzyć testy, powtarzane próby na fizycznym robocie i pomiary od początku do końca na zadaniach istotnych dla własnego zespołu. 411