Vad Moore Threads tester av MTT S5000 säger om AI för robotar

För robotikteam är frågan inte bara hur snabbt ett AI-chip räknar. Det ska fungera i ett arbetsflöde där modeller tränas, miljöer återges grafiskt, fysik simuleras och robotens beteende utvärderas. Moore Threads redovisade i september 2026 flera resultat för sin GPU MTT S5000. De visar vad som uppnåddes i de beskrivna testerna, men utgör inte en oberoende jämförelse av hela arbetsflödet mot andra GPU:er. 411

Träningskurvor som följdes åt

I ett WoVR-test i ramverket RLinf användes 248 parallella miljöer, samma träningsupplägg och samma slumpfrö. Träningskurvorna för S5000 och en internationell GPU hade en korrelation på r=0,976 när de jämfördes steg för steg. Även de tränade policyernas framgång i en LIBERO-Spatial-utvärdering uppgavs ligga i linje med varandra. Korrelationen beskriver hur träningen utvecklades – inte hur lång tid den tog på respektive system. 410

Mjukvarustödet spelar också roll för team som vill kunna upprepa tester. Enligt rapporteringen stöder RLinf Moore Threads MUSA-bakände. Från version 0.3 ingår dessutom automatiserade kontroller på MTT S5000 i projektets officiella CI-process, det vill säga tester som körs innan kod slås samman med huvudgrenen. 4

Kortare stegtid efter tre ändringar

Moore Threads uppgav att bolaget flyttade bildbehandling från värddatorn till GPU:n, slog ihop numeriska kontroller i en avbrusningsslinga och ersatte Python-skalärer med tensorer på enheten i en kodväg som körs ofta. I den uppmätta konfigurationen sjönk tiden per steg från 2 549 till 1 888 sekunder, ungefär 26 procent. Andelen tid då GPU:n stod overksam minskade från 18,5 till 3,1 procent. Det är en före- och eftermätning av samma körkedja, inte en hastighetsjämförelse med en konkurrerande GPU. 4

Bolaget hävdade separat 1,6–2 gånger så hög prestanda som internationella GPU:er i tester av de enskilda beräkningsoperationerna GEMM och attention. Ett sådant resultat kan inte utan vidare översättas till hastigheten för en hel träning eller robotapplikation. 4

Vad visade testet med en fysisk robot?

I en monteringsuppgift med två robotarmar rapporterades en ökning av framgångsgraden från omkring 20 till 92 procent med en process för vidareutveckling av robotens handlingsstrategi baserad på π0.5. Tiden för finmotoriska moment uppgavs samtidigt minska med 39,5 procent. Siffrorna gäller den uppgiften och är ingen generell framgångsgrad för robotar som använder S5000. 4

För en köpare återstår därför ett praktiskt test: klarar plattformen träning, grafisk rendering, fysiksimulering och utvärdering tillsammans, med rimlig prestanda för de egna uppgifterna? Moore Threads beskriver lösningar för flera av dessa steg, men de publicerade siffrorna visar inte oberoende prestandan för hela utvecklingskedjan. Be om reproducerbara testinställningar, upprepade försök på fysiska robotar och mätningar från början till slut innan ett köpbeslut fattas. 411