MTT S5000 trong AI hiện thân: Kết quả đáng chú ý, nhưng chưa phải phép so sánh toàn diện

Các kết quả Moore Threads công bố tháng 9/2026 đặt MTT S5000 vào một bài toán thực tế của AI hiện thân: huấn luyện mô hình để tương tác với thế giới vật lý, rồi đánh giá trên robot. Với nhóm phát triển robot, điểm cần xem không chỉ là GPU tính toán nhanh đến đâu, mà cả quy trình huấn luyện, dựng hình và mô phỏng vật lý có vận hành hiệu quả cùng nhau hay không. Những con số hiện có cho thấy kết quả trong các cấu hình được báo cáo, chưa phải một phép đối chiếu toàn diện giữa các GPU. 411

Đường cong huấn luyện giống nhau nói lên điều gì?

Trên tác vụ WoVR của RLinf, với 248 môi trường chạy song song, cùng cách thiết lập huấn luyện và cùng hạt giống ngẫu nhiên, đường cong huấn luyện của S5000 và một GPU phổ biến trên thị trường quốc tế có hệ số tương quan theo từng bước r = 0,976. Báo cáo cũng cho biết tỷ lệ thành công của các chính sách học được tương đồng trong đánh giá LIBERO-Spatial. Điều đó phản ánh diễn biến huấn luyện gần nhau trong phép thử này, không chứng minh hai hệ thống mất cùng thời gian để huấn luyện. 410

Khả năng duy trì phần mềm cũng đáng chú ý: theo các báo cáo, RLinf hỗ trợ backend MUSA và từ phiên bản 0.3, quy trình tích hợp liên tục (CI) chính thức có kiểm tra tự động trên MTT S5000 trước khi mã được đưa vào nhánh chính. 4

Tối ưu giúp tiết kiệm thời gian ở đâu?

Moore Threads nêu ba thay đổi: chuyển xử lý ảnh từ máy chủ sang GPU, gộp các bước kiểm tra số học trong vòng lặp khử nhiễu và thay các giá trị vô hướng Python trên luồng xử lý thường xuyên bằng tensor đặt trên thiết bị. Ở cấu hình được đo, thời gian mỗi bước giảm từ 2,549 xuống 1,888 giây, tương đương khoảng 26%; tỷ lệ thời gian GPU nhàn rỗi giảm từ 18,5% xuống 3,1%. Đây là kết quả trước và sau tối ưu cùng một quy trình, không phải phép đo tốc độ với GPU đối thủ. 4

Công ty còn công bố hiệu năng gấp 1,6–2 lần các GPU phổ biến trên thị trường quốc tế trong thử nghiệm ở cấp phép toán GEMM và attention. Kết quả ở cấp phép toán không đồng nghĩa toàn bộ quá trình huấn luyện hay triển khai robot nhanh hơn ở mức tương ứng. 4

Robot thật đạt 92%: Người mua nên kiểm tra thêm gì?

Trong tác vụ lắp ráp bằng robot hai tay, với quy trình cải thiện chính sách dựa trên π0.5, tỷ lệ thành công được báo cáo tăng từ khoảng 20% lên 92%, còn thời gian thực hiện thao tác tinh giảm 39,5%. Đây là kết quả của tác vụ cụ thể, không phải tỷ lệ thành công chung của S5000 trên mọi robot. 4

Đối với bên mua, cách đánh giá hữu ích hơn là chạy chính khối lượng công việc của mình qua cả chu trình: huấn luyện, dựng hình, mô phỏng vật lý và đánh giá chính sách. Moore Threads mô tả các giải pháp bao phủ nhiều công đoạn, nhưng những số liệu đã công bố chưa độc lập xác nhận hiệu năng của toàn bộ chu trình đó. Trước khi quyết định mua, nhóm kỹ thuật nên yêu cầu cấu hình có thể tái lập, các lần thử lặp lại trên robot thật và số đo đầu-cuối cho tác vụ họ cần. 411