MTT S5000 具身 AI 測試：訓練曲線、流程優化與雙臂機器人結果怎麼看

摩爾線程在 2026 年 9 月公布 MTT S5000 用於具身 AI 的測試結果，涵蓋強化學習訓練、執行流程優化及實體機器人作業。對機器人開發團隊來說，值得留意的不只是單一算子的跑分，而是這套軟硬體能否支撐從訓練、模擬到實機驗證的工作。現有數字說明了特定配置下的成果，尚不足以判定它在完整工作流程中快過其他 GPU。411

訓練曲線接近，代表什麼？

在 RLinf 框架的 WoVR 工作負載中，測試使用 248 個平行環境，並控制訓練配方與隨機種子相同。據報，S5000 與一款國際主流 GPU 的訓練曲線逐步相關係數達 r=0.976；兩套硬體訓練出的策略，在 LIBERO-Spatial 評估中的成功率也被報告為接近。這支持兩次訓練的進展趨勢相近，卻不能據此推論完成訓練所需時間相同。410

軟體支援也是能否持續使用的關鍵。相關報告指出，RLinf 已支援摩爾線程的 MUSA 後端；自 RLinf 0.3 起，其官方持續整合流程（CI）納入 MTT S5000 自動化測試，程式碼併入主分支前須經過驗證。這有助於及早發現相容性問題，但不等於每一種機器人工作負載都已獲得效能保證。4

單步耗時下降 26%，比較的是同一套流程的前後

摩爾線程列出三項調整：將影像處理由主機移至 GPU、合併去噪迴圈中的數值檢查，以及在頻繁執行的程式路徑中，以裝置上的張量取代 Python 標量。在所測配置下，單步耗時由 2,549 秒降至 1,888 秒，約減少 26%；GPU 閒置率則由 18.5% 降至 3.1%。這是同一執行流程優化前後的比較，不是與另一款 GPU 對跑的結果。4

公司另稱，在 GEMM（矩陣乘法）與注意力機制的算子層級測試中，S5000 效能達國際主流 GPU 的 1.6 至 2 倍。算子跑得快，不代表包含資料處理、模擬與評估的整段訓練流程也會有相同比例的提升。4

92% 的實機成功率，適用範圍有多大？

在一項雙臂機器人裝配任務中，基於 π0.5 的策略改進流程據報將實機成功率由約 20% 提高至 92%，精細操作耗時縮短 39.5%。這是該任務與配置的結果，不能視為 S5000 在各類機器人、零件或環境中的通用成功率。4

具身 AI 開發往往需要一併處理模型訓練、影像渲染、物理模擬與策略評估。摩爾線程描述的方案涵蓋其中多個環節，但已公布的數字並未獨立證明整個開發週期的效能。採購團隊應要求可重現的測試設定、重複進行的實機試驗，以及針對自身任務的端到端耗時與成效比較；不要把曲線相關性、算子速度和單項機器人成功率當成同一個總分。411