文章核心观点 - 2026年新版《道路机动车辆生产企业准入审查要求》将仿真验证能力列为强制性关键要素，为国产仿真平台带来巨大市场机遇，并推动智驾产业链加速实现“自主可控” [1] - 在此背景下，五一视界宣布其下一代智驾仿真平台SimOne 4.0已完成与摩尔线程旗舰AI训推一体GPU MTT S5000的深度适配与优化，实现了从大模型感知挖掘到4DGS仿真推理的端到端国产算力打通，为应对新规下的严苛验证需求提供了国产底座 [1] 算力底座的“跨代式”追赶 - 端到端智驾技术路线收敛，基于海量数据的高置信度闭环仿真和合成数据成为提升算法长尾场景处理能力的关键，而仿真效率上限取决于基础硬件 [2] - 高端GPU市场长期被海外巨头垄断，但五一视界与摩尔线程的合作显示格局正在变化，SimOne 4.0已完成与MTT S5000的深度适配 [2] - MTT S5000是专为大模型训练、推理及高性能计算设计的全功能GPU，单卡AI算力（稠密）最高达1000 TFLOPS，配备80GB显存，显存带宽1.6TB/s，卡间互联带宽784GB/s，支持FP8到FP64全精度计算 [2] - 实测数据显示，MTT S5000在FP32、FP16及INT8等关键精度上性能增长约1.47倍，FP64双精度算力领先幅度约1.48倍，其MTLink技术使卡间带宽提升约30% [3] - MTT S5000通过FP8提升训推效率、FP64保障计算精准、光线追踪实现高保真渲染，为智能驾驶提供自主可控的国产算力支撑 [3] 场景实测：在复杂博弈中验证“真功夫” - 在SimOne 4.0的大模型感知挖掘功能中，针对Qwen3-VL多模态大模型进行深度调优，实测显示MTT S5000在“预填充”阶段的首字响应速度（TTFT）均优于国际主流竞品，优势最高达14%，且在10并发高压环境下保持稳健吞吐量 [4] - 在4DGS（4D高斯泼溅）领域，基于入选AAAI 2026的LidarPainter技术，MTT S5000在训练端仅需2.5小时即可完成一个真实Clip场景的高质量重建，性能比肩国际主流竞品 [4] - 在推理端，面对单Clip包含1600万个高斯点的超大模型负载，MTT S5000成功实现11路摄像头加1路激光雷达的实时闭环仿真，呈现像素级高保真效果，证明其已具备生产力级别属性，能胜任准入审查要求的极端工况验证 [4][5] - 这种高保真物理场景重建能力，同样可迁移至具身智能机器人的空间感知与操作训练中 [5] 隐形护城河：构建“芯片+系统”的通用底座 - 除了图形计算，五一视界已完成对主流国产芯片架构的全线互认，构筑安全护城河并响应国家信创战略 [6] - 在CPU层面，公司旗下51Aes、51Sim等核心产品已实现基于ARM架构的华为鲲鹏、飞腾，以及基于x86架构的海光、兆芯的流畅部署，特别是通过华为鲲鹏技术认证并加入“鲲鹏展翅”计划，夯实了国产服务器端运行稳定性 [6] - 在操作系统层面，公司将适配工作下沉至系统内核，先后完成与麒麟软件（银河麒麟高级服务器操作系统）及统信软件（UOS）的适配认证 [6] - 这意味着政府、能源等敏感行业客户可选择从芯片、底层操作系统到上层应用全链路自主可控的数字孪生解决方案，从容应对合规审查，构建能广泛赋能智能驾驶及人形机器人等具身智能终端的国产化通用基础设施 [6] 中国科技企业“国产自主可控”已经崛起 - 从携手摩尔线程在高端算力上突破，到打通华为鲲鹏、麒麟等操作系统生态，再到响应新版准入审查要求提供合规仿真验证能力，中国企业的“国产自主可控”正在发生量变和质变 [7] - 这不再是简单的参数对标，而是产业生态的战略闭环，SimOne 4.0的表现证明国产软硬件方案已迈过“能用”门槛，进入高精度、高负载任务的“好用”阶段 [7] - 随着算法与算力深度融合，以及政策法规对仿真验证能力的强制加持，一个繁荣、自主可控的物理AI生态底座正在逐步成型，为中国智能驾驶产业独立发展保驾护航，也为具身智能机器人等新兴领域的国产化落地铺平道路 [7]

公司技术成就 - 摩尔线程在SIGGRAPH Asia 2025的3DGS重建挑战赛中凭借自研技术LiteGS获得银奖[1] - 公司在决赛中平均PSNR为27.58，位列前三，重建耗时仅34秒，显著领先多数队伍[7] - 公司通过创新的算法设计、深度优化的自研硬件以及高效的软硬件协同，展现了在图形智能计算领域的综合能力[18] 3DGS技术概述 - 3D Gaussian Splatting是一项于2023年提出的革命性3D场景表示与渲染技术[3] - 与传统NeRF相比，该技术在保持逼真渲染质量的前提下，将渲染效率提升数百至上千倍[3] - 该技术以可参数化的3D高斯分布为核心，实现了画质、效率与资源占用之间的卓越平衡[3] 3DGS的应用潜力与行业地位 - 该技术在光线追踪、VR/AR实时渲染、多模态融合等方向展现出极强的适应性与扩展性[3] - 在具身智能等前沿领域，其高质量、低延迟的三维环境建模为构建准确的世界模型提供了可靠支撑[5] - 该技术正逐渐成为具身智能训练场景中的关键基础技术之一，并受到全球学术界与产业界的高度关注[5] 挑战赛详情 - 竞赛要求参赛团队在60秒内，基于提供的真实终端视频序列、存在误差的相机轨迹及终端SLAM点云，完成高质量的3DGS重建[6] - 主办方以PSNR与重建速度为综合评价指标，结果及数据集已向全球公开[6] - 根据官方排名，冠军团队3DV-CASIA的平均PSNR为28.43，亚军DeadlineDinosaur为28.04[8] LiteGS技术详解 - 摩尔线程自主研发并开源了3DGS基础库LiteGS，旨在解决3DGS训练过程耗时长的瓶颈[9] - 该库实现了从底层GPU系统、中层数据管理到高层算法设计的全链路协同优化[10] - 在GPU系统层面，创新提出基于"One Warp Per Tile"原则的"Warp-Based Raster"新范式，大幅降低梯度计算开销[11] - 在数据管理层，引入"聚类-剔除-压缩"流水线，显著提升数据局部性，减少缓存失效[11] - 在算法设计层，采用像素不透明度梯度方差作为致密化核心判据，精准识别欠拟合区域[11] LiteGS性能优势 - 在达到与当前质量最优方案同等水平时，LiteGS可获得高达10.8倍的训练加速，且参数量减少一半以上[15] - 在相同参数量下，LiteGS在PSNR指标上超出主流方案0.2–0.4 dB，训练时间缩短3.8至7倍[15] - 针对轻量化模型，LiteGS仅需原版3DGS约10%的训练时间与20%的参数量，即可实现同等质量[15] 公司战略与未来规划 - 此次获奖体现了公司准确把握全球技术发展趋势并引领未来图形计算技术方向的战略[18] - 公司将于2025年12月20日-21日的首届MUSA开发者大会设立技术专题，深入探讨3DGS等图形智能技术如何赋能具身智能等前沿领域[18]

文章核心观点 - 摩尔线程在SIGGRAPH Asia 2025的3DGS重建挑战赛中凭借自研的LiteGS技术获得银奖，证明了其在新一代图形渲染技术上的深厚积累和软硬件协同优化能力，并获得了学术界的高度认可 [1][2][13] - 3D Gaussian Splatting是一项革命性的3D场景表示与渲染技术，相比传统NeRF，它在保持逼真画质的同时，将渲染效率提升了数百至上千倍，并被视为下一代图形渲染的范式革命，对具身智能等前沿AI领域具有关键基础价值 [4][6][8] - 摩尔线程通过开源其3DGS基础库LiteGS，展示了从底层GPU系统到高层算法的全栈协同优化能力，在训练效率和重建质量上树立了新的性能标杆，并致力于推动三维重建与渲染技术的开放协作 [17][20][23] 3DGS技术的重要性与前景 - 3DGS是一项于2023年提出的革命性技术，以可参数化的3D高斯分布为核心，在画质、效率与资源占用间实现了卓越平衡 [4] - 相比传统神经辐射场技术，3DGS在保持逼真渲染质量的前提下，将渲染效率提升数百至上千倍，并在光线追踪、VR/AR实时渲染、多模态融合等方向展现出极强的适应性与扩展性 [4] - 该技术为需要高质量、低延迟三维环境建模的具身智能等前沿领域提供了可靠支撑，有助于提升智能体的路径规划、环境感知和复杂操作任务能力，正成为具身智能训练场景中的关键基础技术之一 [6][7][8] - 3DGS已成为全球学术界与产业界竞相投入的研究方向，受到了SIGGRAPH Asia等权威机构的高度关注 [8] 挑战赛详情与公司表现 - 本次竞赛任务极具挑战性，要求参赛团队在60秒内，基于一段10-30秒的真实终端视频序列、存在误差的相机轨迹及终端SLAM点云，完成高质量的3DGS重建 [9] - 主办方以峰值信噪比和重建速度作为综合评价指标 [10] - 摩尔线程AI团队在重建精度与效率两项指标上取得均衡表现，最终获得银奖 [13] - 具体成绩为：平均PSNR 27.58，位列前三；重建耗时34秒，显著领先多数队伍 [15] - 官方排名显示，摩尔线程团队在8支决赛队伍中PSNR排名第三，耗时与另一支队伍并列第三快 [16] 摩尔线程的LiteGS技术优势 - 摩尔线程自主研发了3DGS基础库LiteGS，旨在解决3DGS训练过程耗时过长（通常需要数十分钟甚至数小时）的瓶颈问题 [17] - LiteGS首次实现了从底层GPU系统、中层数据管理到高层算法设计的全链路协同优化 [18] - 在GPU系统层面，创新提出基于“One Warp Per Tile”原则的“Warp-Based Raster”新范式，结合扫描线算法与混合精度策略，大幅降低梯度计算开销 [18] - 在数据管理层，引入“聚类-剔除-压缩”流水线，借助Morton编码提升数据局部性，减少缓存失效 [18] - 在算法设计层，采用更鲁棒的像素不透明度梯度方差作为致密化核心判据，精准识别欠拟合区域 [18] - 通过系统与算法的协同优化，LiteGS在训练效率与重建质量上均实现显著领先 [20] LiteGS的性能数据 - 在达到与当前质量最优方案同等水平时，LiteGS可获得高达10.8倍的训练加速，且参数量减少一半以上 [20] - 在相同参数量下，LiteGS在PSNR指标上超出主流方案0.2–0.4dB，训练时间缩短3.8至7倍 [20] - 针对轻量化模型，LiteGS仅需原版3DGS约10%的训练时间与20%的参数量，即可实现同等质量 [21] - 该技术已全面开源，以推动三维重建与渲染技术的开放协作与持续演进 [23] 公司的战略与未来动向 - 此次获奖体现了公司准确把握全球技术发展趋势并引领未来图形计算技术方向的战略眼光 [23] - 3DGS技术对算法与硬件协同提出了极高要求，公司通过创新的算法设计、深度优化的自研硬件以及高效的软硬件协同，展现了卓越的综合能力 [24][25] - 这一成就印证了公司在图形智能计算领域技术路径的前瞻性与工程可行性，体现了将前沿研究快速转化为实践成果的强大执行力 [25] - 公司将于2025年12月20日-21日举办的首届MUSA开发者大会上设立技术专题，深入探讨3DGS等图形智能技术如何塑造未来，赋能具身智能等前沿领域 [25]

文章核心观点 - 摩尔线程在SIGGRAPH Asia 2025的3DGS重建挑战赛中凭借自研的LiteGS技术获得银奖，证明了其在下一代图形渲染技术上的算法实力和软硬件协同能力[1] - 3DGS是一项革命性的3D场景表示与渲染技术，相比传统NeRF，能在保持画质的同时将渲染效率提升数百至上千倍，并被视为具身智能等前沿领域的关键基础技术[4][7] - 摩尔线程通过开源其全栈优化的3DGS基础库LiteGS，旨在推动技术开放协作，其方案在训练效率和模型轻量化上树立了新的性能标杆[18][24][27] 3DGS技术概述与行业意义 - 3DGS以可参数化的3D高斯分布为核心，实现了画质、效率与资源占用的卓越平衡[4] - 该技术为具身智能等需要与真实环境交互的领域提供了高质量、低延迟的三维环境建模支撑，有助于提升路径规划和环境感知能力[7] - 因其对未来图形学技术路线的关键意义，3DGS已成为全球学术界与产业界竞相投入的研究方向[8] SIGGRAPH Asia 2025挑战赛详情 - 竞赛任务极具挑战性，要求参赛者在60秒内，基于存在误差的相机轨迹和终端SLAM点云，完成完整的3DGS高质量重建[10] - 主办方以PSNR（重建质量）与重建速度为综合评价指标进行权威排名[12] - 比赛结果及数据集已向全球公开[13] 摩尔线程参赛表现与技术方案 - 摩尔线程AI团队以“MT-AI”参赛，在重建精度与效率上取得均衡表现，最终获得银奖[16] - 具体比赛数据显示，其方案平均PSNR为27.58，重建耗时34秒，在效率上显著领先多数队伍[17][20] - 公司自主研发的LiteGS基础库实现了从底层GPU系统、中层数据管理到高层算法设计的全链路协同优化[20][21] LiteGS技术的核心优势与性能数据 - 在GPU系统层面，创新提出基于“One Warp Per Tile”原则的“Warp-Based Raster”新范式，大幅降低梯度计算开销[21] - 在数据管理层，引入“聚类-剔除-压缩”流水线，显著提升数据局部性，减少缓存失效[21] - 在算法设计层，采用像素不透明度梯度方差作为致密化判据，精准识别欠拟合区域[21] - 性能表现突出：在达到同等质量时，LiteGS可获得高达10.8倍的训练加速，且参数量减少一半以上[25] - 在相同参数量下，LiteGS的PSNR指标超出主流方案0.2–0.4 dB，训练时间缩短3.8至7倍[29] - 针对轻量化模型，LiteGS仅需原版3DGS约10%的训练时间与20%的参数量，即可实现同等质量[29] 公司的战略布局与后续行动 - 此次获奖是公司准确把握全球技术发展趋势并引领未来图形计算技术方向的战略体现[28] - 公司计划在2025年12月20日至21日的首届MUSA开发者大会上设立技术专题，深入探讨3DGS等图形智能技术如何赋能具身智能等前沿领域[28] - 摩尔线程已将LiteGS在GitHub平台全面开源，以推动三维重建与渲染技术的开放协作与持续演进[27]