公司近期动态与成果展示 - 摩尔线程于北京举办首届开发者大会（MDC），1000平方米展区汇聚上千位开发者，集中展示了智能机器人、数字人、Agent、AI for Science及气象预测等前沿技术应用 [2] - 展区中央的数字文娱与视频多媒体区展示了由国产GPU驱动的eVTOL全动飞行模拟器、经典拳皇及3A大作游戏，突显了公司全功能GPU同时具备图形能力的稀缺性 [2] - 展区一次性展示了近百个应用案例，覆盖从消费到垂直行业、从图形到AI再到高性能计算的广泛应用，直观呈现了全功能GPU的能力边界与公司成立五年来的成果 [2][3][15] 全功能GPU的战略价值与技术特性 - 全功能GPU需同时支持完整的图形流水线、张量计算核心以支持AI，以及高精度浮点单元以满足高性能计算，这是其核心“奥义” [5] - 公司全功能GPU内置多种计算引擎，涵盖AI计算、3D图形渲染、物理仿真与科学计算，以及超高清视频编解码，实现了“AI+3D图形+高性能计算”于一颗芯片 [7] - 全功能GPU的应用广度相较传统GPGPU呈现出明显量级差异，同一架构下不同型号的GPU可同时承担图形、AI与计算任务 [15] 图形与视频处理能力的具体表现 - 自2022年11月发布消费级显卡MTT S80起，公司几乎每30天更新一次驱动，已实现对China Top 50热门游戏的100%兼容，并对其中44款完成专项优化 [9] - 公司的端侧实时视频超分技术MTVSR可实现2–4倍实时超分效果，同时降低视频存储和传输成本 [11] - 基于MTT X300的国产视景系统——微视威eVTOL全动飞行模拟器已通过中国民航局5级鉴定，首次打通全国产化视景渲染链路 [11] AI计算与高性能计算的应用突破 - 在智慧医疗领域，合作伙伴基于MTT S4000将AI推理、三维重建与高性能渲染整合，将二维医学影像实时转化为三维模型，通过XR设备呈现 [11] - 在智算场景，公司通过KUAE集群的零中断容错方案实现大规模训练全程不中断 [11] - 在推理侧，与合作伙伴对MTT S5000进行深度优化，在DeepSeek 671B全量模型的实际推理中，MTT S5000单卡Prefill吞吐突破4000 tokens/s，Decode吞吐突破1000 tokens/s [11] 多领域应用案例的广泛覆盖 - 在具身智能赛道，合作伙伴的VR遥操作机器人系统已与MTT E300 AI模组适配，并与MTT S80协同工作，实现高风险环境下的精细作业 [13] - 在AI推理市场，多家合作伙伴基于公司全功能GPU推出多款AI Box，将算力延伸至具身智能、Agent、制造、办公、交通、教育和医疗等场景 [15] - 在科学计算领域，公司联合北京大学课题组打造软硬件协同的生命科学解决方案，并在CAD、工业设计与专业可视化领域，国产工作站方案正逐步投入使用 [15] 芯片架构的快速迭代与新品发布 - 公司自成立之初便选择全功能GPU路线，自2022年量产第一代架构苏堤以来，以一年一代的速度快速迭代，相继发布了春晓、曲院、平湖架构 [18] - 每代架构都推出满足不同市场需求的产品，例如S80为首款国产消费级显卡，S4000为首个训推一体AI集成卡并组建千卡集群，S5000构建万卡集群支撑万亿参数大模型训练 [20] - 公司计划于2026年推出基于全新指令集的下一代架构——花港，旨在国产工艺发展相对缓慢时提升算力密度，通过全新指令集将算力密度提升50%，并通过精心打磨架构将效能提升10倍 [20] 新一代花港架构及芯片性能详解 - 基于花港架构，公司推出两款新品：AI训推一体芯片华山和专业图形图像计算芯片庐山 [22] - 华山是一款高性能AI推理与训练芯片，其浮点计算性能位于业界最领先的两款GPU之间，访存带宽和高速互联同时提升，结合异步编程技术实现高效线程同步等，综合性能极具竞争力 [22] - 华山的新一代TensorCore支持从FP4到FP64的全精度计算，并对FP8、FP6和FP4等低精度单元进行了优化，同时开放支持多种类的以太协议，不仅支持MTLink 4.0，还支持国内合作伙伴的以太网协议，充分兼容不同硬件生态 [25] - 得益于新一代Scale-up系统，华山的能力能够实现1024个GPU的超节点，公司发布了MTT C256超节点的架构规划 [27] - 庐山作为花港架构专业图形计算产品，相比S80，游戏性能提升15倍，AI计算性能提升64倍，几何处理提升16倍，光线追踪提升50倍，并显著增强纹理填充、原子访存能力及显存容量 [29] - 截至2025年6月30日，公司累计授权专利514项，其中发明专利468项，为性能跃升提供了技术和专利积累 [31] MUSA软件生态的战略与进展 - MUSA是公司自主研发的元计算统一系统架构，覆盖从芯片架构、指令集、编程模型到软件运行库及驱动程序框架等的全栈技术体系 [33] - 决定主权AI成败的关键在于是否有足够多的开发者愿意长期在这套栈上写代码，开发者是生态的核心 [35] - 构建生态的思路在于包容和兼容，包容意味着涵盖多条技术路线，兼容意味着不必打造完全不同的生态 [37] - MUSA软件栈在编程模型、方式和加速库功能上与国际主流高度一致，以降低开发者学习成本，并通过更高级抽象的DSL领域专业编程语言以及与开发者深度融合实现软硬件协同设计来寻求突破 [38] MUSA 5.0的关键升级与开发工具 - MUSA 5.0在全栈统一性、极致效能和生态开放性上取得关键突破 [39] - 编程生态升级：原生MUSA C，深度兼容 TileLang、Triton 等编程语言，为开发者提供灵活高效的全栈开发体验 [42] - 计算效能优化：核心计算库muDNN实现GEMM/FlashAttention效率超98%，通信效率达97%，编译器性能提升3倍，并集成高性能算子库，显著加速训练与推理全流程 [42] - 开源生态扩大：计划逐步开源计算加速库、通信库及系统管理框架在内的核心组件，向开发者社区开放深度优化的底层能力 [42] - 前沿特性拓展：即将推出兼容跨代GPU指令架构的中间语言MTX、面向渲染+AI融合计算的编程语言muLang、量子计算融合框架MUSA-Q，以及计算光刻库muLitho [42] - 公司推出了搭载长江智能SoC的AIBOOK，新一代长江AI SoC集成多种处理单元，提供高达50TOPS端侧AI算力，内置1TB SSD、32G/64G高速存储，预装Linux内核AIOS系统及开发工具，支持主流操作系统，实现“开箱即用” [43] - 基于长江SoC的迷你型计算设备MTT AICube也将推出，公司还将推出面向前沿领域的完整方案，如端云一体化具身智能方案MT Robot，帮助开发者缩短产品上市周期 [45] 开发者生态建设与公司价值展望 - 目前，摩尔学院用户总量已经达到了20万，公司的目标是拥有百万级的MUSA开发者 [47] - 全功能GPU决定了公司能够探索的应用广度，包括图形渲染、AI与高性能计算，而MUSA生态的繁荣程度则决定了在各个市场的应用厚度和不可替代性，广度与厚度的乘积是支撑公司千亿价值的基石 [49] - 从首届开发者大会的近百个应用案例，到MUSA生态与花港架构的落地，公司正以完整技术体系和开放生态将潜力转化为切实价值 [50]

文章核心观点 - 谷歌发布自研TPU引发市场对AI硬件技术范式从通用GPU转向专用芯片的讨论 英伟达市值一度蒸发超千亿美元[3] - 行业专家认为 GPU与TPU等专用芯片是“通才与专才”的分工 将长期共存而非简单替代[4][6] - AI算力的核心竞争力已从单卡算力转向大规模集群系统与全栈解决方案[7][8] 行业技术路线与竞争格局 - 谷歌能做TPU得益于其全栈整合能力 将模型跑在自家芯片上优化以实现成本性价比最大化 但绝大部分企业不具备此垂直整合能力[4] - GPU保持优势的原因在于其灵活度是“甜点” 能处在AI算法快速迭代的创新前沿[5] - 未来是多模态的 需要“理解世界 用三维构建世界 超高清传输世界” 全功能GPU的“图算一体”能力在跨域支持所有计算范式上具有不可替代的优势[5] - 英伟达在计算领域的“王者”地位得益于其建立的CUDA生态 能够联合所有开发者建设生态[5] - 任何芯片架构没有高低优劣之分 关键看场景 GPU和ASIC的架构几十年前就已存在 是超级稳态[6] - 当前大模型迭代速度非常快 按周计 按月计 任何基础模型远未到达收敛的时间点 通用GPU的泛化能力和适配性仍是核心竞争力[6] - 客户应用场景分散且层出不穷 GPU和类似TPU这样的ASIC会长期共存[6] - 未来超大型云服务公司可能在算法收敛稳定到一定阶段时选择定制专门的TPU 并在能力溢出时与其他厂商合作[6] 公司战略与实践 - 摩尔线程会继续坚持全功能GPU图算一体的路线[5] - 摩尔线程正在搭建自己的MUSA生态[5] - 摩尔线程目前有多个投入生产的千卡集群在运行 已处于生产期 支持训练和推理[7] - AI大模型的运行关键不在单卡算力 卡间互联的网络通信是非常复杂的架构 摩尔线程致力于提供端到端全栈的解决方案[7] - 沐曦认为AI基础设施的最大挑战在于明确产品本质 客户最终需要的是一个能够可靠支持大规模模型训练 推理与服务的通用算力平台 而非孤立的单卡或服务器[8] - 沐曦已在全国范围内部署了数千卡规模的集群 并成功完成了从传统模型到MoE模型乃至非Transformer架构模型的训练任务[8] 市场反应与行业地位 - 谷歌新一代AI模型Gemini 3系列发布后 英伟达市值一度蒸发超千亿美元[3] - 华尔街将英伟达推上市值榜首 证明了通用性GPU在当前历史阶段的主流地位[6] - 对于英伟达股价近期的波动 有观点认为这或是一种很好的“砍价方式”[6]

公司资金使用决策 - 摩尔线程在IPO后公告，计划将不超过75亿元的募集资金用于购买协定存款、通知存款、结构性存款等理财产品[2] - 此次IPO扣除发行费用后实际募集资金净额约为75.76亿元，理财上限75亿元意味着约99%的募集资金被允许暂时闲置[3] - 该决策被解读为公司在当前时间点认为将资金存放于银行比立即投入运营更为安全，这在需要大量烧钱的GPU行业显得极为特殊[3] 芯片行业研发与资金消耗特性 - 芯片研发资金消耗受物理规律和流程严格限制，架构设计、验证、物理设计、流片均需时间，资金无法在单一季度内快速消耗完毕[6] - 与互联网行业可快速砸钱换取增长的模式不同，芯片行业的资金消耗速度在单一阶段是被锁死的，无法跳过流程或提前支出[5][6] - 公司募集资金的主要投向为新一代AI训推一体芯片、新一代图形芯片以及新一代AI SoC，方向明确[4] 生态建设与软件适配的长期性 - 英伟达的核心壁垒在于其耗时十余年构建的CUDA生态，而非单一GPU硬件[10] - 摩尔线程选择自建MUSA生态，但软件适配、工具链完善和开发者习惯培养需要以“年”为单位计算，无法用资金快速购买或加速[11] - 此类生态投入属于持续滴灌式的长期过程，难以形成突击式支出，因此即使账上有75亿元资金也难以立即转化为研发加速度[12][13][14] 先进制造产能的制约 - 高端GPU制造的关键瓶颈已不仅是制程，更包括CoWoS等先进封装技术，全球相关产能处于极度紧张状态[16] - 资金无法直接换取产能，代工厂的产能排期通常按季度或半年计算，即使有资金也无法成功插队[17][18] - 资本市场可瞬间完成融资定价，但制造体系仍受漫长物理周期限制，导致资金到账后需等待产能窗口[18][19] 资本市场预期与公司现实经营的脱节 - 公司上市后股价表现极端，市值快速放大，估值体系已脱离当期业绩，转而押注遥远的未来，这本质上是一种信念投票[23][24] - 公司仍处于持续亏损阶段，且明确短期不以盈利为目标，账上75亿元资金在某种程度上是保障未来三年生存的“生存资金”[26] - 将资金置于低风险、高流动性的理财产品中是一种现实的防御策略，旨在为公司争取时间以等待产能、打磨生态、度过周期[27][28][32] 硬科技发展的客观规律 - 事件引发的争议揭示了公众对硬科技发展的一个集体幻觉：即认为资金到位就能立刻实现技术突破和产业提速[29] - 硬科技发展不服从资本的节奏，资金可一日到账，但生态培育需数年，产能爬坡也需漫长排队[30] - 真正的行业拐点并非理财公告，而是当闲置资金被大规模赎回并转化为流片订单、工程师薪酬和实验室样机之时[33][34]