文 | 时间线 Timelines，作者 | 赵明，编辑 | 周易

摩尔线程正在努力重新定义自己。

过去五年，摩尔线程被外界定义为一家国产   GPU   公司；但目前，摩尔线程正在有意推翻这一定位。其中的一个典型例证是，在其上月召开的年度产品发布会上，摩尔线程用接近   2   个小时的时间，一口气完成六大重磅发布：

从万卡级规模的夸娥智算集群，到自研 " 长江 "SoC   驱动的智能终端   MTT AICUBE   和   MTT AIBOOK；从数字世界智能体 " 小麦 "，到加速物理   AI   落地的首个全栈具身智能仿真平台   MT Lambda，再到持续进化的   MUSA   生态。

通过这一系列动态，摩尔线程全面展示了一个覆盖 " 云   -   边   -   端 " 的全栈智算矩阵。

令人好奇的是，作为外界认知中的一家典型的   GPU   公司，这场发布会上却没有发布一款芯片产品，反而将触角延伸到了具身智能、家居中枢以及硬件层面。

所以，一个问题就自然浮现了：这家以   GPU   为基本盘的公司，究竟想要做什么？

从万卡集群到十万卡

如果把时间的指针拨回到一年半以前，摩尔线程的叙事重心还相当简单—— GPU。

2025   年底，当摩尔线程登陆科创板时，支撑其   3000   亿估值的核心资产是夸娥（KUAE）万卡级智算集群——这是一套可以并行驱动数千甚至上万颗   GPU   训练大模型的系统级解决方案。

随后一年半，这套方案拿出了一组关键数据：Dense   大模型训练中模型算力利用率（MFU）达   60%，MoE   大模型达   40%，有效训练时长   90%，8000   卡规模的集群训练线性扩展效率达   95%。" 堆卡易，成阵难 " ——集群越大，系统越脆弱，一次链路抖动、交换机异常就可能触发连锁反应。夸娥能跑出   90%   的有效训练时长，说明它在系统级工程能力上已经越过了国产   GPU   此前普遍被诟病的 " 集群不可用 " 这道坎。

2026   年   3   月   30   日，摩尔线程签下了一笔   6.6   亿元的夸娥智算集群合同，单笔订单占 2025   年全年营收的   44%。这是迄今为止国内算力市场最大的国产   GPU   单笔订单之一，证明了摩尔线程的产品已经能够支撑万卡级别的智算集群建设。

4   月   26   日，摩尔线程同时发布了   2025   年财报以及   2026   年一季度财报，进一步回答了云端基本盘的支撑力。

财报显示，2025   年营收   15.06   亿元，同比增长   243.37%；2026   年一季度营收   7.38   亿元，同比增长   155.35%，归母净利润   0.29   亿元——这是摩尔线程自   2025   年   12   月科创板上市以来，首次在单季度实现盈利。

基于这样的亮眼成绩，张建中也在公开场合表示，公司正在规划新一代十万卡级智算集群。

这样的扩张节奏折射出一种强烈的乐观预期——张建中判断，随着以   OpenClaw   为代表的   Agentic AI   应用深入，Token   消耗量正呈指数级增长，日均消耗量已从一年前的   30   万亿猛增至   180   万亿。

他认为智算时代需要建立 " 三大   AI   工厂 " ——模型训练工厂、Token   生产工厂、智能体生产工厂——而夸娥集群的任务，就是同时支撑这三种截然不同却又相互交织的算力需求。

这套逻辑本身并没有什么问题，但它形成了一个颇为微妙的处境：如果摩尔线程要继续巩固其云端基本盘，就必须在十万卡级集群的建设上持续投入。

财报数据显示，2025   年，摩尔线程研发投入达   13.05   亿元，占营收比重   86.68% ——换言之，公司赚到的每   100   元里，有   87   元被重新投入研发。即便到了盈利明显改善的   2026   年一季度，研发投入占比仍维持在   50%   左右。这一比例，在   A   股所有上市公司中都属极高。相较而言，国内芯片龙头海光信息的研发投入占比约为   18%，寒武纪约为   50%，台积电约为   8%。

这意味着天文数字的资本开支；但仅靠靠   GPU   这条路能否支撑摩尔的估值天花板，又是另一个值得追问的话题。

但摩尔线程的压力也不止于此。

2023   年至今，全球正在经历一场有史以来规模最大的算力军备竞赛。训练一个顶级大模型，需要数以万计的   GPU   集群——英伟达   GPU   由此变成了稀缺战略资源，价格高涨的同时还一卡难求。

对中国 AI 产业而言，这场算力竞赛的紧迫性被额外压力所放大。2022   年至今，在地缘政治的影响下，英伟达的   GPU   几乎无缘中国市场。这一背景下，国产   GPU   的战略价值从 " 可选项 " 变成了 " 必选项 "。

在这个背景下，包括摩尔线程、壁仞科技、海光信息、天数智芯在内，一批国产   GPU   公司相继登场——但在技术变革和激烈竞争的双重维度下，仅靠   GPU   来讲故事，显然已经不是摩尔线程的解法。

从 GPU 到智能 SoC

如果把云端算力比作 " 超级大脑 "，那么端侧产品就是   AI   触达每个人的 " 神经末梢 "。但   GPU   公司在端侧的布局，通常止步于提供   AI   推理芯片。摩尔线程的做法不太一样。

发布会上，摩尔线程除了延续云端叙事外，重点推出了自研 " 长江 " 智能   SoC   芯片、基于它的   MTT AICUBE   家庭 AI 中枢和   MTT AIBOOK AI   算力本、以及名为 " 小麦 " 的全域智能体和   MT Lambda   具身智能仿真平台。

" 长江 "SoC   不是一颗简单的   GPU   或   NPU，而是一颗完整的端侧   AI   计算芯片。它内部集成了   CPU、GPU、NPU   和   VPU，异构   AI   算力达   50TOPS，对标对象不是英伟达，而是高通、联发科甚至英特尔的酷睿。

基于 " 长江 "SoC，摩尔线程构建了一套完整的产品矩阵：MTT AIBOOK（个人   AI   算力本）、MTT AICUBE（家庭   AI   中枢）和   MTT E300（工业边缘   AI   模组）。其中   AICUBE   定位 " 智能体   + AI PC + AI NAS" 三合一，搭载全域智能体 " 小麦 "，集成   90   余项系统工具和   60   余项技能，支持超   36   款   APP   跨应用控制。

再往上，是一整套软件栈，包括原生   Linux   操作系统、MTClaw   智能体框架、PES   应用市场，以及   MUSACODE AI   编程工具。

这套 " 芯片—操作系统—整机—智能体 " 的产品链条，已经覆盖了传统上由四类不同公司承担的角色：英伟达（GPU）、高通（端侧   SoC）、联想（PC   整机）和微软（操作系统）。摩尔线程试图把这四件事打包成一个统一的故事——智能体时代的基础设施。

" 整个业界缺少一个   Linux   原生的好产品 "，张建中在产品发布会上表示。

潜台词是智能体时代的电脑不应该再跑   Windows。这个判断的根据在于：OpenClaw   主要跑在   Linux   上，AI   训练框架原生跑在   Linux   上，大模型推理服务的部署环境也大多是   Linux。如果智能体真的成为   PC   的主要工作负载，被   Windows   锁了近三十年的消费级   PC   市场，理论上存在松动的可能。

摩尔线程不是在做一台 " 能跑 AI 的笔记本 "，市面上现在所有笔记本都能跑 AI。它想做的是 " 让   AI   跑得比   Windows   更顺畅的笔记本 "，然后靠 " 长江 "SoC、AI   操作系统和自家智能体框架这一整套组合，在   Windows   还没反应过来的窗口期里，卡住一个新的生态位。

这个判断是否能成立，将取决于两个关键变量：第一，对话式智能体是否真的成为主流交互方式；第二，摩尔线程的   AICUBE   能否在被验证之前赢得足够的时间和用户。这是一个关于未来的押注，而任何押注都是有风险的。

但这场押注也并非毫无根基。2025   年财报显示，摩尔线程边缘与终端产品收入仅   2550.55   万元，占总营收的   1.70%。几乎可以忽略不计。

这意味着，从云端切入端侧，不是因为它已经做大了端侧市场，而是因为它必须用端侧的故事，打开估值想象的第二曲线。在纯   GPU   赛道上，摩尔线程面对的不仅是英伟达的生态壁垒，还有国内对手们在集群和软件栈上的贴身追赶。如果不主动拓展战场，单纯依赖夸娥集群的订单增长，很难撑起   3000   亿市值背后的增长预期。

所以，端侧不仅是产品线的延伸，更是一张对冲估值风险的牌。

MUSA 能否长出独立开发者体系？

硬件可以追赶，生态如何建立？

过去几年，国产   GPU   已经验证了硬件能力——通过架构迭代和工程优化，国产芯片能够交出高分答卷。但企业采购   GPU   从来不是只买一张卡，而是在押注其背后的软件生态和开发体系。

与英伟达构筑的   CUDA   护城河逻辑相似，摩尔线程深知单一硬件无法定义未来，因此打造了一个纵深极广的生态系统   MUSA，底层集成了   AI   计算、3D   图形渲染、高性能计算与智能视频编解码的全功能   GPU，以全数据单元的兼容性将算力触角延伸至科学计算、数字孪生、具身智能、量子计算乃至   6G   通信与生物医药等前沿领域。

MUSA（Meta-computing Unified System Architecture）是摩尔线程自研的全功能   GPU   计算加速统一系统架构，涵盖芯片架构、指令集、编程模型、软件运行库及驱动程序框架。

值得关注的是，MUSA SDK 5.1.0   对标 CUDA 12.8，驱动与运行时层兼容接口数达到 761，核心数学库实现   100%   兼容，PyTorch   全算子（3194   个）100%   覆盖。这意味着全球数百万 PyTorch   开发者几乎无需修改代码，就能把模型迁移到   MUSA   上运行。

另外，在当前最主流的两个大模型推理框架   SGLang   和   vLLM   上，MUSA   都带来了好消息：

SGLang   方面，MUSA   后端正式加入   SGLang   的官方支持体系，相关代码也已成功合入   SGLang   主线。vLLM   方面，MUSA   成为   vLLM   的官方后端，并开源   vLLM-MUSA，开发者可原生获得摩尔线程   GPU   加速能力。

与单纯地多支持了一个框架相比，加入大模型推理框架官方后端矩阵意味着，国产 GPU   在生态适配上拥有更充分、更直接的兼容路径。

此外，摩尔学院平台已汇聚超   45   万名开发者与学习者，合作院校超   200   所。对于一个成立仅六年的公司，这个增长速度确实不慢。但   45   万与   CUDA   数百万级的开发者规模之间仍然存在数量级的差距。

MUSA   的真实挑战在于：依赖兼容   CUDA，它的生态故事永远是一个跟随者。

所以，对于摩尔线程来说，它真正需要建立的是独立、独特的技术体验，让开发者因为   MUSA" 做某件事更方便 " 而选择它，而不是因为它 " 兼容   CUDA"。

高增长的另一面

对于摩尔线程来说，单季净利润转正被市场解读为关键拐点信号——但这个信号背后，其实也存在一些隐忧。

此前，摩尔线程在回复投资者提问时，将   2025   年收入高增归因于两层因素：一是   AI   大模型快速迭代、应用扩张，带动   GPU   需求迅速增长；二是高端   GPU   出口限制持续收紧，为国产   AI   芯片打开了替代窗口。

从这个角度看，摩尔线程这轮收入放量，踩中的既是   AI   算力扩张周期，也是国产替代加速的产业机会。

但是，需要注意的是，摩尔线程一季报显示，当期非经常性损益合计   8364   万元，其中计入当期损益的政府补助为   7006   万元，占比约   84%。

假如剔除上述项目，摩尔线程当季归母扣非净利润亏损   5428   万元，虽然同比收窄   60.1%，但亏损依然存在。

换言之，这次的账面盈利，是通过政府补贴，才越过了关键的盈亏线。当下，摩尔线程的主营业务自身尚未实现收支平衡。

对于摩尔线程来说，真正需要破局的，是能否逐步把收入来源延伸到更广泛的商业客群，需要在两方面同步推进：首先是产品性能和稳定性的持续提升，其次是   MUSA   软件生态的开发者规模扩张。

而从芯片到集群，从集群到软件，从软件到终端，从终端到   Agent，再从   Agent   到具身智能——这条链路拉得越长，竞争对手追赶的难度就越大。

回头再看摩尔线程的路径选择可以发现，这并非一条 "GPU   公司横向多元化 " 的常规商业扩张，而是一家从   GPU   出发的硬科技公司，试图用自己最擅长的算力能力，向下扎到   SoC，向上伸到   OS   和智能体的战略故事。

云端的夸娥集群，解决的是 " 算力从哪来 " 的问题。" 长江 "SoC   和   AICUBE，解决的是 " 算力到哪去 " 的问题。MUSA   生态，解决的是 " 开发者为什么留下来 " 的问题。智能体 " 小麦 " 和具身智能平台   MT Lambda，解决的是 "AI   最终以什么形态触达物理世界 " 的问题。

这四层逻辑环环相扣，拼在一起，是一张从硅片到场景、从训练到推理、从虚拟到物理的完整版图。

把眼光再放长远一点，摩尔线程押注的是一个根本性判断：AI   计算不会永远停留在 " 训练大模型 " 这个单一场景里，它终将渗透进每一个终端、每一个物理空间、每一次人机交互。从这个角度来看，摩尔线程从云端向端侧的延伸，并不是一家   GPU   公司的 " 跨界 "，而是一次顺势而为的生态升维。

只是，要想最终印证这个判断，摩尔线程需要的不仅仅是时间，也需要一个能够持续造血的商业正循环。