“今天其实行业人都很焦虑，每天讨论的话题就是我们今天用了多少Token（词元）。我们已经真正进入了词元时代。”5月18日，摩尔线程（688795.SH）创始人、董事长兼首席执行官张建中在年度产品发布会上表示，因为Token，IoT的含义从Internet of Things转变为Intelligence of Things，这得益于Agentic AI在过去几个月中的迅速发展。
《中国经营报》记者注意到，摩尔线程通过此次发布会全面展示了“云—边—端”全栈智算矩阵：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。
对于当前常被讨论的AI工厂（Factory），张建中把其分为模型训练工厂（Model Factory）、词元生产工厂（Token Factory）和智能体生产工厂（Agent Factory）。而摩尔线程在Agentic AI时代要做的是帮助产业打造AI基础设施，服务每个用户的需求。
Token消耗量指数级增加
“夸娥（KUAE）智算集群是摩尔线程的核心战略。”张建中表示，大模型的训练对于产业界，尤其是大模型公司来说非常关键，当前大模型版本的迭代周期变得越来越短，“从早期的三个月变成两个月，甚至一个月，有的希望两个礼拜就快速迭代上市”。
他提到虽然国内模型与国外模型仍有差距，但国内开源策略非常有价值，中国大模型推理用户群体服务数量全球第一，因此日均消耗Token量也急剧增加，而Token消耗量的指数级增加，对于我国是一个巨大的增长机会。
“在全场景消耗Token应用中，早期AI Coding和AIGC，也就是写代码和生成视频这两个是最顶级的Killer Apps，但是今天‘龙虾’（OpenClaw）这样的Agentic AI应用已经占据了大半壁江山。”张建中表示，Agent的崛起，加上Coding和AIGC，让整个AI的应用场景变得更加广泛，“摩尔线程希望通过夸娥去满足模型训练、推理和智能体的应用，满足整个市场的需要”。
据介绍，目前，摩尔线程的夸娥万卡级智算集群已成功落地，多项关键指标达到国际主流水平，在Dense大模型训练中的模型算力利用率（MFU）达60%，在MoE大模型上达40%，有效训练时长达90%，训练线性扩展效率达95%。
事实上，大模型训练是一项极为复杂的系统性工程，涵盖预训练（Pre-train）、持续预训练（CPT）、长文本训练、微调（SFT）及强化学习（RL）等流程。为赋能开发者，摩尔线程推出夸娥训练套件，覆盖大模型预训练和后训练全链路，包括训练框架、AI框架及训练辅助工具等核心组件，专门优化了对强化学习的支持，兼容业界主流的VeRL训推一体与Slime训推分离框架，并完成了对多项微调框架的适配。
在推理端，摩尔线程展现了其深厚的生态底蕴与“发布即适配”（Day-0适配）的响应速度。目前，摩尔线程已全面适配DeepSeek、GLM、MiniMax、Kimi、Qwen等国内头部大模型，以及主流的语音、视觉理解及多模态模型。值得一提的是，摩尔线程在推理框架SGLang主线代码中获得了官方原生支持，并开源了vLLM-MUSA，可原生获得摩尔线程GPU加速能力，大幅提升推理效率。
发布首款家庭智能设备
为满足Token时代爆发的端侧算力需求，摩尔线程立足自研“长江”智能SoC，正式宣布全面深化端侧AI战略布局，并发布首款面向家庭场景的消费级产品——MTT AICUBE，实现了算力从云端智算集群向边缘和终端的延伸。
据介绍，作为该端侧战略的关键落子，MTT AICUBE重新定义了家庭智能设备的形态与体验。它不仅仅是一台计算硬件，更是摩尔线程以全域智能体“小麦”为核心，以端侧本地算力为引擎，以全闪存私有云为数据底座，以全栈自研OS为系统支撑，将“端云一体”的能力首次完整带入家庭场景。
从“龙虾”引发的自主执行热潮，到AI Agent任务执行规模的指数级增长，智能体正以前所未有的速度进入每个人的生活。在摩尔线程看来，家庭正成为端侧智能体落地的关键场景。
“AICUBE是家庭AI中枢。”张建中表示，MTT AICUBE三位一体，是AI Agent + AI PC + AI NAS的结合，其内置的“小麦”智能体预装60余项技能（Skills），支持超36款App的跨应用控制。
同时，摩尔线程还宣布MTT AIBOOK全面升级，AIBOOK在MTT AIOS原生Linux系统下，预装原生“龙虾”智能体，支持多智能体协作，为智能体应用的开发、调试与部署提供完整的闭环解决方案。
除AICUBE与AIBOOK外，摩尔线程以“长江”智能SoC为核心还构建了专为嵌入式边缘场景设计的MTT E300 AI模组，支持混合精度计算，为工业质检、能源巡检、智慧教室、具身智能、智能汽车及低空经济等典型场景提供高效、低延迟、强可靠的边缘AI能力。
值得一提的是，摩尔线程发布了其首个全栈具身智能仿真平台MT Lambda。张建中表示，尽管仿真训练平台能加速机器人的训练周期，但仍面临三大挑战：一是缺少大量的数据，数据的获取成本非常高；二是用真机训练风险高，代价也太高；三是场景不易泛化。
据介绍，MT Lambda平台构建了从底层算力、核心引擎到上层框架及工具的完整解决方案：底层基于全功能GPU，实现渲染、物理、AI计算在同一芯片中完成，数据“零拷贝”；中间层深度融合自研物理、渲染、AI三大引擎；上层则提供MT Lambda-Lab具身策略开发与训练平台以及MT Lambda-Sim高保真物理仿真与渲染平台。
在具身智能领域，摩尔线程依托夸娥智算集群、仿真平台及端侧SoC芯片，已经形成云边端协同的产品与能力布局。同时，摩尔线程积极拓展具身生态“朋友圈”，通过与光轮智能在合成数据等关键领域共筑国产具身智能仿真底座，以及与光线云联合打造RaysTwins具身仿真平台等深度合作，共同推动技术成果加速转化落地。
据介绍，作为贯穿摩尔线程全功能GPU硬件与全栈软件体系的底层架构，MUSA已全面实现对业界主流CUDA生态的深度兼容。摩尔线程最新发布的MUSA SDK 5.1.0，对标CUDA 12.8，从驱动与运行时新增248个API，兼容接口数达到761，到核心数学库的100%对齐，从覆盖55类核心AI算子，到完整支持PyTorch全部3194个算子，MUSA软件栈全链路覆盖了底层驱动、编译器、算子加速库、训练与推理框架，让国产GPU真正具备“即插即用”的开放能力。
