Moore Threads 摩尔线程 MTT S5000 (国产 GPU 训练)
产品概述
摩尔线程（Moore Threads） 是中国全功能 GPU 创业公司，2020-10 成立，创始人为原 NVIDIA 中国区高管 张建中。MTT S5000 是其第三代数据中心 GPU，7nm 工艺，48GB GDDR6，FP32 25 TFLOPS / BF16 50 TFLOPS 算力，700 GB/s 内存带宽。配套自研 MUSA（Moore Threads Unified System Architecture） 统一系统架构 + MUSIFY 软件栈。
战略定位：相比华为昇腾专注 AI 训练，摩尔线程走全功能 GPU 路线（图形 + AI + 通用计算），是中国对标 NVIDIA 的国产 GPU 创业公司，与景嘉微、芯原微电子、燧原科技、壁仞科技并列为"国产 GPU 五虎"。
核心规格
| 项目 | 参数 |
|---|
| 架构 | MUSA（第二代，苏堤） |
| 制程 | TSMC 7nm |
| GPU 核心 | 4096 个 MUSA Core（自研 ISA） |
| 显存 | 48GB GDDR6 |
| 内存带宽 | 700 GB/s |
| FP32 | 25 TFLOPS |
| BF16 / FP16 | 50 TFLOPS |
| INT8 | 100 TOPS |
| TDP | ~300 W |
| PCIe | PCIe 4.0 ×16 |
| 互联 | MUSA Link（自研，类 NVLink） |
| 板卡形态 | OAM / PCIe |
| 量产时间 | 2024-Q1 |
| 单价（OAM） | ~$4,000-6,000 |
与前代 MTT S4000 对比
| 指标 | MTT S5000 | MTT S4000 | 提升 |
|---|
| 制程 | 7nm | 12nm | 新代 |
| 核心数 | 4096 | 2048 | 2× |
| 显存 | 48GB GDDR6 | 24GB GDDR6 | 2× |
| 带宽 | 700 GB/s | 448 GB/s | 1.56× |
| FP32 | 25 TFLOPS | 12 TFLOPS | 2.08× |
| BF16 | 50 TFLOPS | 24 TFLOPS | 2.08× |
| 互联 | MUSA Link 800 GB/s | 400 GB/s | 2× |
| TDP | 300W | 250W | +20% |
MUSA 架构
核心组件
| 组件 | 说明 |
|---|
| MUSA Core | 自研 SIMT 核心（类 CUDA Core） |
| Tensor Core | 自研矩阵单元（类 Tensor Core） |
| SFU | Special Function Unit（超越函数） |
| RT Core | 硬件光追核心 |
| MUSA Link | 8 卡全互联，800 GB/s 双向 |
与 NVIDIA CUDA 差异
| 维度 | MUSA | CUDA |
|---|
| 核心架构 | SIMT | SIMT |
| 指令集 | 自研（类 PTX） | PTX / SASS |
| 线程模型 | 32 线程 / Warp | 32 线程 / Warp |
| 软件栈成熟度 | 3-4 年 | 18 年 |
| 生态 | MUSIFY（类 CUDA） | cuDNN / cuBLAS / NCCL |
| 开发者基数 | ~10K 开发者 | 4M+ 开发者 |
软件栈 MUSIFY
| 层级 | 工具 | 对标 NVIDIA |
|---|
| AI 框架 | PyTorch-MUSA | PyTorch + CUDA |
| TensorFlow-MUSA | TensorFlow |
| MindSpore | MindSpore 兼容 |
| 编译器 | MUSA CC | nvcc |
| 运行时 | MUSA Runtime | CUDA Runtime |
| 数学库 | MUSBlas | cuBLAS |
| 深度学习库 | MUDNN | cuDNN |
| 通信库 | MUSA CC | NCCL |
| 图形 API | Vulkan / OpenGL / DirectX | 同样 |
⚠️ 生态限制：MUSIFY 生态仅 3-4 年发展，算子覆盖率约 70-80%（vs CUDA 99%+），复杂 LLM 模型需要大量手工优化或降级到 CPU 回退。
厂商信息
| 项目 | 内容 |
|---|
| 公司 | 摩尔线程智能科技（北京）有限责任公司 |
| 创始人 | 张建中（原 NVIDIA 中国区总经理） |
| 成立 | 2020-10 |
| 融资 | $500M+（A 轮 2021、B 轮 2022、C 轮 2023） |
| 估值（2025） | ~¥35B |
| 2025 营收 | ~¥2.2B |
| 总部 | 北京市朝阳区 |
| 官网 | https://www.mthreads.com |
| 状态 | 准备科创板 IPO（2026-2027 预计） |
| 员工 | ~2000 人 |
| 主要客户 | 中国移动、浪潮、联想、字节跳动、智谱 AI |
产品线
| 产品线 | 定位 | 代表型号 |
|---|
| MTT S 系列 | 数据中心 AI 训练 | S5000, S4000, S3000 |
| MTT G 系列 | 消费级显卡 | MTT S80, S70, S50 |
| MTT K 系列 | 工作站专业卡 | K5000, K4000 |
| MTT E 系列 | 嵌入式 / 边缘 | E3000 |
关键特性
- 全功能 GPU：图形 + AI + 通用计算（GPGPU）+ 光追
- 国产化率 60%：HBM/显存来自三星/海力士，CPU 国产（兆芯），封装国产
- 多精度支持：FP32 / FP16 / BF16 / INT8 / INT4
- 多卡互联：MUSA Link 8 卡，800 GB/s 双向
- PCIe 4.0：相比 PCIe 5.0 落后一代
- 缺点：相比 NVIDIA H100 (989 BF16 TFLOPS) 算力 1/20，生态差距大
LLM 训练性能参考
- LLaMA-2 7B 训练：MTT S5000 8 卡 ≈ H100 1/4 速度（BF16 优化）
- Stable Diffusion XL：MTT S5000 1 卡 ≈ RTX 4090 50% 速度
- Qwen 1.5 14B 微调：MTT S5000 4 卡 ≈ A100 60% 速度
- 推理（70B Q4）：MTT S5000 1 卡 ≈ RTX 4090 1.2× 速度（带宽优势）
适用场景
- ✅ 中国市场 LLM 训练与推理
- ✅ 国产化替代项目
- ✅ 政府、国企 AI 项目
- ✅ 智算中心建设
- ✅ 边缘 AI（嵌入式 MTT E 系列）
- ✅ 图形渲染（消费级 MTT G 系列）
- ❌ 国际市场
- ❌ 顶级前沿模型训练（生态 + 算力限制）
- ❌ FP8 训练（仅支持 BF16）
国产 GPU 五虎
| 公司 | 定位 | 代表产品 | 融资 |
|---|
| 摩尔线程 | 全功能 GPU + AI | MTT S5000 | $500M+ |
| 壁仞科技 | 数据中心 AI | BR104 | $700M+ |
| 景嘉微 | 军用 + 民用 GPU | JM9 | 上市 |
| 芯原微电子 | IP + 设计服务 | 多个 IP | 上市 |
| 天数智芯 Iluvatar | 数据中心 AI | MR 100/200 | $400M+ |
相关卡