摩尔线程副总裁王华：AI工厂全栈技术重构算力基建，开启国产 GPU 黄金时代

发布时间：2026-07-10 12:25:03 来源：上海京硕有限公司 作者：百科

摩尔线程在世界人工智能大会（WAIC 2025）前夕举办以“算力进化，线程精度革命”为主题的副总技术分享会，创新性提出“AI工厂” 理念。裁王厂全产这一系统性工程通过全功能GPU、华A黄金自研架构、工构算集群技术与软件生态的栈技深度协同，重新定义了AI基础设施的术重时代生产力公式 ——AI工厂生产效率=加速计算通用性 × 单芯片有效算力 × 单节点效率 × 集群效率 × 集群稳定性。作为国内率先实现单芯片集成AI计算、力基图形渲染、建开物理仿真、启国超高清视频编解码四大引擎的线程GPU厂商，摩尔线程此次提出的副总 “AI工厂” 并非单纯的硬件升级，而是裁王厂全产涵盖芯片架构、集群管理、华A黄金算法优化、工构算资源调度的全栈式创新。正如创始人张建中在主题演讲中所言：“我们正在建造的，是能够生产AGI时代先进模型的超级工厂。”

一、大模型算力需求呈指数级增长，参数量与数据量成核心驱动力

在WAIC 2025摩尔线程技术分享日上，副总裁王华首先聚焦大模型算力需求的发展趋势。他指出，2020年至2025年间，主流大模型的算力需求呈现出近乎指数级的增长态势，从单位为flops的数值来看，每一格代表10倍增长的纵轴上，模型所需算力持续攀升。

图：摩尔线程副总裁王华在大会上演讲分享他对大模型智算集群的看法（图片来源：电子发烧友网）

以具体模型为例，2020 年大模型算力需求 TOP 值为 10²³flops，而到 2025 年，Grok-3 的算力需求已达 10²⁶flops，短短五年间实现了约 1000 倍的增长；GPT-4 的训练量更是达到 10²⁵flops，较早期模型提升一个数量级。这种增长的核心驱动力来自参数量与数据量的双重扩张 —— 根据 Scaling Law，参数量和数据量的增大能显著降低模型 loss 值，提升模型效果，进而推动算力需求激增。

王华还通过不同规模集群的训练时间对比，直观展现了算力需求的规模。以英伟达H100 集群为例：DeepSeek 模型算力需求约 3.4×10²⁴flops，在千卡集群中需训练 97 天，五千卡集群需 22 天，万卡集群需 13 天；万亿参数的 Kimi K2 模型计算量为 2.98×10²⁴flops，对应训练时间分别为 85 天、19 天、11 天；而 GPT-4 因算力需求达 10²⁵flops，千卡集群需 602 天，五千卡集群需 137 天，万卡集群需 80 天。即便是早期的 GPT-3，虽参数量不小，但因数据量有限，训练效率相对更高。这些数据清晰表明，参数量与数据量的 “双增长” 正持续推高大模型训练的算力门槛。

二、FP8 成低精度训练 “甜点”，技术突破平衡效率与效果

在算力需求激增的背景下，低精度训练技术成为提升效率的关键。王华介绍，从FP32 到 FP16 再到 FP8，精度每下降一半，算力可提升一倍 —— 这源于显存占用减少、缓存速度提升，但同时也可能因数值损失导致模型效果下降。因此，如何在精度、参数量、数据量之间找到平衡，成为核心课题。

引入精度参数P 后的新 Scaling Law 显示，在固定计算量下，需合理配置参数量（N）、数据量（D）与精度（P）：精度越高，loss 值（L）越小，但算力成本也越高。通过对比 FP32、FP16、FP8、FP6、FP4 的效果，发现 FP6 和 FP8 处于 loss 值最低的 “甜点区域”，而 FP4 因精度过低导致 loss 值回升。近期研究进一步验证，FP8 是当前兼顾效率与效果的最优选择，相比 FP16 训练有巨大提升空间。

不过，FP8 训练面临两大核心挑战：一是取值范围有限，易出现上溢（梯度爆炸）和下溢（梯度消失）；二是不同操作对精度敏感度差异大 —— 矩阵乘等操作对精度不敏感，累加 / 归约类操作敏感度中等，非线性函数（如指数级增长的计算）则高度敏感。对此，行业普遍采用混合精度训练策略：对精度不敏感的部分（如矩阵乘）用 FP8 计算，敏感部分保留高精度。

王华强调，FP8 技术的落地离不开软硬件协同支撑。硬件上，新一代 Tensor Core（如英伟达产品）已支持 FP8 输入与高精度输出；软件层面，权重更新用 FP32 表达、Tensor Scaling 动态调整数值范围等技术，有效缓解了精度损失问题。以 DeepSeek 模型为例，其前向和反向传播中的 3 次矩阵乘均采用 FP8，激活值的缓存与传输也用 FP8，仅对精度敏感部分保留高精度，大幅提升了训练效率。

三、摩尔线程全栈支持FP8 训练，技术创新攻克落地难点

作为国内GPU 厂商代表，摩尔线程已构建起 FP8 训练的软硬件全栈支持能力。王华详细介绍了其技术布局：

在硬件层面，摩尔线程GPU 为全功能芯片，原生支持从 FP64、FP32 到 FP8 的全精度算力，为低精度训练提供基础支撑。

软件栈则包含三大开源框架：一是Torch-MUSA，作为 Torch 栈上的 MUSA 底层插件，已实现对 FP8 数据类型的完整支持，可在 MUSA 平台上顺畅运行整个 Torch 生态；二是 MT-MegatronLM，支持 Dense、多模态、MoE 等模型的高效训练，支持FP8 混合精度训练、高性能 muDNN 库与 MCCL 通信库；三是 MT-TransformerEngine，专注于 Transformer 模型的高效训练与推理优化，通过算子融合、并行加速等技术提升效率。

依托这套软件栈，摩尔线程成为行业内率先复现DeepSeek-V3 “满血版” 训练的厂商（其他厂商多聚焦推理复现）。其核心突破包括：通过 MT FlashMLA 和 DeepGEMM 库优化算子性能，精准复现了 DeepSeek 的训练逻辑。

针对FP8 训练的具体难点，摩尔线程还做了针对性创新：在 scaling factor 选择上，Per-Tensor 维度因数值范围稳定（最小值约 200，最大值约 2000），采用固定因子；Per-Block 维度因最小值可能为 0，易导致数值异常，故用 JIT 动态的scalingfactor的选择。在处理outlier（异常值）方面，通过 Smooth SwiGLU 技术，在量化后先乘缩放因子、第二次量化后再恢复，降低了 FP8 上溢风险，提升了训练稳定性。

四、大规模集群训练：模拟优化与可靠性保障并重

随着集群规模扩大（万卡、十万卡级），训练的效率与可靠性成为关键。王华指出，大规模训练无法全靠实验验证（资源消耗过大），需依赖模拟工具与可靠性技术。

在模拟优化方面，摩尔线程开源了Simumax 软件（GitHub 可下载），通过理论与仿真结合，估算训练中的资源开销。该工具支持多种并行策略、优化策略，可在主流模型上通过计算图仿真，收集各类开销数据，快速评估资源需求，并定位性能偏差原因。其核心逻辑是基于经验与理论数据，在计算图上模拟全流程，汇总开销后形成量化结果，为集群配置提供精准参考。

在可靠性保障上，摩尔线程建立了“全生命周期管理” 体系：一是 “起飞检查”，训练前对硬件、网络进行全面检测，跑小负载验证栈稳定性，自动剔除异常节点，降低人工排查带来的时间成本和人力成本；二是“飞行检查”，实时检测训练中的hang、异常退出、训练亚健康等问题并及时处理；三是“落地检查”，训练中断时自动抓取故障上下文，定位问题根源。

针对“慢节点” 拖累整体效率的问题，摩尔线程通过两方面检查解决：起飞阶段用小工作负载测试识别明显慢节点；训练中对比节点通信时间，挑出异常节点。此举常能带来10%-20% 的性能提升。

在容错训练上，针对万卡级集群的高故障率，采用“动态摘除” 策略：若某 DP（数据并行）节点故障，将其从通信组中摘除，剩余节点继续工作；若 DP 规模较大，可摘除单个节点，跳过该节点的参数计算与更新 —— 因数据量巨大，少量数据缺失对整体效果影响极小，但能避免集群重启的巨额开销。

王华总结，算力需求激增推动低精度训练技术崛起，FP8 成为当前最优解，而摩尔线程通过软硬件全栈创新与集群管理技术，正为大规模大模型训练提供高效、可靠的支撑。未来，其开发者大会将分享更多技术探索，持续推动 AI 算力基础设施的进化。

五、对未来趋势的总结

最后，王总特别总结指出现在的AI三个大趋势：第一、算力需求的发展趋势，使得大智算集群成为训练的刚需。第二，低精度的训练，会带来大规模训练效率的提升。第三，集群的可靠性对大规模训练至关重要。（完）

相关文章