工联网消息(IItime) 2026年，AI产业正式迈入Token（词元）时代。Token不仅是大模型的基础计量单位，更已成为AI产业的核心生产要素。

在摩尔线程2026产品发布会现场，创始人、董事长兼首席执行官张建中抛出了一个让人眼前一亮的观察：“以前我们谈论IoT，是Internet of Things，今天的IoT应该叫Intelligence of Things。”他认为，是Agentic AI实现了这场变革。

不可否认，在Agentic AI的作用下，产业竞争逻辑已然改写。不再比拼模型参数与单点硬件性能，而是比拼云边端算力协同、生态兼容能力、全域场景落地。当三大运营商推出Token套餐、各大模型厂商转向Token运营、设备厂商拓展AI终端边界，国产算力企业在产业变局中如何精准卡位，格外值得关注。

摩尔线程作为国内首家全功能GPU上市公司，在去年底登陆科创板后，今年一季度营收7.38亿元，同比增长155%，成绩亮眼。值此产业拐点，其依靠硬件技术支撑，补全“云边端”全栈智算矩阵，这背后的意义远不止新品发布，而是站在行业周期高度，揭示着算力的另一场“迁徙”。

云端集群国产化，筑牢自主算力根基

在 Token 产业体系中，万卡级智算集群是核心 “词元工厂”，承载大模型预训练、强化学习、多模态训练、高并发推理等高阶任务，是整个智能产业的底层支柱。

长期以来，国内高端智算市场被海外架构主导，不仅存在供应链安全隐患，更在集群稳定性、故障容错、线性扩展、长期工程化运维上存在明显短板。无法自主掌控高端算力基础设施，就意味着国内大模型迭代、智能体产业演进、AI 产业化始终受限。

对此，摩尔线程给出了自己的答卷，完善云端产品线，筑牢智能经济算力基石。在基础算力层面，MTT S5000等云端智算板卡作为核心计算单元，为前沿模型预训练及集群化推理优化设计；在服务器层面，MTT SGX5000等智算一体机服务于大规模AI训练与推理场景；在集群层面，夸娥（KUAE）智算集群可扩展至万卡及以上规模，致力于构建生产智能的“AI工厂”。

据了解，目前基于MTT S5000芯片搭建的夸娥万卡级集群能够支撑高强度训练，不仅支持FP8到FP64全精度计算，且有效训练时长占比超过90%，在Dense大模型上的训练算力利用率达到60%，MoE大模型上达到40%。

摩尔线程落地夸娥万卡级智算集群，最大行业价值不在于补充算力供给，而在于完成国产全功能 GPU 在超大规模集群领域的全链路工程化验证，集群训练稳定性、模型训练精度等均达到国际主流水平。

这一突破对产业的重要影响体现在两大方面。一是高端智算彻底自主可控，国内科研机构、模型企业、行业大厂可依托国产集群完成大模型全流程训练与迭代，摆脱外部技术依赖，守住AI产业安全底线。近日，摩尔线程MTT S5000已通过国家《安全可靠测评》。

二是构建国内Token发展产业链，依托本土资源，形成“算力—模型—词元—行业应用”的闭环生态。与此同时，摩尔线程深度融入全球开源推理生态，实现主流大模型 Day-0 即时适配，原生接入国际顶级推理框架，让国产算力不再是孤立替代，而是无缝融入全球 AI 开发生态。

端边算力下沉，推动智能体走向普惠

适应Token 时代，目前产业更为认可的趋势是算力下沉、智能下沉、服务下沉。大量日常交互、生活服务与办公协作可以本地推理完成，兼顾低时延、高隐私，保证 7×24 小时在线。

与此同时，智能从云端进入客厅、书房、教室、办公室等生活场景，打造智能时代个人专属的“AI搭子”。

过去行业最大短板，是终端形态碎片化。以家庭场景为例，PC 只管办公、NAS 只管存储、智能音箱等终端只能被动应答，设备割裂、算力不通，完全无法承载 AI 智能体自主规划、跨应用调度、长期记忆进化的核心需求。用户缺少一体化、极简部署、融合算力、存储与智能交互的家庭 AI 中枢形态。

对此，摩尔线程以自研统一 SoC 为算力底座，布局个人、家庭及行三大赛道，重新定义端侧智能硬件的价值逻辑与形态标准，把智能体从专业开发者圈层，真正带入普通家庭、个体创作者与千行百业。

在个人与开发者赛道，新一代 AI 算力本MTT AIBOOK打通 Linux、Windows、安卓三大生态壁垒，一台设备覆盖用户的全场景使用，并且预置“龙虾”智能体，开箱即用。

在家庭场景，创新MTT AICUBE全新终端形态，融合“智能体 + AI PC + AI NAS”能力于一体，打造拥有专属、有记忆、能主动服务的家庭智能中枢。

在工业边缘领域，AI 模组MTT E300可适配宽温、高可靠工业场景，覆盖工业质检、能源巡检、智慧教室、具身智能等领域，实现行业 AI 推理本地化、设备智能化快速部署，加速 AI 与实体经济深度融合。

化身“跨界演员”，布局长期生态

AI 产业竞争，短期看硬件，中期看产品，长期看生态。

国产 GPU 多年发展的最大短板，从来不是硬件设计能力，而是软件栈、算子库、开发框架、迁移工具生态不成熟，导致开发者不愿适配、应用落地缓慢，硬件性能难以转化为产业价值。

对此，摩尔线程持续迭代 MUSA 全栈软件生态，坚持 “兼容主流、开放共建” 路线，其核心价值在于大幅拉低国产算力的开发与迁移门槛。

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。其中核心 API、数学库、AI 算子、主流框架实现高度兼容，大量原有 CUDA 项目可低成本平滑迁移；同时配套 AI 编程工具、自动化迁移体系、开源编译器适配，降低普通开发者入局门槛，加速国产开发者社群与应用生态成型。

长久来看，生态逐渐成熟将催生行业质变。AI迁移成本下降、模型部署周期缩短、行业应用创新提速，国产算力有望从 “可用” 逐渐走向 “好用”“易用”“规模化商用”。

未来5至10年，以具身智能为核心的物理AI将成为AI下一波浪潮。面向这一新兴赛道，摩尔线程以全功能GPU为核心，推出全栈国产化具身智能仿真平台MT Lambda，打破传统开发、仿真、训练割裂的痛点，打通从大模型训练到仿真模拟再到端侧真机部署的全链路，降低机器人研发试错成本、缩短训练周期的同时，实现仿真到现实的高效迁移。

随着AI重构产业底层规则，算力成为数字经济的新生产力，如何打通“云边端”已成为行业必答题。直面现在抑或将来，AI 产业的竞争，终究是算力底座、生态体系与场景落地的综合比拼。