3月30日，摩尔线程正式开源MuJoCo Warp MUSA。这是具身智能领域首个基于MUSA架构的全功能GPU加速物理仿真后端，试图在机器人强化学习仿真训练这一长期由NVIDIA主导的技术赛道上，为国产算力打开一个缺口。
MuJoCo是目前学术界与工业界最广泛使用的物理仿真引擎之一，由Google DeepMind维护，OpenAI Gym、dm_control等标准平台均以其为物理后端。
原版MuJoCo主要依赖CPU运行，在复杂接触场景和海量样本生成任务中性能瓶颈明显。
为突破这一限制，DeepMind基于NVIDIA Warp编程语言推出了GPU加速版本MuJoCo Warp，并联合NVIDIA、Disney Research共同开发了Newton物理引擎，将MuJoCo Warp作为核心求解器集成其中。
摩尔线程所做的，正是为MuJoCo Warp增加对MUSA架构的原生支持，使其能够直接调用摩尔线程的全功能GPU。
从技术角度看，这并非简单的外包适配，而是在Warp编程语言与MUSA指令集之间建立了深度映射层。
据官方披露，该后端的仿真计算结果与CPU版本相比，单个仿真步长的绝对误差控制在1e-5以内，基本实现了计算精度的无损迁移。
性能层面，实际测试给出了可量化的数据。在典型四足机器人训练任务中，相较多核CPU，MuJoCo Warp MUSA实现了最高40倍的加速。
MTT S5000单卡可在1小时内完成宇树科技Go2机器狗的训练收敛；在G1人形机器人模仿学习任务中，单卡训练约4.8天完成收敛，并支持多卡近线性扩展。
这些数字放在NVIDIA Isaac Sim生态里不算顶尖，但对于从零起步的国产替代方案而言，至少证明了一条技术路径的可行性。
从产业逻辑看，这一开源项目的价值不止于加速本身。长期以来，机器人强化学习仿真训练高度依赖NVIDIA的CUDA生态和Isaac Sim平台，国产算力在这一领域长期缺乏可用、完整的基础支撑。
摩尔线程试图通过打通“云侧大规模训练—端侧SoC部署”全链路，为机器人仿真提供一套可落地的全栈国产算力参考方案。同时，其自研智能SoC芯片“长江”已经在端侧完成部署验证，意图实现从训练到推理的国产化闭环。
开源意味着选择了一条更开放的路径。摩尔线程相关负责人表示，后续将持续优化MUSA软件栈，并推进通用机器人仿真训练平台Lambda Lab的整合与开源共建。
这种方式能否吸引足够多的开发者参与，形成一个真正活跃的国产仿真生态，还需要时间检验。
一个值得追问的问题是，当NVIDIA、Google DeepMind和Disney Research联合推出的Newton引擎正在逐步统一机器人仿真标准时，国产算力选择在DeepMind主导的MuJoCo Warp分支上另起炉灶，究竟是找到了差异化突破口，还是会面临生态孤岛的风险？
开源只是第一步，后续的社区建设和商业验证才是真正的考验。
匿名用户
