3月30日，摩爾線程正式開源MuJoCo Warp MUSA。這是具身智能領域首個基于MUSA架構的全功能GPU加速物理仿真后端，補齊了國產算力在強化學習仿真訓練底層生態中的關鍵一環。

長期以來，大規模強化學習仿真訓練高度依賴單一國際算力架構。尤其在機器人運控訓練場景中，物理仿真、并行環境調度與大規模訓練任務對底層算力平臺和軟件棧提出了極高要求，國產算力在這一領域長期缺乏可用、完整的基礎支撐。

MuJoCo Warp MUSA的開源，標志著國產全功能GPU在強化學習仿真訓練領域實現了從無到有的突破。通過打通云側大規模訓練與端側自研SoC芯片部署路徑，摩爾線程率先為機器人仿真領域提供了可落地、可驗證的全棧國產算力參考方案。該方案通過全鏈路并行加速與高效分布式擴展，在足式機器人運控訓練任務中實現了相較CPU最高40倍的訓練加速。

MuJoCo Warp MUSA：

為MuJoCo引入MUSA原生支持

MuJoCo（Multi-Joint dynamics with Contact）是由神經科學家Emo Todorov開發、現由DeepMind維護的高精度物理引擎。憑借對多關節機器人、摩擦、碰撞、肌肉與電機驅動等復雜物理交互的穩定模擬能力，MuJoCo已成為學術界與工業界廣泛使用的物理仿真平臺之一，OpenAI Gym、dm_control等標準模擬平臺均已集成MuJoCo作為物理仿真后端。

早期開源的MuJoCo主要基于CPU運行，在復雜接觸場景和海量強化學習樣本生成任務中，性能瓶頸較為明顯。為提升效率，MuJoCo團隊與國際主流GPU廠商合作，基于Warp編程語言推出了GPU加速版本MuJoCo Warp。

此次，摩爾線程為MuJoCo Warp增加了對MUSA架構的原生支持，使MuJoCo物理引擎能夠直接調用摩爾線程全功能GPU，加速機器人物理仿真與強化學習訓練任務。

圖注：MuJoCo Warp MUSA機器人仿真訓練的階段性過程Viser回放。

關鍵測試結果

*更多測試結果可參見摩爾線程開發者公眾號

▼基礎單元測試：MuJoCo Warp MUSA與MuJoCo Warp CPU版本完成嚴格一致性對齊，單個仿真步長計算結果的絕對誤差控制在 1e-5 以內，并通過 Viewer 可視化驗證，對比結果如下：

視頻：Humanoid GPU-CPU 對比測試，配置參數如下。

nbody:17

solver:NEWTON

iterations:10

integrator:EULER

視頻：LeRobot GPU-CPU 對比測試，配置參數如下。

nbody:10

solver:NEWTON

iterations:10

integrator:EULER

▼四足機器狗訓練：在宇樹Go2四足機器狗平地運控任務中，MTT S5000單卡處理4096個仿真環境僅需7~8 秒，相較多核CPU的280~300秒，實現最高約40倍加速，單卡1小時完成收斂，大幅縮短了訓練周期。

圖注：Go2機器狗平地環境運控，關鍵訓練配置參數如下。

num environment:4096

solver:newton with PCG 10 iterations

ccd_iterations:50

num_steps_per_env:24

decimation:4

▼兩足人形機器人訓練：在宇樹G1人形機器人動作跟蹤任務中，MTT S5000單卡約4.8天完成模仿學習收斂，驗證了MuJoCo Warp MUSA在高難度人形機器人任務中的穩定性。

圖注：G1人形機器人動作跟蹤（Motion Tracking）訓練實驗。

▼分布式GPU加速測試：在數據并行策略下，MuJoCo Warp MUSA支持多卡近線性擴展，8卡訓練收斂加速達8倍以上，32卡最快約3.6小時完成訓練。

圖注：G1人形機器人動作跟蹤訓練，MTT S5000單卡與8卡訓練結果對比。

圖注：分布式加速性能。表中“時間”為單步仿真耗時，“倍數”為訓練收斂加速比。如上表所示，采用數據并行（Data Parallelism）策略：每張GPU運行4096個env環境，一共同時計算8×4096 = 32,768個env，進行分布式并行仿真，收斂速度隨GPU數量增加接近線性提升，而單次迭代耗時基本不變。

▼Sim2Real真機驗證：四足機器狗與兩足人形機器人均已完成真機驗證，訓練策略可穩定遷移至真實機器人，展現出良好的動作跟蹤精度、動態平衡能力與現實部署可行性。

圖注：兩足人形機器人真機驗證，高精度跟蹤舞蹈動作軌跡。

從訓練到部署：

自研SoC芯片協同，打通云邊端

MuJoCo Warp MUSA的意義不僅在于訓練加速，更在于進一步打通從仿真訓練到真實部署的關鍵鏈路。

在真機部署階段，機器人本體采用摩爾線程自研的長江SoC芯片作為端側控制核心。該芯片不僅可以滿足基礎運控策略的實時執行需求，也可支持語音 TTS、ASR、各類 CV 模型以及端側大模型部署。

通過“云側大規模訓練加速 + 端側高效執行部署”的協同，摩爾線程初步構建起了從仿真訓練到真機部署的完整閉環支持，也為具身智能終端提供了全棧的國產算力支撐。

圖注：正在進行策略部署調試中的機器狗，端側控制采用摩爾線程長江SoC芯片。

圖注：使用摩爾線程長江SoC芯片對機器狗進行端側控制的真機運行效果。

開源共建：

持續完善國產具身智能基礎設施

MuJoCo Warp MUSA 的開源，是摩爾線程在機器人仿真方向邁出的關鍵一步，也為國產具身智能生態補上了重要的底層能力。

通過提供自主可控的物理仿真加速方案，摩爾線程希望為開發者與科研機構提供了更具可行性的國產技術底座，加速推動機器人從虛擬訓練走向真實應用。

后續，摩爾線程將持續優化MUSA軟件棧，并計劃將當前成果進一步整合重構為通用的機器人仿真訓練平臺Lambda Lab，面向具身智能開發者持續推進開源共建。

MTT KUAE 開放試用申請：

https://metapark.mthreads.com/kuaetry

MuJoCo Warp MUSA開源地址：

https://github.com/MooreThreads/mujoco_warp_musa

*以上測試數據、視頻及圖片均來源于摩爾線程具身智能實驗室。

關于摩爾線程

摩爾線程以全功能GPU為核心，致力于向全球提供加速計算的基礎設施和一站式解決方案，為各行各業的數智化轉型提供強大的AI計算支持。

我們的目標是成為具備國際競爭力的GPU領軍企業，為融合人工智能和數字孿生的數智世界打造先進的加速計算平臺。我們的愿景是為美好世界加速。