摩爾線程：以統一架構突破生態競爭壁壘

在AI時代，芯片公司如果缺乏成體系的知識產權布局，很難被視為真正掌握核心技術。

文｜胡嘉琦

ID | BMR2004

近日，國產GPU廠商摩爾線程（688795.SH）對外披露，正式推出AI Coding Plan智能編程服務。這一新產品依托MTT S5000 的全精度計算能力，通過軟硬件協同架構實現算力效率倍增，把原本偏底層的GPU能力，直接轉化為面向開發者的生產力工具。這一步標志著國產GPU企業開始從單純的硬件供應商，走向完整計算平臺的構建者。

摩爾線程成立于2020年6月，于2025年底登陸科創板，以88天的科創板IPO最快過會紀錄引發市場關注。它的目標并不止于填補算力缺口，而是試圖搭建面向全球的加速計算基礎設施和一站式解決方案，為各行業數智化轉型提供底層支撐。

如果說算力是入場券，那么體系化能力才是能否長期留在牌桌上的關鍵。圍繞這一更深層的競爭維度，《商學院》記者采訪了摩爾線程相關負責人及行業專家，試圖還原一個更少被外界看到的部分：國產 GPU企業如何在專利體系與底層架構層面，搭建屬于自己的“護城河”。

01

從產品的角度布局專利

在專利策略上，摩爾線程不是單純追求數量增長，而是強調高價值專利的培育。

《商學院》記者從摩爾線程相關負責人處了解到，截至 2025 年 6 月，摩爾線程已累計獲得授權專利 514 項，其中發明專利 468 項，數量在國內GPU企業中位居前列。值得注意的是，這些專利并非零散分布，而是高度圍繞AI計算的核心鏈條展開，覆蓋處理器架構設計、AI應用加速與并行計算優化、驅動與底層軟件系統，以及GPU算力集群與高性能互聯等關鍵方向，逐步形成系統化布局。

在專利策略上，摩爾線程不是單純追求數量增長，而是強調高價值專利的培育。

高價值專利指GPU研發中，集中于處理器架構設計、并行計算優化、內存管理機制、高速互聯協議、編譯器與驅動優化、能效控制及AI計算加速等關鍵環節，這些技術直接影響性能、能效和兼容性，容易形成技術壁壘。

2024年，摩爾線程在兩項全國性高價值專利賽事中斬獲佳績：夸娥智算集群項目榮獲中國海淀高價值專利培育大賽一等獎，全功能GPU項目獲得中國雄安高價值專利大賽金獎，體現了其在核心技術研發和專利管理上的深度積累。

資深產業經濟觀察家梁振鵬在接受《商學院》采訪時指出，擁有高價值專利能夠增強企業技術話語權，支持硬件適配和軟件開源等生態合作，并在全球競爭中防御侵權風險、提升許可議價能力，助力構建自主可控的產業鏈。

梁振鵬認為，GPU企業對專利的關注點，應該轉向對產業落地和商業應用的整體支撐能力，即專利是否能夠支撐完整的技術體系和產業解決方案。

在專利組合評估與商業化落地方面，企業需要綜合考量技術覆蓋度、法律穩定性、市場關聯度以及競爭對手規避難度，分析專利對產品功能、成本控制和生態兼容性的實際支撐作用。關鍵指標包括專利引用率、權利要求范圍、地域覆蓋、訴訟歷史以及標準化貢獻。企業應平衡數量與質量，在核心領域布局高價值專利，同時輔以外圍專利形成保護網，避免盲目追求數量。

在這一背景下，摩爾線程的知識產權管理也實現了系統化轉變。通過國家級知識產權貫標認證，公司將管理重心從單一法務事務擴展至研發、管理和技術轉化的全流程體系。專利布局開始前置參與產品規劃、技術路線選擇及市場策略制定，成為企業長期發展的基礎設施，而非事后補救手段。

這些動作背后，是摩爾線程在認知層面的轉變。在 AI 時代，芯片公司如果缺乏成體系的知識產權布局，很難被視為真正掌握核心技術。GPU早已不再只是單一硬件產品，而是由指令系統、編譯器、驅動、算子庫、調度系統和集群架構共同構成的復雜計算平臺。每一個環節都對應著可沉淀為專利的技術創新，每一個技術節點，都可能在未來的商業合作與產業博弈中成為關鍵籌碼。

02

硬件差異化空間正在被壓縮

晶體管密度提升的成本呈指數級增長，而性能提升幅度卻不斷收窄，制程紅利明顯遞減。

對于GPU這類對晶體管密度、能效和頻率高度依賴的芯片而言，制程工藝仍是決定性能密度與功耗表現的關鍵因素。

摩爾線程目前多款產品主要采用成熟的中高端工藝節點制造。例如，2022年面向信創市場的MTTS50 即基于12nm制程實現量產。這一節點在圖形產品上是一種穩健可靠的選擇，有利于快速實現量產與成本控制。

從行業整體來看，目前，主流高性能GPU已逐步向更先進的工藝節點演進，先進制程通常意味著更高的晶體管密度與更優的能效表現。《商學院》記者從業內人士處了解到，目前行業普遍采用的是基于7nm的制程工藝。

相比之下，國際領先GPU廠商如英偉達在頂級產品上多采用臺積電的4nm節點執行先進制造，這帶來了更高的性能密度與能效優勢。國內晶圓代工在先進節點方面受到全球供應鏈與設備限制的制約，目前最先進節點的成熟度和良率仍有提升空間，這也直接影響國產GPU在高性能和低功耗方面的極限表現。

在當前階段，摩爾線程主要通過在設計層面優化架構與調度策略，同時結合成熟工藝節點，使其產品在能耗和性能之間取得市場折衷，并控制成本與供貨穩定性。這種策略不僅適用于現階段產品快速落地，也為未來隨著國內先進制程能力的逐步提升留出迭代空間。

在中南財經政法大學知識產權研究中心教授曹新明看來，這一變化，首先源于硬件層面的物理邊界正在逼近。隨著先進制程逐步邁入3nm甚至2nm節點，晶體管密度提升的成本呈指數級增長，而性能提升幅度卻不斷收窄，制程紅利明顯遞減。同時，全球先進制程產能高度集中在少數廠商手中，英偉達、AMD、高通等企業在制造端普遍依賴臺積電、三星和英特爾等代工體系，硬件差異化空間被進一步壓縮。

03

統一架構與軟件生態

當今GPU產業的競爭重心正經歷一場結構性遷移，IP體系與開發者生態成為關鍵。

如果說硬件物理極限壓縮了依靠制程拉開差距的空間，那么軟件生態的成熟，則顯著抬高了產業競爭的門檻。

曹新明指出，當今GPU產業的競爭重心正經歷一場結構性遷移。制程工藝（摩爾定律）與原始算力指標（FLOPS）仍然是進入這一行業的基礎門檻，但真正決定企業長期盈利能力與產業地位的因素，正越來越多取決于專利壁壘構成的IP體系，以及由軟件棧支撐的開發者生態。

《商學院》記者從摩爾線程負責人處獲悉，摩爾線程圍繞自主研發的MUSA（Meta-computing Unified System Architecture）構建起其技術與生態的核心支撐。

MUSA架構是摩爾線程自主研發的融合GPU硬件和軟件的全功能GPU計算加速統一系統架構。該架構涵蓋從芯片架構、指令集、編程模型到軟件運行庫及驅動框架的全棧技術體系，旨在為各類并行計算場景提供高性能計算能力，基于MUSA架構能夠高效支持AI計算、圖形渲染、物理仿真、科學計算以及超高清視頻編解碼等多元高性能計算場景。

經過五年深度研發與持續迭代，全新升級的MUSA 5.0 標志著這一統一架構進入相對成熟的新階段，在全棧統一性、計算效能與生態開放性方面均取得關鍵突破。在編程生態上，MUSA不僅原生支持MUSA C，還深度兼容TileLang、Triton等現代并行編程語言，為開發者提供更靈活高效的全棧開發體驗，從而降低遷移與適配成本。在計算性能方面，核心計算庫 muDNN在GEMM和FlashAttention等關鍵算子上實現接近理論上限的效率，通信效率也大幅提升，同時編譯器性能獲得成倍優化，并集成高性能算子庫，顯著加速模型訓練與推理全流程。

與此同時，MUSA的生態策略進一步延伸至開放體系建設。據悉，摩爾線程正計劃逐步開源包括計算加速庫、通信庫以及系統管理框架在內的核心組件，將深度優化的底層能力向開發者社區開放，以此吸引更多合作伙伴參與生態共建。

此外，曹新明認為，在軟件生態背后，專利正在發揮越來越基礎性的制度支撐作用。

GPU的軟件棧并非簡單的工程堆砌，而是包含大量底層創新，例如編譯優化技術、并行計算調度策略、驅動與硬件協同機制，以及對主流 AI 框架的深度適配能力等，這些都涉及可以專利化的核心技術。缺乏知識產權體系支撐的軟件能力，很難在跨企業合作和產業分工中獲得充分信任，也難以形成穩定的生態聯盟。

04

后來者的競爭

未來GPU專利競爭將更加聚焦異構計算、AI融合、軟硬件協同優化以及新興應用場景。

在GPU產業中，對后來者而言最明顯的變化，就是進入門檻被顯著抬高了。

后來者往往要在看不到市場回報的情況下，先投入巨額資金完成芯片研發與流片。但硬件做出來只是第一步，如果缺乏成熟的編譯工具、驅動支持和主流AI 框架適配能力，開發者很難高效使用這顆芯片，用戶也不會輕易遷移平臺。沒有用戶規模，生態無法形成；沒有生態，產品就難以落地。這種循環，使 GPU行業的起步難度遠高于多數半導體細分賽道。

今天的開發者早已深度綁定英偉達的CUDA及其工具鏈，訓練流程、算子優化、工程經驗都建立在既有平臺之上。除非新平臺能提供數量級的性能或能效優勢，否則很難說服開發者重寫代碼、重建流程。這也是為什么不少AI芯片公司并未選擇完全自建生態，而是優先強調對CUDA或主流框架的兼容，本質上是借助現有體系降低進入難度。

摩爾線程的策略同樣體現出這種務實取向。一方面推進自有編程模型和底層庫建設，試圖形成可控的技術底座；另一方面又強調對主流圖形接口和AI框架的適配，在“自主體系”與“現實兼容”之間找到平衡點。

與生態壁壘并行存在的，是越來越難以回避的專利與法律風險。曹新明向《商學院》記者分析，GPU關鍵技術經過多年積累，核心領域早已布滿專利布局。新進入者在產品上市前，往往需要進行復雜而昂貴的專利排查，以確認自身方案是否存在侵權隱患。一旦卷入與頭部企業的專利糾紛，漫長的訴訟周期和高額成本，足以給資金并不充裕的公司帶來沉重壓力。

曹新明認為，在這樣的環境下，對于后來者更現實的路徑，是聚焦特定垂直場景，在相對封閉的應用環境中建立針對性優化的技術棧，例如自動駕駛推理、邊緣計算或工業視覺等領域。在這些場景里，系統功耗、時延或環境適應性往往比通用算力更重要，后來者有機會通過“場景深耕”形成差異化能力，而不是全面復制通用GPU生態。

從更長遠看，GPU產業格局也并非完全固化。開源硬件和開源軟件的興起，正在為行業帶來新的變量。RISC-V向量擴展等路線，為構建不同于傳統體系的高性能計算平臺提供了技術基礎；PyTorch、TensorFlow等框架的開源化，也讓硬件廠商有機會圍繞通用軟件生態做優化，而不必完全依賴單一廠商的專有平臺。這些變化暫時難以撼動既有格局，但在長期維度上，為后來者保留了一些進入空間。

梁振鵬認為，未來GPU專利競爭將更加聚焦異構計算、AI融合、軟硬件協同優化以及新興應用場景，如元宇宙和自動駕駛。同時，軟件生態建設的趨勢將向開源開放發展，企業可通過標準必要專利與開源協議的結合，擴大自身技術和市場影響力。對于后來者而言，可采取的策略包括專注于細分技術突破以形成專利優勢，積極參與開源社區積累生態影響力，通過合作許可快速獲取關鍵技術，并注重國際化布局與風險預警，從而在激烈的全球競爭中爭取立足空間。