Moore Threads divulga dados do GPU MTT S5000 para IA incorporada

A Moore Threads divulgou dados de desempenho de inteligência incorporada para o seu GPU MTT S5000. Segundo informações veiculadas pela imprensa especializada em 24 de setembro de 2026, as curvas de treinamento do componente acompanham GPUs internacionais de grande circulação com um coeficiente de correlação de 0,976 sob variáveis controladas. O anúncio foca em métricas mensuradas de aprendizado por reforço e aplicações práticas em robôs reais.

De acordo com Yang Shanshan, vice-presidente sênior da Moore Threads, as cargas de trabalho de inteligência incorporada exigem uma computação composta. A executiva afirma que esse fluxo precisa combinar o treinamento do modelo, a renderização e a simulação de física em uma única infraestrutura. A companhia informou ainda que o suporte ao MTT S5000 passou a integrar o framework aberto de aprendizado por reforço RLinf a partir da versão 0.3, com testes de integração contínua rodando no próprio hardware S5000 para detectar regressões antes do lançamento.

Ajustes de engenharia e resultados em robótica

Para otimizar o desempenho no setup avaliado, a empresa aplicou alterações de engenharia que incluíram a transferência do processamento de imagem para a GPU, a fusão de loops de verificação de ruído e a substituição de escalares em Python por tensores do dispositivo. Essas mudanças reduziram o tempo de etapa única de 2.549 segundos para 1.888 segundos — uma diminuição de cerca de 26% — e reduziram a taxa de ociosidade da GPU de 18,5% para 3,1%.

A fabricante alega que o MTT S5000 obteve desempenho em GEMM e atenção entre 1,6 e 2 vezes superior ao de GPUs internacionais nas configurações testadas. Em aplicações práticas, a montagem com dois braços em robôs reais alcançou cerca de 92% de taxa de sucesso, reduzindo o tempo de operações precisas em aproximadamente 39,5% na comparação com a linha de base. Por outro lado, o pesquisador Yu Chao, da Tsinghua University Shenzhen International Graduate School, observou que o suporte doméstico maduro para renderização nessas arquiteturas ainda é incomum quando comparado a aceleradores focados apenas em treinamento.