取代CUDA！摩尔线程重磅发布MUSA 4：支持海光x86处理器

最新推荐文章于 2025-12-08 19:20:46 发布

原创最新推荐文章于 2025-12-08 19:20:46 发布 · 440 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#科技

部署运行你感兴趣的模型镜像

快科技4月13日消息，摩尔线程MUSA SDK是一套完整的GPU并行计算开发环境，专为利用摩尔线程GPU加速程序而设计，也是NVIDIA CUDA开发环境的国产替代之一。

MUSA SDK包含运行时、C/C++编译器、GPU加速计算库、迁移和优化工具等组成的MUSAToolkits工具包，以及计算库、神经网络加速库、通信库等一系列开发工具，开发者可以一站式安装MUSA应用开发环境。

借助MUSA SDK，开发者能够轻松地利用摩尔线程GPU，加速各种应用，涵盖企业数据中心、桌面、工作站、云平台、超级计算机等多个领域。

现在，MUSA SDK重磅升级到了4.0.1版本，支持Intel处理器＋Ubuntu操作系统、海光处理器＋Kylin麒麟操作系统组成的平台。

原文链接：取代CUDA！摩尔线程重磅发布MUSA 4：支持海光x86处理器--快科技--科技改变未来

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch

Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

rrokoko

关注关注

5
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

MUSA移植案例系列 - 分子动力学模拟应用GROMACS

摩尔线程blog中心

06-25

1575

Gromacs 是一款用于模拟生物大分子的软件，其核心是一个高效的分子动力学模拟程序。Gromacs 通过使用 GPU 加速来提高计算效率，目前 Gromacs 的 GPU 加速功能已经支持 NVIDIA、AMD 的 GPU 以及能够运行 OpenCL 程序的设备。为了让 Gromacs 能够在 MUSA 平台上运行，我们需要将 Gromacs 移植到 MUSA 平台上，从而实现利用 MUSA 平台的高性能计算资源来加速 Gromacs 计算的目的。

半导体技术基础

吴建明wujianming_110117

04-13

4391

半导体技术基础 AI的许多数据处理涉及矩阵乘法和加法。大量并行工作的GPU提供了一种廉价的方法，但缺点是更高的功率。具有内置DSP模块和本地存储器的FPGA更节能，但它们通常更昂贵。 AI芯片该使用什么方法原理去实现，仍然众说纷纭，这是新技术的特点，探索阶段百花齐放，这也与深度学习等算法模型的研发并未成熟有关，即AI的基础理论方面仍然存在很大空白。这是指导芯片如何设计的基本前提。因此，集中在如何更好的适应已有的数据流式处理模式进行的芯片优化设计。

参与评论您还未登录，请先登录后发表或查看评论

torch_musa的使用

weixin_42209537的博客

02-04

2084

2、都可以将模型的部分或全部操作从CPU转移到硬件加速器上执行，从而提高模型的运行速度。2、musa目前仅支持部分pytorch操作，CUDA几乎支持所有的pytorch操作。1、musa是基于FPGA的硬件加速器，CUDA是基于GPU的硬件加速器。③训练或测试的时候输入的数据的device需要也是musa的。1、都是用于加速pytorch模型运行的硬件加速器。cuda的三张图正好对应着musa的三张图。④输入模型的数据，需要设置device。示例三：cuda与musa的对比。注意：device的设置。

摩尔线程MUSA架构深度调优指南：从CUDA到MUSA的显存访问模式重构原则

AladdinEdu，你的AI学习实践工作坊。让想法落地，让研究加速。助力高校AI人才成长，点亮创新未来。

07-13

1911

当国产GPU的硬件潜力通过显存访问重构完全释放，MUSA架构正展现出惊人的性能跃升。本文揭示的优化方案已在自动驾驶感知系统中验证——单卡处理延迟从42ms降至18ms，满足L4级实时需求。在算力自主化的征程中，每一字节显存的高效利用，都是中国半导体产业打破性能壁垒的关键一步。随着MUSA 2.0架构的到来，我们终将见证国产GPU在性能与生态的双重超越。

国产GPU技术新突破：解析摩尔线程MUSA 4如何挑战CUDA生态

weixin_50197960的博客

04-14

1953

摩尔线程通过 MUSA 4 展示了其在软件栈上的持续投入，而对海光 x86 处理器的适配，则进一步扩展了其在国产算力生态中的落地空间。从底层硬件到系统级开发平台，摩尔线程正逐步建立起自主可控的 GPU 软件体系。未来，MUSA 是否能成为国产异构计算平台的主流接口，关键在于性能表现、生态扩展能力以及开发者社群的支持。而此次与海光的协同无疑是向前迈出的关键一步。

手把手教你使用 Docker+GPUStack 快速搭建企业级大模型服务平台，轻松实现从单机到集群的高效扩展！

民工哥的博客

06-04

984

GPUStack 支持各种 AI 模型，包括大型语言模型（LLMs）、扩散模型、音频模型、嵌入模型和重新排序模型。此外，它还简化了用户和 API 密钥的管理，提供了 GPU 性能和利用率的实时监控，以及令牌使用和速率限制的有效跟踪。此外，它还简化了用户和 API 密钥的管理，提供了 GPU 性能和利用率的实时监控，以及令牌使用和速率限制的有效跟踪。：支持从大语言模型（LLMs）、多模态模型（VLMs）、扩散模型、语音模型到嵌入和重新排序模型的广泛模型。

Docker 运行 GPUStack 的详细教程

随笔记录-分享&记忆

03-09

5974

CUDA（Compute Unified Device Architecture）是 NVIDIA 提供的一个并行计算平台和编程模型，它使开发者可以使用 NVIDIA GPU 进行高性能计算。通过本指南，您可以在支持 NVIDIA GPU 的 Linux 环境中快速部署 GPUStack，并实现异构 GPU 集群的管理与大模型服务。页面，支持从 Hugging Face 或本地导入模型。通过以上步骤，您可快速搭建一个支持异构 GPU 资源调度的企业级大模型服务平台，实现从单机到集群的高效扩展。

AI 基础概念一：芯片类型和软硬件框架

楚來客的专栏

07-12

1278

它针对的是华为自家的昇腾 AI 处理器，作用是连接上层 AI 框架（如 TensorFlow、PyTorch、MindSpore 等）和底层昇腾硬件，通过优化计算任务调度和资源管理，最大化昇腾芯片的性能。英伟达当前主流的AI芯片包括Blackwell系列（如B200、GB200、Blackwell Ultra）、Hopper系列（如H100、H800）、Ampere系列（如A100、A800），以及面向中国市场的特供版B40/6000D，同时已预告下一代Rubin架构芯片（2026年发布）。

GPU架构与桌面级图形显卡

吴建明wujianming_110117

03-31

9277

GPU架构与桌面级图形显卡 GPU芯片设计为主的集成电路高科技公司。致力于创新面向元计算应用的新一代GPU，构建融合视觉计算、3D图形计算、科学计算及人工智能计算的综合计算平台，建立基于云原生GPU计算的生态系统，助力驱动数字经济发展。注于研发设计国产全功能GPU芯片及相关产品，构建面向数据中心、边缘计算、高性能PC及工作站的计算加速平台，为中国科技生态合作伙伴提供强大的计算加速能力。本文参考链接 https://www.mthreads.com/news 重磅发布第一代MUSA架构GPU，以元计算赋

摩尔线程国产显卡 MUSA 并行编程学习笔记-2024/11/24

weixin_47469677的博客

11-24

1068

Ubuntu+Driver+Toolkit+conda+pytorch+torch_musa环境安装（Here）Linux环境是练习编程的基本土壤，本文针对希望本地搭建Windows Ubuntu双系统，并基于Ubuntu进行编成学习的同学们。

摩尔线程国产显卡 MUSA 并行编程学习笔记-2024/11/20

weixin_47469677的博客

11-22

1430

Chapter 1。

摩尔线程国产显卡 MUSA 并行编程学习笔记-2024/11/25

weixin_47469677的博客

11-25

1246

异构计算是指系统同时使用多种处理器或者核心，这些系统通过增加不同的协处理器(Coprocessors）提高整体的性能或者资源的利用率。常见的搭配有CPU+GPU、CPU+FPGA、CPU+DSP等为什么有了CPU还要用GPU？CPU vs GPU专注于保证计算的低延迟保证计算的高吞吐快相对低计算核心少而强多而相对弱擅长穿行命令，处理复杂的数据类型计算密集型&易于并行的程序架构图。

摩尔线程国产显卡 MUSA 并行编程学习笔记-2024/11/26

weixin_47469677的博客

11-26

2323

GPU硬件架构（Here）

摩尔线程国产显卡 MUSA 并行编程学习笔记-2024/11/21

weixin_47469677的博客

11-22

1285

A：针对pytorch中的每个operator进行dispatchkey计算，将Pytorch中的Operation与MUSA中的kernel进行关联，从而下发计算任务至kernel并进行计算。术语实在有点多，第一遍看过去难度有点大，希望能够先统领的梳理一下各个概念的关系再深入到技术细节，然后课后也特别希望能够由一个习题进行联系。Unboxing = 异质表达 = 不同 layout 的数据对象，可以针对不同任务定制实现，所以效率更高。

科技企业AI大模型部署指南：从算力搭建到价值落地

最新发布

idcicp_com的博客

12-08

461

当宝钢通过钢铁行业专属AI大模型将高牌号硅钢研发实验量减少50%，当智能客服系统凭借精准的大模型推理将用户满意度提升30%，AI大模型已从技术概念转变为科技企业降本增效的核心引擎。然而，对多数企业而言，“如何科学部署AI大模型”仍是横亘在转型路上的难题——算力不足、成本失控、合规风险等问题层出不穷。本文将从实战角度出发，拆解科技企业部署AI大模型的全流程，助力企业将技术潜力转化为发展动能。

稀土功能化合物：科技与生活的“隐形助力”

2508_91165443的博客

12-04

356

稀土功能化合物是含有稀土元素的化学材料，具有独特的光、电、磁特性，被誉为"工业维生素"。其核心优势包括卓越的催化性能、优异的发光性能、强大的磁性应用和高效的环保性能。应用场景涵盖能源与环境、电子与信息技术、医学与健康以及航空航天等领域。随着研究的深入，稀土功能化合物将持续推动科技创新和绿色可持续发展，为社会进步提供重要支撑。

亚马逊云科技：Agentic AI的“iPhone时刻”正在到来

大数据在线

12-04

655

AI 正告别“炫技”，加速回归“价值”。这其中，AI Agent所扮演的角色与作用至关重要。今天，全球的开发者都在积极拥抱AI Agent来构建，标志着整个技术行业正迎来重大转折点。因此，当AI Agent加速涌现之际，AI Agent需要加速进入到生产环境和创造更多价值，已成为产业共识。无疑，亚马逊云科技提出的"Frontier Agents"（前沿智能体）的概念，标志着 Agent 技术发展的标志性时刻。

科技如何守护每一株幼苗？苗情生态监测系统带来田间新视角

jinyeyiqi659的博客

12-08

165

他们专注于监测设备的稳定性与实用性，考虑如何让设备在复杂的田间环境中可靠运行，并努力使采集到的数据能以更清晰、易懂的方式呈现给使用者。他们的工作，是希望为种植者提供一种可供选择的工具，帮助减少对作物生长状况判断的不确定性。这些设备可以默默记录下作物叶片的色泽、植株的高度、田间的温湿度、光照强度等多种信息。它不一定能替代人类的经验，但或许可以成为经验的有益补充，让我们能够以前所未有的方式，关注并理解那片沉默生长中的绿色生命。系统的角色更像是一个不知疲倦的“观察员”，为决策提供多一分的依据。

时序数据库 TDengine 助力极企科技稳跑智慧办公场景

TDengine(老段）专注时序数据库领域

12-03

804

以 MySQL 和 PostgreSQL 为例，在存储设备时序数据时，由于缺乏原生的时间分区支持，当单表数据量超过千万级后，查询性能会出现断崖式下降，需人工分表分库，运维复杂度激增。同时，未压缩的原始数据占用空间庞大，存储成本高昂。在这一过程中，他们对智能化办公、物联网和数字化管理有较高的认知与明确的建设需求，期望通过新一代技术手段实现办公环境的智能协同与运营效率的全面提升。在某大厦智能化项目中，共有 30 层楼宇，部署近万台传感器设备，涵盖人体感应、空气质量、厕位、烟雾、电量、水浸等多种类型。

摩尔线程的MUSA具体是怎样的

07-08

摩尔线程 MUSA（Moore Threads Unified Software Architecture）是一套面向 GPU 并行计算与人工智能开发的统一软件架构，旨在提供基于摩尔线程 GPU 的完整开发和运行环境。MUSA 技术架构集成了多个关键组件，包括 MUSA Toolkits、MCCL（Moore Collective Communication Library）、muDNN（Moore Deep Neural Network library）、MUSA-X Library 等，支持高性能计算和深度学习应用的开发[^1]。 ### MUSA 架构的核心组成 - **MUSA Toolkits**：提供用于并行编程的工具包，类似于 CUDA 工具链，允许开发者使用类 C/C++ 语言进行 GPU 编程。 - **MCCL**：专为多 GPU 和分布式训练优化的通信库，支持高效的 GPU 间数据交换和同步操作。 - **muDNN**：针对深度学习推理和训练优化的数学库，提供卷积、激活函数等常用神经网络算子的高效实现。 - **MUSA-X Library**：跨平台通用计算加速库，适用于多种应用场景，如图像处理、信号处理等。 ### 功能特点 - **统一编程模型**：MUSA 提供统一的编程接口，简化了在不同硬件平台上的开发流程。 - **多GPU支持**：通过 MCCL 实现多 GPU 协同计算，提升大规模 AI 训练效率。 - **兼容性设计**：MUSA 支持在 AMD CPU + Ubuntu 的异构环境中部署[^4]，表明其对多样化硬件配置的良好适应能力。 - **性能分析工具**：Moore Perf Tools 是 MUSA 套件中的性能分析工具，可用于优化应用程序在 GPU 上的执行效率。 ### 应用案例 MUSA 技术已被应用于多个实际产品中，例如： - **MTT S80 显卡**：基于 MUSA 架构打造的首款国潮显卡，面向消费级和专业图形处理场景。 - **MTT S3000**：服务器级 GPU，适用于数据中心和 AI 推理任务。 - **MCCX 元计算一体机**：结合 MUSA 软件生态，提供完整的元宇宙计算解决方案[^2]。此外，开发者可以通过安装 MUSA SDK 在 Ubuntu 系统上构建开发环境，并结合 PyTorch、Conda 等工具进行深度学习模型的训练和部署[^3]。 ```bash # 安装 MUSA SDK 示例命令 sudo apt-get update sudo apt-get install musa-toolkit ``` ---