近日，摩尔线程与香港大学计算与数据科学学院（School of Computing and Data Science, CDS）围绕研究生课程DASC7606C Deep Learning开展教学实践合作。课程覆盖约150名学生、12个项目小组，双方以国产GPU算力及MUSA软件生态为底座，通过技术讲座、课程项目实践、企业参访及学生项目答辩等多种形式，探索国产算力与高校人工智能人才培养深度融合的新路径。
本次合作不仅将摩尔线程云端算力引入课程实践选项，更鼓励学生聚焦大模型推理、具身智能、多模态内容生成等前沿方向，把课堂学习转化为真实的工程实践能力：模型部署、代码适配、性能分析与应用开发，并以可测量的任务结果中检验学习成果。
走进港大课堂：
从GPU基础原理到MUSA开发实践
9月底，摩尔线程技术专家走进香港大学，为计算与数据科学学院李弘扬教授主讲的研究生课程DASC7606C Deep Learning带来专题技术讲座。
围绕GPU并行计算、MUSA编程模型、AI模型部署及性能优化等主题，两位技术专家结合实际开发场景，系统讲解GPU在人工智能计算中的核心作用，并介绍了摩尔线程自研MUSA统一系统架构。MUSA覆盖从芯片架构、指令到上层的编程模型，再到软件运行库以及驱动程序框架等全栈技术体系，目标是让开发者在国产算力上实现更灵活、更高效、且可持续的深度学习应用开发。
在此基础上，专家进一步说明如何借助国产GPU软件生态开展深度学习应用开发，帮助学生建立对GPU软硬件协同计算的理解框架，也为后续基于摩尔线程云端算力的课程项目实践提供了关键技术基础。讲座结束后，多名港大学生在社交平台自发分享听课感受，围绕GPU架构、国产算力生态及AI开发实践等话题展开交流。
从模型部署到应用创新：
港大学生交出国产GPU实践答卷
区别于传统的企业技术分享，本次合作进一步将国产GPU算力引入香港大学Deep Learning课程的实践环节。根据课程项目说明，使用摩尔线程云端算力与MUSA软件栈完成项目集成，并在最终报告中提交性能分析与基准测试结果的团队，将获得额外的项目评分奖励，这种“以结果验证能力”的设置，为有兴趣探索不同GPU软件生态的学生提供了更具挑战、也更贴近工程的实践选项。
课程项目覆盖智能体框架设计、机器人仿真实验、真实机器人训练与部署等多个方向。学生需要围绕具体研究问题，自主完成系统设计、模型实验、性能评估及最终成果展示。从模型运行环境搭建，到PyTorch/MUSA框架适配，再到大模型推理服务部署与性能测试，学生得以在真实工程任务中理解GPU计算、AI框架和软件栈之间的关系。
在本次课程实践中，12个项目小组围绕大模型推理、具身智能、多模态内容生成、Agent应用等前沿方向开展实践，并在摩尔线程云端算力与MUSA软件栈上完成模型部署、代码适配、性能测试与应用开发，涌现出一批具有代表性的实践成果。
以下选取三个优秀学生项目，展示国产GPU在不同AI应用场景中的实践探索。
▼ 案例一｜具身智能：探索人形机器人运动生成与MUSA算子适配
学生团队围绕人形机器人运动生成与执行，将Kimodo、ARDY两种文本驱动运动生成模型接入宇树科技Unitree G1的SONIC全身控制框架，并在MuJoCo仿真环境中开展机器人抓取实验，探索从自然语言指令到机器人动作生成及执行的技术路径。
港大学生团队在MuJoCo仿真环境中开展Unitree G1机器人三指抓取实验，展示抓取、抬升与保持阶段
在摩尔线程MTT S4000/MUSA环境中，团队完成了相关模型的部署与测试，并针对运行过程中发现的注意力计算数值精度问题开展适配优化。通过调整计算路径，在特定测试条件下，将Kimodo去噪网络的相对误差从4.694×10⁻³降至7.741×10⁻⁶，降低约606倍，同时将对应去噪耗时由22.2秒缩短至6.6秒。
学生团队针对MTT S4000/MUSA环境中的注意力算子数值偏差开展适配修复，并对比修复前后的计算误差
这一成果不仅展示了学生在具身智能算法层面的探索，也展现了其在真实模型工作负载下完成GPU算子适配、数值精度优化与性能调试的工程实践能力。
▼ 案例二｜多模态生成：基于国产GPU为儿童英语学习创作教学动画
学生团队开发了面向儿童英语词汇学习的智能视频生成系统Vocagent。系统以英语单词作为输入，通过多个AI模型协同完成故事构思、分镜设计、动画视频生成、内容安全审核及字幕制作，探索利用生成式AI制作个性化英语教学内容。
Vocagent 工作流示意图
团队整合了MiniMax-H3、Qwen3-VL等六种预训练模型，并基于4张摩尔线程MTT S4000开展多模型本地部署与工作流集成。针对视频生成模型约134 GiB的权重规模及运行过程中的显存压力，学生通过跨GPU权重分配、分块计算及视频解码流程优化等方式，解决了显存不足问题，最终在国产GPU环境中跑通从英语单词输入到动画视频生成的完整流程。
儿童英语教学动画截图
这一项目将国产GPU算力与AI Agent、多模态视频生成及儿童教育场景相结合，不仅形成了直观可展示的动画作品，也体现了学生基于MUSA软件栈开展复杂AI应用开发与工程优化的实践能力。
▼ 案例三｜大模型Agent：探索S4000上的本地推理与并发优化
学生团队开发了名为ForecastLab的多智能体预测系统，通过多个AI Agent协同完成问题分析、信息检索、证据验证及预测报告生成，探索提升AI分析过程可追溯性与可解释性的实现路径。
在模型部署环节，团队基于4张摩尔线程MTT S4000，使用vLLM-MUSA部署Qwen3-8B模型，并围绕张量并行、多实例部署与并发请求处理开展性能测试。在长输入、四请求并发的特定测试条件下，通过采用4×TP1多实例架构，将聚合生成吞吐提升了约2.34倍。
学生团队开发的ForecastLab多智能体预测系统前端视图，可视化展示证据分析、情景模拟与预测生成流程
通过对不同推理架构的实验比较，学生最终选择多实例部署方案支持ForecastLab的本地大模型服务，展示了国产GPU在复杂AI Agent应用中的实践潜力，也体现了学生从模型部署向推理性能分析与系统优化延伸的工程能力。
以上项目是本次课程实践的部分代表性成果。从人形机器人运动生成与算子适配，到多模态视频生成，再到大模型Agent推理优化，港大学生基于摩尔线程S4000与MUSA软件栈，在不同AI工作负载中开展了真实的模型部署、应用开发和性能测试，也为国产GPU软件生态积累了来自高校开发者的实践经验与技术反馈。
走进摩尔线程：
近距离感受国产GPU技术与产业发展
为进一步深化产学研融合，10月8日，香港大学CDS学院DASC7606C Deep Learning课程师生到访摩尔线程上海办公室，开展企业参访与技术交流活动。
活动期间，师生们全面了解了摩尔线程在国产GPU技术、产品布局及MUSA软件生态方面的进展，并与技术专家围绕人工智能及图形计算领域的应用进行了深入交流。此次参访不仅加深了学生对AI计算基础设施的理解，也让他们对技术从学术研究走向产业应用有了更直观的认识，并了解了相关职业发展路径。
人工智能技术的快速发展，离不开持续演进的计算基础设施，也更需要具备算法理解、系统开发和软硬件协同能力的复合型人才。本次交流为香港大学相关课程学生提供了接触国产GPU技术和真实开发环境的机会，也让摩尔线程获得了来自高校学生的模型部署体验与技术反馈。
未来，摩尔线程将持续推动国产算力与MUSA生态走进更多教学与科研场景，激励更多青年开发者参与到国产AI计算生态的共建中来，真正实现国产GPU从课堂知识到实践工具的跨越。
