摩尔线程斩获SIGGRAPH大奖：国产GPU开源LiteGS，3DGS技术赋能具身智能

type

status

date

slug

summary

3DGS：开启AI视觉渲染的高效新纪元

要理解摩尔线程此次获奖的含金量，首先需要了解其背后的核心技术——3D Gaussian Splatting（3DGS，三维高斯溅射）。作为2023年横空出世的革命性3D场景表示与渲染技术，3DGS被视为继NeRF之后的又一次范式革命。

与传统的渲染技术相比，3DGS的核心优势在于实现了画质、效率与资源占用的极致平衡。它能够以数百万个可参数化的3D高斯分布来表示场景，不仅保持了逼真的渲染质量，更将渲染效率提升了数百至上千倍。这种特性使其在光线追踪、VR/AR实时渲染以及多模态融合等AI应用场景中展现出极强的适应性。

尤其是在大模型向物理世界延伸的今天，具身智能体需要快速理解并操作真实环境。3DGS的高保真与低延迟特性，恰好为构建准确的“世界模型”提供了完美的技术底座。

60秒极限挑战：软硬协同的胜利

本次SIGGRAPH Asia的挑战赛设置了极为苛刻的条件：参赛团队必须在短短60秒内，基于一段10到30秒的真实终端视频序列，完成高质量的3DGS重建。这不仅考验算法的优劣，更是对底层计算硬件性能的极限压榨。

摩尔线程AI团队（MT-AI）交出了一份令人惊叹的答卷： * 平均PSNR（峰值信噪比）：27.58，位列全场前三，证明了重建画面的极高清晰度。 * 重建耗时：仅需34秒，显著领先于大多数参赛队伍。

这一成绩的取得，并非单纯依赖硬件堆料，而是源于摩尔线程独特的“软硬件协同”策略。在人工智能计算领域，单纯的算力堆砌已遇瓶颈，只有深入到底层架构的算法优化，才能实现性能的质变。

LiteGS：全栈优化的开源神兵

摩尔线程此次突围的秘密武器，是其自主研发并现已开源的3DGS基础库——LiteGS。针对传统3DGS训练时间长（往往需要数十分钟甚至数小时）的痛点，LiteGS实现了从GPU系统底层到上层算法的全链路优化。

LiteGS的技术亮点主要体现在三个层面： 1. GPU系统层创新：提出了基于“One Warp Per Tile”原则的“Warp-Based Raster”新范式。通过混合精度策略和扫描线算法，大幅降低了梯度计算的开销。 2. 数据管理层优化：引入了“聚类-剔除-压缩”流水线，利用Morton编码对数据进行动态空间重排，极大地提升了缓存命中率。 3. 算法设计层突破：摒弃了模糊的指标，采用像素不透明度梯度方差作为核心判据，能更精准地识别欠拟合区域。

测试数据显示，LiteGS在达到同等画质时，训练速度可提升10.8倍，参数量减少一半以上。这种极致的工程实用性，对于希望在端侧设备部署AI应用的开发者来说，无疑是巨大的福音。

面向未来：赋能具身智能与AGI

摩尔线程此次在顶会上的表现，不仅仅是一次竞赛的胜利，更是国产技术在AGI（通用人工智能）时代的一次重要卡位。随着大模型技术逐渐从文本、图像走向三维物理世界，高质量、低成本的三维重建技术将成为具身智能落地的关键。

LiteGS的开源，意味着开发者可以更低门槛地构建训练场景，加速机器人路径规划、环境感知等能力的进化。当AI能够以人类的速度甚至更快的速度“看清”并“理解”三维世界时，我们距离真正的智能时代将更近一步。

结论

从斩获SIGGRAPH大奖到开源LiteGS，摩尔线程展示了中国科技企业在图形计算与人工智能领域的深厚积淀。这不仅是对其硬件实力的自证，更是对全球开源社区的贡献。

在AI变现和应用落地的浪潮中，类似LiteGS这样的底层技术突破，将为上层应用提供源源不断的动力。如果您想获取更多关于ChatGPT、Claude以及前沿AI资讯的深度分析，欢迎访问专业的 AI新闻平台，紧跟技术变革的步伐。