摩爾線程AIBOOK一周實測：開箱即訓的「AI Native」體驗

新智元報道

編輯：艾倫

【新智元導讀】摩爾線程 AI 算力本（MTT AIBOOK）是專為 AI 學習與開發者打造的個人智算平臺。它搭載自研智能 SoC 芯片「長江」，提供 50TOPS 異構 AI 算力，支持混合精度計算。運行基于 Linux 內核的 MT AIOS 操作系統，具備多系統兼容能力，并預置完整 AI 開發環境與工具鏈。產品內置智能體「小麥」及豐富 AI 應用，提供開箱即用的一站式 AI 體驗。「本地寫代碼 + 小規模調試」→「云端一鍵調用大規模算力訓練」→「模型回傳本地部署」的閉環體驗，才是 MTT AIBOOK 真正的殺手锏。

最近電腦圈什么最火？那必須是「AI PC」。

甚至可以說，現在是個筆記本廠商，不在發布會上提兩句「AI」，出門都不好意思跟人打招呼。

但是咱們有一說一，市面上絕大多數所謂的「AI PC」，其實還是那個熟悉的配方：裝個 Windows，塞個稍微強點的 NPU，然后告訴你「嘿，我們可以離線跑個美顏濾鏡哦」。這就很沒勁。

對于咱們這種動不動就要跑個模型、調個參，或者想在本地搓個 AI 應用的開發者（或者準開發者）來說，這種「AI PC」就像是給法拉利裝了個自行車的輔助輪——看著挺花哨，真跑起來還是得靠那兩條用久了發燙的 x86「腿」。

直到前段時間，我們終于拿到了摩爾線程發售的 MTT AIBOOK。

這玩意兒挺奇怪，因為它居然不預裝 Windows（但它也能跑），而是預裝了一個基于 Linux 的MT AIOS。

官方管它叫「個人智算平臺」，說它是專門為 AI 開發者、學生黨準備的「第一站」。

起初我們也就是抱著「試試看國產 GPU 到底能不能打」的心態，把它當成備用機扔進了背包。

結果沒想到，一周下來，這臺本子居然成了我桌面上開機率最高的設備。

甚至有點，回不去的感覺。

今天，咱們就拋開那些花里胡哨的詞藻，實打實地聊聊：這臺塞進了國產「長江」SoC 芯片的 MTT AIBOOK，到底是噱頭，還是真家伙？

「偽裝」成筆記本的 Linux 開發站

拿到真機的第一眼，這臺 AIBOOK 居然有點「反差萌」。

按照常理，主打「硬核開發」的本子，通常都長得像塊磚，恨不得把散熱孔開到屏幕上。

但 MTT AIBOOK 拿在手里，居然有點輕薄本的意思。

全金屬機身，0.15mm 的 CNC 切割工藝，摸上去那種冷峻的磨砂感，「果味」十足。

A 面沒有任何花哨的 RGB 燈帶，甚至 Logo 都做得非常克制。

這種「謙遜」的設計語言，我個人是非常吃的。

畢竟對于開發者來說，我們不需要電腦在咖啡館里像迪廳球一樣閃瞎別人的眼，我們需要的是它在跑代碼的時候別掉鏈子。

掀開屏幕，一塊14 英寸的 2.8K OLED 屏映入眼簾。

120Hz 高刷，100% DCI-P3 色域。

有一說一，這塊屏幕的素質用來跑終端代碼屬于是「暴殄天物」，但用來回看剛生成的 AI 繪圖，那個色彩表現力確實頂。

但真正的「硬菜」，在開機之后。

按下電源鍵，沒有熟悉的「田字格」Logo，而是直接進入了MTAIOS的桌面。

懂行的朋友都知道，Linux 才是 AI 開發的「快樂老家」。

無論是 PyTorch 這些框架，還是各種開源的大模型，在 Linux 下的兼容性和效率永遠是第一梯隊。

以前我們在 Windows 上做開發，要么得忍受 WSL（Windows Subsystem for Linux）偶爾的各種怪異 Bug，要么就得自己折騰雙系統，把引導分區搞炸那是家常便飯。

MTT AIBOOK 的邏輯非常簡單粗暴：既然大家都要用 Linux，那我直接給你原生 Linux。

不僅如此，它還解決了開發者最大的噩夢——環境配置。

如果你是計算機專業的學生，或者剛入行的 AI「煉丹師」，你一定經歷過這種絕望：

為了跑通一個 GitHub 上的開源項目，你花了兩天時間裝 CUDA、配 cuDNN、換 Python 版本、解決各種依賴沖突……最后代碼還沒跑，人已經麻了。這就是傳說中的「環境配置火葬場」。

而這臺 AIBOOK，出廠就預置了 MUSA（Meta-computing Unified System Architecture） 全套開發環境。

Python、VS Code、Jupyter Notebook、PyTorch……這些吃飯的家伙什兒，開箱即用。

這就好比你去買房，以前是毛坯房，你得自己刷墻鋪地磚；

現在摩爾線程直接給了你一套精裝房，拎包入住，你只需要關心「我要寫什么代碼」，而不是「為什么 pip install 又報錯了」。

實測一： 在國產 GPU 上

「搓」圖（ComfyUI 篇）

光說不練假把式。

既然官方號稱這臺機器有 50 TOPS 的異構 AI 算力，那我們必須得給它上點強度。

我們選擇了目前 AI 繪畫圈最硬核、最能體現算力調度的工具——ComfyUI。

熟悉 AI 繪畫的朋友都知道，ComfyUI 這玩意兒雖然功能強大（節點式工作流簡直是極客浪漫），但它的安裝門檻極其勸退。

而且，它默認是深度綁定英偉達顯卡和 CUDA 生態的。

在一臺國產GPU的筆記本上跑 ComfyUI？這聽起來就像是在 PS4 上跑 Xbox 的《光環》一樣離譜。

但實測下來的過程，居然順滑得讓我有點懷疑人生。

部署：從「火葬場」到「拖拽式」

按照官方給的【初級】教程，整個部署過程不僅不需要我重新編譯 PyTorch，甚至都不需要我對著終端敲那行看著就頭疼的：

git clone

摩爾線程顯然是做了大量的底層適配工作。

他們提供了一個「特制版」的壓縮包，里面已經把適配國產架構的 Torch 庫和加速接口都打包好了。

操作步驟簡單到令人難以置信：

• 下載 AIBOOK 專版的 ComfyUI 壓縮包。

• 解壓。

• 打開終端，敲一行：

python main.py --gpu-only --force-fp16

完了。

真的，就這么簡單。當看到終端里跳出 Starting server 的字樣，瀏覽器自動彈出熟悉的節點界面時，我承認我有點感動。

這不僅僅是省事，這代表了摩爾線程的工程師在底層做了大量的「臟活累活」，把異構計算的天然屏障給抹平了。

實戰：SDXL Lightning 的「秒出」體驗

為了測試性能，我沒有用那種幾十 MB 的小模型，而是直接上了SDXL Lightning—— 這可是目前文生圖領域的高質量代表。

我加載了一個官方提供的 .json 工作流文件。

如果是沒接觸過 ComfyUI 的小白，可能會被滿屏的連線嚇到。

但在 AIBOOK 上，這種節點化的操作反而顯得非常直觀：

• 左邊是Checkpoints 加載器，我選好了下載好的sdxl_lightning_4step.safetensors。

• 中間是CLIP 文本編碼器，這里就是輸入提示詞的地方。

• 右邊是KSampler（采樣器）和VAE 解碼。

我試著輸入了一段簡潔的提示詞：

Anime style, 1 girl with long pink hair, cherry blossom background,

studio ghibli aesthetic, soft lighting, intricate details Masterpiece,

best quality, 4k

然后，深吸一口氣，點擊運行。

此時，我能明顯聽到機身內部的雙渦輪風扇開始介入，聲音有點像飛機起飛前的滑行聲——這聲音對極客來說，就是「算力正在燃燒」的悅耳音符。

屏幕上的綠色進度條在各個節點之間快速跳動。

K采樣器上的進度條僅僅走了幾秒鐘，一張可愛的小女孩圖片就出現在了最右側的預覽框里。

在這個過程中，所有的計算都在本地。

這意味著什么？

意味著我不需要把我的提示詞（可能包含一些私人的創意）上傳到云端；

意味著即使我現在拔掉網線，我依然可以坐在公園的長椅上，利用這顆「長江」SoC，源源不斷地生成我的創意。

實測二：云端聯動

硬核訓練 CIFAR-10（AutoDL 篇）

當然，肯定有硬核老哥會說：「你這也就是跑個推理，只有 50 TOPS 算力，我想訓練個大模型豈不是要等到天荒地老？」

這就問到點子上了。

筆記本畢竟是筆記本，受限于功耗和體積，它不可能塞進一張數據中心級別的計算卡。

但 MTT AIBOOK 的聰明之處在于，它從來沒想過單打獨斗。

它有一個核心理念叫——「端云一體」。

為了體驗這個功能，我按照【高級】教程，嘗試了一次經典的深度學習實戰：CIFAR-10 圖像分類訓練。

什么是 CIFAR-10？

簡單科普下，CIFAR-10 是 CV（計算機視覺）界的「Hello World」級數據集，包含 60000 張 32x32 的彩色圖片，分成了飛機、汽車、鳥、貓等 10 個類別。

我們要做的，就是從零開始構建一個卷積神經網絡（CNN），教電腦學會認圖。

無縫接入 AutoDL

這次，我沒有在本地死磕，而是利用 AIBOOK 預置的工具，直接連接到了 AutoDL 算力平臺。

這里必須提一句，摩爾線程和 AutoDL 有深度合作，甚至在專區里你可以直接租用到搭載摩爾線程全功能 GPU 的云端實例。

操作體驗極其絲滑：

我在 AIBOOK 的本地終端里寫好了代碼，然后通過 SSH 連接到云端實例。

這時候，神奇的事情發生了。

我在本地 Linux 環境下寫的代碼，幾乎不需要任何修改，就可以直接在云端的摩爾線程 GPU 上運行。

見證「MUSA」的魔力

在終端里，我先輸入了一行檢查指令：

python check_musa.py

屏幕返回：

設備 0：MTT S4000

顯存：47.9 GB

這是國產顯卡在 PyTorch 框架下發出的「我在」的聲音。

接著，開始訓練：

python train_cifar10.py --model simple_resnet --epochs 10

終端里的進度條開始飛快滾動：

隨著訓練輪數（Epoch）的增加，準確率肉眼可見地提升。

重點是，整個過程中，我使用的是標準的 PyTorch 語法，沒有去寫什么晦澀難懂的專有算子。

這就是 MUSA 架構最大的護城河——兼容性。它讓開發者可以幾乎無痛地從 CUDA 生態遷移過來。

這種「本地寫代碼 + 小規模調試」→「云端一鍵調用大規模算力訓練」→「模型回傳本地部署」的閉環體驗，才是 MTT AIBOOK 真正的殺手锏。

它不再是一個孤立的硬件，而是一個通往龐大算力海洋的入口。

誰說 Linux 不能辦公？

「雙面特工」的自我修養

測到這兒，肯定有朋友要問了：

「這電腦好是好，但我總不能天天寫代碼吧？我要是用飛書開個會，或者想打把《空洞騎士》放松一下，難道還要再買臺電腦？」

這就是 MTT AIBOOK 最機智的地方。

它雖然是 Linux 核心，但它非常清楚現階段打工人的痛點。

所以，它搞出了一個「一本三用」的方案：

1. Host OS：原生的 MT AIOS（Linux），用來干正經事，寫代碼、跑模型。

2. 安卓容器：直接在桌面運行安卓 App。我試了下，不僅能刷小紅書，甚至能通過應用匯下載各種手游。摸魚神器 get ?。

3. Windows虛擬機：這才是絕殺。

這臺機器利用了 KVM 虛擬化技術，支持運行一個完整的 Windows 11。

注意，這不是像 Parallels Desktop 那種簡單的模擬，它是支持 GPU 虛擬化的。

實際場景是這樣的：

我在 Linux 下剛剛訓練完一個模型，把它封裝成了一個 .exe 的應用。

但我不知道這玩意兒在客戶的 Windows 電腦上能不能跑。

這時候，我不需要到處借電腦，直接在 Dock 欄進入虛擬機，幾秒鐘后，一個全屏的 Windows 界面就出來了。

我在里面測試軟件、寫個 PPT、甚至打開 Steam 玩了一會兒游戲，確認無誤后，三指一劃，又回到了 Linux 繼續改代碼。

開發在 Linux，辦公/測試/娛樂在 Windows/安卓。

這種「精神分裂」般的使用體驗，在習慣之后，竟然覺得意外的合理。

它完美解決了開發者「既要又要」的貪婪需求。

「第一站」的意義

用了這一周，我一直在思考一個問題：

在 2026 年，我們到底需要一臺什么樣的 AI 電腦？

是算力強到能當暖氣片？還是薄到能切菜？

摩爾線程用 MTT AIBOOK 給出的答案是：我們需要一個能讓更多人低門檻進入AI世界的工具。

說實話，這臺電腦絕非完美。

它的生態相比于沉淀了幾十年的 Wintel 聯盟還有差距，它的軟件庫可能還不如 Ubuntu 社區那么浩如煙海。

但它做對了一件至關重要的事情——它把「國產算力」這四個字，從遙遠的數據中心機房，搬到了每一個普通學生、普通開發者的書桌上。

對于摩爾線程來說，這不僅僅是在賣硬件，這是在「播種」。

他們希望未來的開發者，人生的第一行 AI 代碼，是在 MUSA 架構上敲下的；

他們希望未來的 AI 應用，是原生生長在國產算力平臺上的。

這臺 MTT AIBOOK，就像是一張通往未來 AI 時代的「入場券」。

它不是目前市面上性能最狂暴的筆記本，但它是目前最懂中國開發者痛點的「個人智算平臺」。

如果AI的星星之火需要干柴，那這臺筆記本，就是那塊最順手的打火石。

推薦用戶 ：計算機專業學生、AI 算法工程師、Linux 發燒友等。

參考資料：

讓AI開發更簡單！摩爾線程發布AI算力本MTT AIBOOK