Moore Threads: Breakthrough in Competitive Barriers Through Unified Architecture

En la era de la IA, si las empresas de chips carecen de una estrategia integral de propiedad intelectual, será difícil considerarlas verdaderamente dueñas de tecnologías centrales.

Texto｜Hu Jiaqí

ID | BMR2004

Recientemente, el fabricante nacional de GPU Moore Thread (688795.SH) anunció oficialmente el lanzamiento de su servicio de programación inteligente AI Coding Plan. Este nuevo producto, basado en la capacidad de cálculo de precisión total del MTT S5000, logra duplicar la eficiencia computacional mediante una arquitectura de colaboración de hardware y software, transformando las capacidades de GPU, tradicionalmente orientadas a niveles bajos, en herramientas de productividad para desarrolladores. Este paso marca el inicio de que las empresas nacionales de GPU pasen de ser simples proveedores de hardware a constructores de plataformas de cálculo completas.

Moore Thread fue fundada en junio de 2020 y en 2025 debutó en el mercado de tecnología innovadora (STAR Market), logrando el récord de aprobación más rápido en 88 días. Su objetivo no es solo cubrir la brecha de capacidad de cálculo, sino construir infraestructura de computación acelerada y soluciones integradas a nivel global, brindando soporte fundamental para la transformación digital de diversos sectores.

Si la capacidad de cálculo es la entrada, entonces la capacidad sistemática es la clave para mantenerse en la mesa a largo plazo. En esta dimensión de competencia más profunda, el periodista de Business School entrevistó a responsables de Moore Thread y expertos del sector para reconstruir una parte menos vista: cómo las empresas nacionales de GPU construyen su propio “foso protector” en términos de sistema de patentes y arquitectura básica.

01

Estrategia de patentes desde el producto

En cuanto a la estrategia de patentes, Moore Thread no persigue solo aumentar el número, sino que enfatiza el cultivo de patentes de alto valor.

Según información proporcionada por responsables de Moore Thread, hasta junio de 2025, la empresa había obtenido un total de 514 patentes autorizadas, incluyendo 468 de invención, siendo una de las principales en el mercado nacional de GPU. Es importante destacar que estas patentes no están dispersas, sino que se concentran en los núcleos del cálculo de IA, cubriendo diseño de arquitectura de procesadores, aceleración de aplicaciones de IA y optimización de cálculo paralelo, controladores y sistemas de software básico, así como agrupamiento de GPU y conectividad de alto rendimiento, formando gradualmente una estrategia sistemática.

En su estrategia de patentes, Moore Thread no solo busca cantidad, sino que también se centra en el desarrollo de patentes de alto valor.

Las patentes de alto valor en el desarrollo de GPU se concentran en aspectos críticos como diseño de arquitectura de procesadores, optimización de cálculo paralelo, gestión de memoria, protocolos de interconexión de alta velocidad, optimización de compiladores y controladores, eficiencia energética y aceleración de IA. Estas tecnologías afectan directamente el rendimiento, la eficiencia energética y la compatibilidad, formando barreras tecnológicas.

En 2024, Moore Thread obtuvo destacados logros en dos concursos nacionales de patentes de alto valor: el proyecto de clúster de inteligencia artificial Quwa ganó el primer premio en la Competencia de Cultivo de Patentes de Alto Valor en Haidian, Beijing, y el proyecto de GPU de funciones completas obtuvo la medalla de oro en la Competencia de Patentes de Alto Valor en Xiong’an, reflejando su profunda acumulación en I+D y gestión de patentes.

El economista senior Liang Zhenpeng, en entrevista con Business School, señaló que poseer patentes de alto valor puede fortalecer la posición tecnológica de la empresa, apoyar la adaptación de hardware y la colaboración en ecosistemas de código abierto, y en la competencia global, defenderse de infracciones y mejorar la negociación de licencias, ayudando a construir una cadena industrial autónoma y controlada.

Liang considera que la atención de las empresas de GPU hacia las patentes debe orientarse hacia su capacidad de soporte integral para la implementación industrial y aplicaciones comerciales, es decir, si las patentes pueden sostener un sistema técnico completo y soluciones industriales.

Para evaluar y comercializar el portafolio de patentes, las empresas deben considerar la cobertura tecnológica, estabilidad legal, relación con el mercado y dificultad para que los competidores eviten las patentes, analizando cómo estas soportan funciones del producto, control de costos y compatibilidad ecológica. Los indicadores clave incluyen tasa de citación, alcance de las reivindicaciones, cobertura geográfica, historial de litigios y contribución a estándares. La estrategia debe equilibrar cantidad y calidad, desarrollando patentes de alto valor en áreas clave y formando redes de protección con patentes periféricas, evitando perseguir solo volumen.

En este contexto, la gestión de propiedad intelectual de Moore Thread también ha evolucionado hacia un sistema. Gracias a la certificación nacional en gestión de propiedad intelectual, la empresa ha ampliado su enfoque desde asuntos legales a toda la cadena de I+D, gestión y transformación tecnológica. La planificación de patentes ahora participa en la definición de productos, rutas tecnológicas y estrategias de mercado, convirtiéndose en una infraestructura para el desarrollo a largo plazo, no solo en una medida correctiva posterior.

Estas acciones reflejan un cambio en la percepción de Moore Thread. En la era de la IA, sin una estrategia sistemática de propiedad intelectual, las empresas de chips difícilmente serán consideradas como verdaderas dueñas de tecnologías centrales. El GPU ya no es solo un hardware, sino una plataforma compleja que incluye sistema de instrucciones, compiladores, controladores, bibliotecas de operadores, sistemas de programación y arquitecturas de clúster. Cada componente representa una innovación tecnológica susceptible de patentarse, y cada nodo técnico puede convertirse en una pieza clave en futuras colaboraciones comerciales y disputas industriales.

02

La competencia en diferenciación de hardware se está comprimiendo

El aumento de la densidad de transistores tiene un costo exponencial, mientras que las mejoras en rendimiento se reducen, y los beneficios del proceso de fabricación disminuyen claramente.

Para chips como GPU, que dependen en gran medida de la densidad de transistores, eficiencia energética y frecuencia, el proceso de fabricación sigue siendo un factor decisivo en el rendimiento y consumo.

Actualmente, Moore Thread fabrica la mayoría de sus productos usando procesos maduros de gama media-alta. Por ejemplo, en 2022, el MTTS50 dirigido al mercado de innovación tecnológica se basa en un proceso de 12 nm, una opción confiable y estable para producción en masa y control de costos.

Desde la perspectiva de la industria, los GPU de alto rendimiento están migrando progresivamente a procesos más avanzados, que generalmente ofrecen mayor densidad de transistores y mejor eficiencia energética. Según fuentes del sector, la mayoría de la industria actualmente utiliza procesos de 7 nm.

En comparación, fabricantes internacionales líderes como NVIDIA emplean procesos de 4 nm de TSMC en sus productos de gama alta, logrando mayor rendimiento y eficiencia. La capacidad de fabricación avanzada en China aún enfrenta limitaciones por restricciones en la cadena de suministro y en la tecnología de equipos, y la madurez y rendimiento de los procesos más avanzados todavía tienen margen de mejora, afectando el rendimiento extremo y el consumo de energía de los GPU nacionales.

En la etapa actual, Moore Thread optimiza sus productos mediante mejoras en arquitectura y estrategias de programación, combinando procesos maduros para equilibrar consumo y rendimiento, controlando costos y garantizando estabilidad en el suministro. Esta estrategia no solo favorece la rápida implementación de productos actuales, sino que también deja espacio para futuras iteraciones a medida que la capacidad de procesos avanzados en China mejore.

El profesor Cao Xinming, del Centro de Investigación en Propiedad Intelectual de la Universidad de Finanzas y Derecho de Zhongnan, señala que este cambio se debe a que los límites físicos del hardware se están alcanzando. Con procesos avanzados de 3 nm o incluso 2 nm, el costo de aumentar la densidad de transistores crece exponencialmente, mientras que las mejoras en rendimiento se reducen. Además, la capacidad de producción en procesos avanzados está concentrada en unos pocos fabricantes, como TSMC, Samsung e Intel, lo que comprime aún más el espacio de diferenciación en hardware.

03

Arquitectura unificada y ecosistema de software

La competencia en la industria de GPU está experimentando una migración estructural, donde los sistemas de propiedad intelectual y el ecosistema de desarrolladores se vuelven clave.

Si los límites físicos del hardware reducen la posibilidad de diferenciarse por proceso, la madurez del ecosistema de software eleva significativamente la barrera de entrada.

Cao Xinming explica que la competencia en GPUs está en transición. Aunque la ley de Moore y las métricas de cálculo bruto (FLOPS) siguen siendo requisitos básicos, la ventaja competitiva a largo plazo se basa cada vez más en las barreras de patentes y en un sistema de propiedad intelectual robusto, así como en un ecosistema de desarrolladores soportado por pilas de software.

Business School obtuvo información de responsables de Moore Thread, quienes explicaron que la empresa ha construido su núcleo tecnológico y ecológico en torno a la arquitectura unificada de computación Meta (MUSA, por sus siglas en inglés).

La arquitectura MUSA es un sistema de aceleración de cálculo unificado, desarrollado por Moore Thread, que integra hardware y software de GPU en una plataforma completa. Incluye desde la arquitectura del chip, conjunto de instrucciones, modelo de programación, hasta bibliotecas de software y marcos de controladores, con el objetivo de ofrecer alto rendimiento en escenarios de cálculo paralelo, soportando eficientemente IA, renderizado gráfico, simulación física, cálculo científico y codificación de video en ultra alta definición.

Tras cinco años de investigación y desarrollo, la versión mejorada MUSA 5.0 marca una etapa madura, logrando avances en integración de toda la pila, eficiencia de cálculo y apertura del ecosistema. En programación, soporta nativamente MUSA C y es compatible con lenguajes modernos como TileLang y Triton, facilitando a los desarrolladores una experiencia de desarrollo más flexible y eficiente, reduciendo costos de migración y adaptación. En rendimiento, la biblioteca central muDNN alcanza casi el límite teórico en operadores clave como GEMM y FlashAttention, mejorando significativamente la eficiencia de comunicación y optimizando el compilador, además de integrar bibliotecas de operadores de alto rendimiento para acelerar entrenamiento y inferencia.

El ecosistema de MUSA también se extiende a la construcción de un sistema abierto. Se planea liberar gradualmente componentes clave como bibliotecas de aceleración, comunicación y gestión del sistema, abriendo capacidades avanzadas a la comunidad de desarrolladores para fomentar la colaboración.

Cao Xinming también señala que, detrás del ecosistema de software, las patentes juegan un papel cada vez más fundamental en el soporte institucional.

El stack de software de GPU no es solo una acumulación de ingeniería, sino que incluye muchas innovaciones fundamentales, como técnicas de optimización de compilación, estrategias de programación paralela, mecanismos de control de controladores y hardware, y compatibilidad profunda con marcos de IA líderes. La falta de un sistema de propiedad intelectual sólido dificulta la confianza en colaboraciones interempresariales y en la división industrial, además de limitar la formación de alianzas ecológicas estables.

04

La competencia de los nuevos entrantes

En el futuro, la competencia en patentes de GPU se centrará más en cómputo heterogéneo, integración de IA, optimización conjunta de hardware y software, y nuevas aplicaciones emergentes.

Para los nuevos entrantes, la barrera de entrada se ha elevado notablemente.

Generalmente, deben invertir grandes sumas en I+D y fabricación sin garantías de retorno inmediato. Pero fabricar el chip es solo el primer paso; sin herramientas de compilación maduras, soporte de controladores y compatibilidad con marcos de IA, los desarrolladores no podrán usar eficientemente el chip, y los usuarios no migrarán fácilmente a la nueva plataforma. Sin usuarios, no hay ecosistema; sin ecosistema, el producto no se implementa. Este ciclo hace que comenzar en GPU sea mucho más difícil que en otros segmentos de semiconductores.

Hoy en día, los desarrolladores están profundamente ligados a CUDA de NVIDIA y su ecosistema, y sus procesos de entrenamiento, optimización de operadores y experiencia técnica se basan en plataformas existentes. A menos que una nueva plataforma ofrezca ventajas de rendimiento o eficiencia energética por un orden de magnitud, será difícil convencer a los desarrolladores de reescribir código y reconstruir flujos de trabajo. Por eso, muchas empresas de chips de IA priorizan la compatibilidad con CUDA y marcos principales, para reducir la dificultad de entrada aprovechando sistemas existentes.

La estrategia de Moore Thread refleja esta orientación pragmática. Por un lado, impulsa la construcción de su propio modelo de programación y bibliotecas básicas, para formar una base tecnológica controlable; por otro, enfatiza la compatibilidad con interfaces gráficas y marcos de IA dominantes, buscando un equilibrio entre un sistema “autónomo” y la “compatibilidad práctica”.

Junto con las barreras ecológicas, la creciente dificultad en riesgos de patentes y legales también es un factor a considerar. Cao Xinming explica que las tecnologías clave de GPU están patentadas desde hace años, y los nuevos entrantes deben realizar costosos y complejos análisis de patentes antes de lanzar productos, para evitar infracciones. En caso de enfrentarse a litigios con empresas líderes, los largos procesos judiciales y altos costos pueden ser una carga pesada para empresas con recursos limitados.

Cao Xinming sugiere que, en este entorno, una vía más realista para los nuevos entrantes es enfocarse en escenarios verticales específicos, desarrollando tecnologías optimizadas para entornos cerrados, como conducción autónoma, computación en el borde o visión industrial. En estos casos, el consumo de energía, la latencia y la adaptación al entorno son más importantes que el cálculo general, permitiendo a los nuevos competidores diferenciarse mediante una “profundización en escenarios” en lugar de replicar todo el ecosistema GPU.

A largo plazo, la estructura del mercado de GPU no está completamente fija. La proliferación de hardware y software de código abierto, como RISC-V y frameworks como PyTorch y TensorFlow, ofrece nuevas variables. La apertura de estos ecosistemas permite a los fabricantes optimizar en torno a software general, sin depender exclusivamente de plataformas propietarias. Aunque estos cambios no alteran radicalmente la situación actual, en una visión a largo plazo, dejan espacio para que los nuevos entrantes ingresen.

Liang Zhenpeng opina que en el futuro, la competencia en patentes de GPU se centrará en cómputo heterogéneo, integración de IA, optimización conjunta de hardware y software, y aplicaciones emergentes como metaverso y conducción autónoma. La tendencia hacia ecosistemas de software abiertos y colaborativos, combinados con patentes esenciales y licencias abiertas, permitirá ampliar la influencia tecnológica y de mercado. Para los nuevos entrantes, las estrategias incluyen centrarse en avances tecnológicos específicos para obtener ventajas de patentes, participar activamente en comunidades de código abierto para construir ecosistemas, colaborar en licencias para adquirir tecnologías clave rápidamente, y planificar internacionalmente para gestionar riesgos y ganar espacio en la competencia global.

Fuente｜Revista Business School, edición conjunta de marzo y abril