房卡全攻略“牛魔王大厅如何买房卡”详细房卡使用教程-哔哩哔哩

-->

　　近日 ，围绕“赋能AI计算的未来”
，Arm推出多项面向智能体时代的新产品与生态计划，覆盖云 、边缘和物理AI三大领域 。其中 ，Arm Neoverse CSS N4面向新一代AI基础设施
，Arm CSS for Mobile 2进一步强化端侧智能体与AI原生图形能力，Arm还把Total Design生态扩展至物理AI ，并推出机器人能力分级框架
。此外
，Arm AI Portal上线，连接其超过2200万开发者生态。

　　这些动作显示 ，对于即将到来的AI智能体时代，这家巨头有了全新的思考 。作为一家过去以CPU架构IP为核心的供应商
，Arm正进一步向覆盖IP、计算子系统
、芯片、软件生态的计算平台演进，并将这一平台延伸到云 、边缘和物理世界
。

　　今年以来 ，智能体AI正在加速从概念走向实际应用。Gartner预计
，2026年全球AI支出将达到2.59万亿美元，同比增长47%；其中AI基础设施占比超过一半 ，AI优化服务器未来五年将成为最大的细分市场 。与此同时
，2026年全球AI推理支出预计达到233亿美元，首次超过训练支出。

　　CPU重新回归AI竞争焦点

　　两年前生成式AI兴起时 ，算力产业的主角主要是GPU和各类AI加速器
。用户发出提示词
，模型进行推理，再返回文本
、图片或代码 ，计算任务相对集中在模型本身。

　　但在Arm首席营销官Ami Badani看来
，智能体AI改变了这一工作模式 。“智能体需要调用工具、访问数据库 、检索信息
、调度其他智能体，处理日趋复杂的工作流
。 ”大会期间 ，Ami Badani向记者表示，上述大量调度任务目前都由CPU完成。

　　这也是Arm今年3月推出Arm AGI CPU的逻辑起点 。

　　在产业层面
，这一变化正在得到市场数据的印证
。SemiAnalysis发布研报显示，在现代智能体编程工作负载中 ，42%的执行时间用于CPU驱动的工具调用。Gartner今年6月发布的研究也直接指出
，智能体AI正在把CPU重新带回聚光灯下 。

　　Arm此次进一步发布Neoverse CSS N4，正是希望抓住这一结构变化
。该产品是Arm目前可配置性最高的Neoverse计算子系统 ，可针对CPU核心数量、缓存 、内存
、I/O以及加速器连接方式进行配置
，每个芯片可配置8至128个CPU核心，并针对智能体AI数据中心提升性能、能效和内存带宽。

　　更值得注意的是 ，Arm已不再满足于单纯提供IP 。

　　Ami Badani将Arm当前的产品路径概括为三个层次：客户可以选择Arm IP
，也可以选择CSS计算子系统，如今还可以直接采用生产就绪的Arm AGI CPU
。“客户有三种不同的起点可供选择：IP 、CSS ，以及Arm AGI CPU。 ”Ami Badani指出 。

　　这实际上意味着
，Arm商业模式正在发生变化：从“授权CPU架构
”，向“提供完整计算平台”延伸。

　　Arm今年3月推出的AGI CPU已经成为这一战略最直接的落点
。Arm官方表示 ，其单机架性能较x86平台提升超过2倍，每GW AI数据中心基础设施最高可节约100亿美元资本开支；在其2027财年第一季度财报中
，Arm披露已经获得超过20亿美元的客户需求。

　　而在此次大会上，Arm进一步宣布 ，其AGI CPU正获得云厂商
、OEM和软件伙伴的推进 。对此
，Arm云AI业务拓展副总裁Eddie Ramirez透露，Arm正在与火山引擎合作 ，将Arm AGI CPU引入其数据中心
，以支持下一代AI服务
。

　　更重要的是，Arm并不认为自研芯片会侵蚀原有IP授权业务。“我们始终将这一举措视为市场空间的延展 ，而并非与现有云服务商客户之间的竞争 。 ”Ami Badani表示
。

　　从产业链看
，这种“IP+CSS+芯片
”的组合，也使Arm能够同时覆盖不同类型的客户：大型云厂商、芯片设计公司可以继续基于Arm IP进行差异化设计；希望缩短研发周期的客户可以直接采用CSS；而希望快速部署生产级计算平台的客户 ，则可以使用Arm设计的芯片。

　　AI计算的“战场”正变得更分散

　　如果说云端业务代表Arm对AI基础设施的新进攻
，那么边缘AI则是其原有优势被重新激活 。

　　Ami Badani认为，Token成本 、安全性以及响应延迟 ，正在推动智能体从云端向边缘分布式部署
。“越来越多的智能体将迁移至边缘本地运行。”她表示 。

　　这意味着，未来AI并不会简单地形成“云端越来越强、终端越来越弱 ”的单向结构
，而可能形成云端
、边缘协同计算的体系
。高复杂度模型依然在云端运行，而大量涉及实时交互、个人数据和持续任务的工作 ，则越来越多在本地完成。

　　Arm此次推出CSS for Mobile 2
，正是针对这一变化 。官方参数显示，该平台集成C2 CPU集群 、Mali G2-Ultra NX GPU和系统级互连 ，并引入SME2和专用神经网络加速器
，以支持持续运行的端侧智能体和AI原生图形。Arm披露，在特定测试条件下 ，与上一代C1-Ultra相比
，C2-Ultra可带来最高1.7倍AI性能提升，并通过神经图形实现最高4倍帧率提升
。

　　Arm边缘AI执行副总裁Chris Bergey强调 ，Mali G2-Ultra NX并不是一个单一固定配置的产品
，客户可以根据性能目标自主决定着色器和神经引擎的配置。例如在16个着色器的配置中，可以只为其中8个配置神经网络引擎 。

　　这些部署的目的在于 ，将“异构计算”进一步系统化
。未来的智能手机
、PC、可穿戴设备乃至更多边缘终端，需要的并不是单一意义上的“AI芯片
”
，而是CPU 、GPU
、NPU及系统软件之间的协同。智能体不仅需要推理，还要理解上下文、调用应用 、完成任务 ，这使得CPU的调度能力
、系统级数据传输效率和持续能效都变得更加重要 。

　　Counterpoint Research近期发布的研报也指出
，生成式AI、异构计算和半导体复杂度正在同时重塑智能手机 、PC
、边缘设备和云基础设施，AI手机、Windows on Arm以及边缘AI均将成为计算架构变化的重要方向
。

　　因此 ，从手机到PC
，再到智能眼镜等新终端，Arm实际押注的是同一个趋势：未来越来越多AI不需要等待云端响应 ，而是在设备本地持续运行。而这
，恰恰是Arm“每瓦性能”优势最容易转化为商业价值的地方 。

　　AI竞争将延伸至物理世界

　　相比云端CPU和移动端AI，此次Arm释放的另一大信号 ，是开始更明确地将“物理AI”提升到战略层面
。

　　9月8日
，Arm宣布将Arm全面设计生态项目（Arm Total Design）进一步扩展至物理AI，已经吸引超过80家企业参与 ，覆盖云 、芯片、软件
、机器人和工业等多个环节；与此同时，Arm发布机器人能力分级框架
，希望为机器人行业提供统一的能力描述语言。

　　Arm物理AI业务拓展副总裁Dermot O'Driscoll直言，当前机器人行业仍处于早期阶段 。“整个生态系统在架构、标准和能力方面依然较为分散
。 ”在他看来 ，Arm此时参与物理AI
，并不只是卖一套芯片或IP，而是试图把模型 、软件
、数据、计算以及机器人企业连接起来。“我们的总体目标 ，是帮助产业缩短产品上市时间并加快部署
，其中包括对软件栈 、数据集
、数据模型和大模型的优化 。
”Dermot透露。

　　这一战略，与中国机器人市场的现实发展高度契合
。国际机器人联合会（IFR）数据显示 ，2024年中国工业机器人安装量达到29.5万台
，占全球总量的54%，工业机器人保有量已经超过200万台 ，均居全球首位。也就是说
，中国不仅拥有全球最大的机器人装机市场，也正在成为AI与机器人融合的重要试验场 。

　　这也成为Arm高度看重中国市场的原因
。Ami Badani表示 ，中国在AI、智能终端 、汽车和机器人等领域扮演越来越重要的角色，Arm会根据市场发展和合作伙伴需求
，持续演进自身的产品与服务。

　　更值得关注的是，Arm并没有试图通过自己的机器人平台“统一”这个行业 ，而是提出一个更轻量化的框架 。

　　Dermot O'Driscoll表示
，机器人能力分级框架“并非旨在取代现有标准 ”，而是希望聚合产业链参与者 ，“为机器人平台能力建立一套统一的思考和描述方式
”
。换言之
，Arm试图解决的并不是“谁制定标准”的问题，而是机器人产业在规模化阶段面临的一个现实难题：不同企业对机器人能力
、软硬件接口和部署要求缺乏统一语言。

　　从产业角度看 ，这可能恰恰是Arm更擅长的事情 。过去几十年
，Arm依靠统一架构和庞大的开发者生态，把不同终端连接到了同一套计算体系中
。如今进入物理AI阶段 ，Arm试图复制类似思路
，把原本分散的机器人企业、芯片公司 、软件开发者
、云服务商和工业客户连接起来。

　　而这些变化，也将Arm对AI时代的思考 ，诠释得更为清晰：在智能体时代，AI基础设施的竞争
，可能正从单纯数据中心算力，进一步走向云、边缘 、终端和物理设备 。而对于拥有广泛CPU架构基础和生态的Arm而言 ，这或许正是其希望抓住的下一轮产业红利
。

（文章来源：中国经营报）