ARM更新AI计算布局：覆盖边缘、云端与物理AI

coffee198375

“智能在这里被创造。”

9月8日，在Arm Everywhere China大会现场，ARM讲述了一个从个人设备、数据中心，再连接进入现实环境的汽车与机器人的“业务全景图”。其中，个人设备承载本地智能体验，数据中心负责创建并运行大规模智能，汽车和机器人则将智能转化为现实世界中的行动。

按Arm的业务逻辑，云端、边缘与物理AI并非三组相互割裂的产品，而是对应智能在不同位置运行、协同和执行所需的计算基础。

Arm执行副总裁兼首席商务官Will Abbey透露，全球合作伙伴累计出货的Arm架构芯片已超过3500亿颗，基于Arm平台进行开发的软件开发者超过2200万名。

在既有移动设备和云基础设施业务之上，Arm正试图把这一技术覆盖进一步延伸至Agent AI与物理AI。

01云端AI：智能体增加CPU负载，Arm提供三种产品入口

Agent AI正在改变数据中心的工作负载。

在此前的沟通会上，Arm首席营销官Ami Badani从生成式AI讲到Agent AI，重点解释了两者在工作负载上的差异：

生成式AI主要由提示词驱动：用户输入问题，模型完成运算，再输出文本、图片或代码。到了Agent AI阶段，AI不仅要调用模型，还要检索信息、访问数据库、使用工具、调度其他Agent，并连续执行多个任务。

她表示，大量计算“不再局限于简单地运行模型，而是发生在围绕模型运行的各个环节”。

对Arm而言，这意味着数据中心CPU面临新的增量需求，而Neoverse过去几年的部署，则构成了Arm承接这部分需求的基础。

大会现场，Arm分享出一组数据：Neoverse核心累计出货超过15亿颗，其中约5亿颗来自于近九个月。从2019年推出Neoverse到累计出货10亿颗，Arm用了约六年；从10亿颗增至15亿颗则不到一年。

现场还展示了AWS Graviton、Google Axion、阿里云倚天710、微软Cobalt、富士通Monaka和NVIDIA Vera等平台。这些产品采用的具体方案并不相同，但都建立在Arm技术之上。

基于客户不同的需求，Arm也给出了三种产品选择：IP、计算子系统CSS和完整芯片。三者使用同一套Neoverse技术和软件生态，但集成程度不同。

第一种是传统IP授权。客户采用Neoverse CPU IP，自行完成芯片设计。这种方式的自主空间较大，但客户也需要承担更多集成、优化和验证工作。

第二种是CSS。它面向仍然需要定制芯片、但希望减少通用工程投入的客户。此次发布的Neoverse CSS N4预先整合CPU、互连和内存等组件，并完成部分性能、功耗和软件验证。客户仍可加入自己的电源管理、安全、存储、网络和加速模块。CSS N4单颗裸片最高可配置128个核心，支持LPDDR6内存和PCIe 7.0互连。

Arm称，与上一代CSS N3相比，CSS N4的性能最高达到两倍，每瓦性能最高达到1.25倍，内存带宽最高达到1.75倍。这些参数主要对应Agent AI带来的并发计算、数据传输和加速器协同需求。

Arm云AI业务拓展副总裁Eddie Ramirez以微软Cobalt CPU为例，介绍了CSS的使用方式。他表示：“Azure团队利用Neoverse CSS的N系列和V系列产品，推出了两代Cobalt CPU。”微软希望建立一套能够以约18个月为周期、持续推出新一代CPU的平台，同时满足大型云客户的需求，并保留自身的差异化技术。

Eddie Ramirez介绍，微软在CSS提供的计算基础上，加入了自己的电源管理、安全，以及面向存储、加密等常见数据中心工作负载的加速能力。他表示，这套方案提高了数据中心的资源利用率和服务部署速度，并通过能效改善降低总体拥有成本。

第三种选择是Arm AGI CPU。它不是供客户二次集成的IP或计算子系统，而是一款可以直接部署的完整CPU。该产品已于2026年3月发布，此次大会主要更新其生态合作和中国市场进展。

Ami Badani以SAP为例解释了Arm进入完整芯片市场的原因。SAP的部分公有云业务已经运行在基于Arm架构的AWS Graviton服务器上，但本地私有云仍部署了大量其他架构芯片。

Arm希望通过AGI CPU，把Arm计算从云厂商的自研平台进一步带到企业数据中心和本地部署环境。

Arm还沿用了3月发布AGI CPU时公布的一组测算：与其选取的x86系统相比，AGI CPU的单机架性能超过两倍；按照1吉瓦规模的AI数据中心计算，资本开支最高可减少100亿美元。由于此次大会没有完整展示对比平台、测试环境和成本模型，这组数据仍属于Arm的测试和估算口径。

由此，Arm在云端提供了三种选择：客户可以基于IP自行设计芯片，也可以利用CSS缩短集成和验证周期，还可以直接部署AGI CPU。这扩大了Arm在数据中心市场的参与范围，也带来了新的业务边界问题：当Arm开始提供完整芯片，是否会与原有IP和CSS客户产生竞争？

Arm表示，AGI CPU是对市场范围的扩展，而不是对现有客户的替代。最终，这一判断仍需通过后续的客户采用和实际部署情况验证。

02边缘AI：智能体走向本地，CPU与GPU同时调整

在Arm的划分中，云端是智能诞生的地方，边缘则让智能更贴近用户。这里的边缘不仅包括手机和PC，也包括可穿戴设备、家庭设备和工业终端。

大会现场，Arm 执行副总裁兼首席商务官Chris Bergey用四组变化描述AI的发展方向：从响应提示词到主动预判和行动，从偶发交互到持续协助，从通用回答到更加个性化的体验，以及从云端优先到更多AI在本地运行。

Agent向边缘迁移，一方面受到响应延迟、数据隐私和Token成本的推动，另一方面也给终端计算提出了新的要求——Agent不仅要运行模型，还要保持上下文、调用应用，并协调不同模型和系统服务。

这些任务需要在手机有限的功耗、散热和内存条件下完成，无法只依赖某一种计算单元。针对这一变化，Arm推出第二代移动计算子系统CSS for Mobile 2。

它不是一颗单独的CPU或GPU，而是一套面向移动芯片的计算平台，整合了C2 CPU集群、Mali G2-Ultra NX GPU、增强型系统IP、物理实现方案和配套软件。

其中，C2 CPU集群负责通用计算、应用运行和Agent工作流调度；Mali G2-Ultra NX负责传统图形、神经图形及适合GPU处理的AI任务；系统IP连接不同计算单元和系统资源；软件工具则帮助开发者调用这些硬件能力。

C2 CPU集群由C2-Ultra、C2-Pro和双SME2单元组成。C2-Ultra承担高性能任务，C2-Pro侧重能效，SME2则用于加速适配的矩阵计算和AI模型。

Chris Bergey以“预订周年纪念晚餐”为例说明CPU的作用。设备需要依次完成感知、记忆、推理和行动：先理解用户要求和已有信息，再判断餐厅偏好，最后调用相关应用完成预订。

从链路来看，这种逻辑跳出了单独的模型推理，变成了由多个应用和任务组成的工作流，不仅需要单线程响应速度，也需要多线程处理能力。

Arm称，与上一代C1-Ultra相比，C2-Ultra的AI性能最高达到1.7倍，单线程性能最高提升15%，在相同性能下功耗最高降低38%。现场PPT还显示，其网页浏览性能提升15%，应用启动速度提升12%，多线程性能提升12%。

在上述Agent工作流中，C2-Ultra相比上一代方案将整体用时缩短约280毫秒，速度提升15%；加入SME2后，整体用时缩短约450毫秒，速度提升24%。这里的280毫秒和450毫秒是相对上一代节省的时间，并非任务的总耗时。C2 CPU集群配置的双SME2单元还使相关计算能力翻倍，Arm称可让最新小语言模型的运行速度最高提升70%。

CSS for Mobile 2采用的GPU是Mali G2-Ultra NX。它是首款集成专用神经网络加速器的Mali GPU，可以让神经网络计算与传统图形处理在同一处理管线中协同运行。

基于这一架构，Mali G2-Ultra NX支持三项神经图形技术：NSS利用AI将较低分辨率画面提升至更高分辨率，现场展示的示例为从540p提升至1080p；NFRU用于提升帧率，Arm称可实现帧率翻倍；NSSD则将NSS与光线重建相结合，用于超级采样和降噪。此外，该GPU还引入了新的执行引擎和第三代光线追踪单元。

Arm称，Mali G2-Ultra NX在神经网络处理场景下的每瓦性能最高提升4倍；与上一代产品相比，其在现有游戏中的性能最高提升14%。现场PPT还给出了AI原生图形帧率最高提升4倍、传统渲染基准提升24%等数据。

新硬件还需要游戏引擎和具体内容完成适配。腾讯游戏正在把Arm神经图形技术集成到MagicDawn中台，并与《暗区突围：无限》开展NSSD技术演示；Unity中国已将相关技术集成到团结引擎。

由此，Arm形成了一条从CSS平台、CPU与GPU，到软件工具、游戏引擎和具体内容的落地路径。不过，目前各项目仍处于技术演示、引擎集成或计划上线等不同阶段，实际效果还要等待芯片采用、终端量产和真实设备测试。

03物理AI：从中央算力扩展到完整机器系统

如果说云端负责创建智能、边缘设备负责提供本地体验，物理AI要解决的就是如何让汽车和机器人感知环境、作出判断并完成动作。

大会现场，Arm用一辆L4自动驾驶汽车和一个人形机器人说明两类系统的共同点。它们都不是依靠一颗中央处理器完成所有任务，而是由多个计算单元协同运行：中央计算负责模型和决策，感知计算处理摄像头及其他传感器数据，交互计算负责人机沟通，分布在车身或机器人关节附近的控制器则负责执行动作。

“这不只是关于大脑，而是关于整个系统。”Arm物理AI业务拓展副总裁Dermot O'Driscoll表示，从传感器接收到信号，到执行器真正产生动作，端到端时延决定了机器能否及时响应；与此同时，系统还必须满足功耗、可靠性、确定性和安全性要求。物理AI因此不仅是模型或单点算力问题，还需要把模型、软件、芯片、传感器和执行器组合成可部署的完整系统。

Arm估算，2025年物理AI计算的潜在市场规模约为250亿美元，当年约有20亿台Arm架构设备进入相关市场；到2030年代，这一计算市场可能扩大至每年约2000亿美元。这些数字均为Arm自身估算，不能等同于已经实现的市场收入。

与云端和边缘部分直接发布CPU、GPU或CSS产品不同，Arm此次在物理AI领域的重点是组织生态。公司宣布把此前应用于云计算市场的Total Design合作模式扩展至物理AI。目前，Total Design for Physical AI已有80多家合作伙伴，覆盖芯片、操作系统、AI模型、云服务、传感器、汽车、机器人、仿真和安全验证等环节。

Arm将生态分为芯片、云端智能、执行器与传感器、执行计算、感知与交互智能以及终端解决方案等层次，安全、安保和验证能力贯穿整个体系。Arm希望合作伙伴在芯片完成前，就能借助虚拟平台和数字孪生开展软件开发、测试与验证，减少后期集成风险。

这种模式已在汽车领域展开。Arm与AWS、Google、HERE、RemotiveLabs和西门子等企业共同开发数字座舱参考方案，使开发者可以提前围绕Arm Zena CSS进行软件开发和验证。Arm希望把类似方法进一步用于机器人。

机器人行业的另一个问题，是不同企业缺少统一的能力定义。为此，Arm提出机器人能力分级框架，以RL0至RL5描述机器人从基本反应到更高自主能力的发展阶段，并将行为表现与时延、算力位置、内存、功耗、确定性和安全性等要求对应起来。

Arm首席架构师Richard Grisenthwaite在相关宣言中指出，机器人行业仍缺少一套描述、评估和交流机器能力的通用语言。现场演讲者也强调，Arm此次“带来的不是解决方案，而是一个问题陈述”。换言之，这是一项邀请产业共同完善的框架，而不是已经确立的行业标准。

因此，Arm在物理AI领域现阶段提供的不是一款统一机器人芯片，而是底层架构、开发验证环境和产业协作框架。其实际作用仍取决于合作伙伴能否形成可复用的方案，以及机器人能力分级能否获得更广泛的行业采用。