AI中国网 https://www.cnaiplus.com
随着AI产业从生成式AI迈向智能体AI时代，算力正在打破单一数据中心的局限，向边缘终端、机器人与自动驾驶等物理设备延伸，形成跨场景协同的全新计算格局。
在此背景下，Arm Everywhere China 2026大会于9月8日在上海隆重召开。本届大会以“赋能 AI 计算的未来”为主题，恰如其分地呼应了当下计算产业正在经历的一场深变革从生成式AI到智能体AI，从云端到边缘，从数字世界到物理世界。
随着产业加速迈向智能体时代，Arm依托覆盖云、边缘和物理应用的统一计算平台，通过IP、CSS计算子系统、成品芯片多层次方案，以及不断壮大的软件生态系统，正携手中国以及全球合作伙伴加速创新成果落地，为下一代AI体验和智能应用构建坚实计算底座，应对智能体时代多元化算力诉求。
Arm发布CSS for Mobile 2，
重构移动计算新格局
过去几年，智能手机围绕AI的竞争，几乎都聚焦在TOPS上，似乎只要AI算力足够强，就代表一颗芯片乃至一部手机的AI能力。但当AI从拍照增强、语音识别、智能回复这样的单点功能，进一步走向生成式AI和Agentic AI，移动计算面对的问题正在发生变化。
在Arm Everywhere China期间，Arm发布了新一代移动计算平台CSS for Mobile 2。与此前强调CPU、GPU性能升级相比，这一次Arm把重点放在了两个此前并不属于传统手机SoC核心叙事的方向上：一个是Agentic AI，另一个是AI-native graphics。
据Arm边缘AI执行副总裁Chris Bergey介绍，Arm CSS for Mobile 2集成了全新Arm Mali G2-Ultra NX GPU、搭载SME2的Arm C2 CPU集群、增强型系统IP、物理实现方案以及开发者就绪的软件生态系统，并针对下一代移动设备进行了全面优化。
Arm给这套平台的定位是面向AI智能体和桌面级移动图形的计算平台。
这背后反映的，其实是Arm对下一阶段移动计算的一次重新判断：未来AI手机的竞争，可能不再只是比较某一个计算单元有多少TOPS，而是比较CPU、GPU、专用加速器、内存和软件能不能真正协同起来。
在Arm看来，AI正在成为移动设备的运行层。
过去的AI更像一组独立功能。相机增强、智能回复、人脸识别、实时翻译...需要某项能力时调用一次模型，任务结束后AI也随之退出。生成式AI的到来改变了一部分体验，但仍然主要停留在“问答”的模式。但Agentic AI则完全不同。前者是“Answer-focused”，后者则是“Goal-focused”。这意味着AI工作负载本身发生了变化，它不再是一个大型模型从头跑到尾，而是由语音识别、个人记忆检索、小模型推理、应用调用、系统权限判断乃至云端模型共同组成的一条复杂链路。
Arm将这类工作负载概括为四个特点：对延迟敏感、具有突发性、内存密集，而且高度异构。所以，智能体更像一个系统工程，CPU成为智能体AI的核心。
在一套完整的智能体工作流中，搭载SME2的CPU负责轻量级AI、工具调用和系统编排；GPU适合并行AI计算；专用AI加速器负责高度优化的端侧AI；规模更大的模型或者外部服务则可以继续交给云端。
Arm强调，CPU面对AI工作负载时关注的重点并不是峰值吞吐，而是低延迟。目前高规格移动NPU可以达到大约100至200 TOPS，而搭载SME引擎的CPU集群等效算力大约只有5至6 TOPS。如果是一项长期、计算密度极高的任务，CPU显然不会比NPU或者GPU更加合适。CPU真正适合的，是那些小而碎、对响应速度敏感，同时又需要高度通用性的AI任务。
C2-Ultra，不只是15%的CPU升级
Arm给出的参考配置中，C2 CPU集群相较上一代：GeekBench 6.3单线程性能提升15%；多线程提升12%；Web浏览性能提升15%；应用启动速度提升12%。
值得注意的是，真正拉开差距的是AI。搭载两个SME2核心的C2平台，在Arm测试的最新AI模型中，最高可以实现1.7倍性能提升。
新一代CPU的另一个明显变化是SME2进一步进入了端侧AI计算。
Chris Bergey表示，SME2主要提高Prompt Encoding阶段单位数据可以完成的MAC运算数量；而LUTi，也就是查找表指令，则针对Decode阶段大量查表类工作，通过减少内存访问降低内存带宽需求。
这是一个容易被忽略的变化。移动AI今天遇到的问题已经不仅仅是“算不算得动”。很多时候真正拖慢AI的是：数据能不能及时送到计算单元。也就是说，端侧AI正在越来越明显地撞上Memory Wall。
与此同时，SME2的生态建设正在加速，多款旗舰Android和iOS智能手机中均已启用此技术。围绕SME2构建的生态系统也在不断壮大，其中包括支付宝、Google AI Edge Gallery、OPPO和vivo等。
G2-Ultra NX，第一颗“AI-native Mali GPU”
CPU之外，CSS for Mobile 2还围绕GPU进行了升级。
Arm把新一代Mali G2-Ultra NX称为第一颗“AI-native Mali GPU”。之所以叫AI-native，并不只是因为GPU增加了矩阵运算能力。Arm真正改变的是移动图形的一条基本规则：过去GPU需要渲染每一个像素、每一帧。而AI-native graphics的思路则变成：有选择地渲染，然后利用AI重建细节、帧和光照。
据了解，Mali G2-Ultra NX是首款集成专用神经网络加速器的Mali GPU，加入了一套专门的神经网络加速器NX，并围绕它提供了三项主要神经图形技术。
神经超级采样（NSS，Neural Super Sampling）：在Arm测试中，NSS可将540p画面重建至1080p，部分场景下持续帧率接近2倍，同时外部内存流量降低约50%。
神经帧率提升（NFRU，Neural Frame Rate Upscaling）：两帧真实渲染帧之间，通过硬件加速的光流信息以及神经网络生成中间帧。NFRU可以将持续60 FPS提高至120 FPS，同时将DRAM流量降低33%。
神经超级采样与降噪（NSSD，Neural Super Sampling & Denoising）：它进一步把超分与光追降噪结合起来，让GPU用更少的光线追踪样本生成最终画面。
这些技术将神经网络计算与传统图形处理紧密融合，实现更高的能效和响应速度。图形处理与神经网络计算可在同一处理管线中协同运行，使相关工作负载直接在GPU内完成，这为开发者在性能、能效与视觉质量之间进行权衡和优化提供了全新的方式。同时，该GPU还引入了全新的执行引擎（Execution Engine，EE）和第三代光线追踪单元（Ray Tracing Unit v3，RTUv3），专为日益复杂的图形工作负载以及现代游戏引擎功能而设计。
在Arm展示的《光影新生（Neural Dawn）》案例中，Mali G2-Ultra NX借助AI原生图形能力，将原本仅约15 FPS、基本停留在“不可玩演示”阶段的画面，提升到了可持续运行的60 FPS移动端体验。与上一代Arm CSS G1-Ultra参考平台相比，G2-Ultra NX最高可实现4倍帧率提升、4倍能效提升，同时将DRAM数据流量降低最高70%。
这意味着，在不显著突破手机功耗与散热预算的前提下，AI重建与神经网络技术正在把过去只能作为技术演示的复杂画面，推进到真正可持续运行的移动游戏体验。
据透露，多家领先游戏引擎和平台已将Arm神经网络技术集成到开发流程中，包括腾讯游戏公共技术线的Magic Dawn和Unity中国团结引擎。该技术也正加速迈向实际游戏应用，网易《燕云十六声》计划于今年向玩家推出支持神经超级采样（Neural Super Sampling，NSS）的版本；此外，Arm还联合腾讯游戏《暗区突围：无限》开展神经超级采样与降噪（Neural Super Sampling and Denoising，NSSD）技术演示，并与叠纸游戏《无限暖暖》推进NSS技术集成。
总体来看，CSS for Mobile 2真正想传递的，或许不只是C2相比C1提升了多少性能，或者G2-Ultra NX又增加了多少FPS。更值得关注的是，Arm正在重新组织移动端的计算资源：由CPU承担Agentic AI的编排与低延迟任务，将神经网络加速能力进一步融入GPU，再通过SI L2降低数据移动和访问延迟，最终借助软件、模型与开发工具，把这些原本分散的计算单元整合成一个完整的平台。
CSS for Mobile 2，正是Arm对下一代移动AI计算平台给出的“AI原生SoC”答案。
Total Design生态升级，
Arm加速物理AI走向规模化商用
如果说边缘AI把智能带到各类终端设备之上，实现本地隐私化、低时延的智能交互；那么物理AI（Physical AI）则代表智能体AI更进一步的演进方向：让AI不再只停留于数字空间的问答与生成，而是形成“感知推理行动”完整闭环，驱动汽车、人形机器人、工业自主系统在真实物理世界完成实体动作。
物理AI所蕴藏的市场机遇远超想象。
Arm物理AI业务拓展副总裁Dermot O'Driscoll指出，目前物理AI的年度运算市场规模约为250亿美元，而到2030年代有望超过2000亿美元，甚至成为计算史上最大的市场之一。这些智能将进入支撑现代社会运转的关键行业资源开采、农业生产、工业制造以及全球交通与物流运输。然而，这些行业同时也是最难实现转型升级的领域之一。
释放这一机遇意味着让智能机器具备感知、推理和行动能力，将AI模型、软件、计算平台、传感器和执行器整合为完整系统，使其能够实现可信运行和规模化部署。Arm强调，没有任何一家单一公司能够凭借一己之力扛起所有事情。面对日益复杂的生态系统，行业需要更广泛的协作，构建共同基础，减少生态碎片化，同时赋予创新者足够的灵活性来实现差异化创新。
正是基于这一判断，Arm在本次大会上宣布将成熟的Arm全面设计（Arm Total Design）生态项目正式扩展至物理AI领域。
面向物理AI的Arm全面设计生态项目汇聚了覆盖物理AI全技术栈的超过80家行业领先企业，包括亚马逊云科技（AWS）、Hugging Face、Liquid AI、恩智浦（NXP）、QNX、通义千问和西门子（Siemens）等国际巨头，以及亿咖通、智加科技（PlusAI）等中国创新企业。
Dermot O'Driscoll表示，Arm全面设计生态项目通过高度协同的合作模式，将软件栈、AI模型、传感器、计算硬件、虚拟平台和数字孪生等领域的专业能力整合在一起，助力合作伙伴在更早阶段开展解决方案开发与验证，降低集成风险，缩短从概念验证到实际部署的进程。
这种跨生态协作模式已在汽车行业得到验证：Arm联合亚马逊云科技、Google、HERE、RemotiveLabs和西门子共同打造了一套集成式数字座舱参考解决方案，使开发者能够在芯片就绪前就启动基于Arm Zena计算子系统（CSS）的软件开发、测试和验证工作。
机器人能力分级框架，补齐行业标准缺口
在物理AI领域，Arm的布局远不止于生态整合。作为生态系统首批协作倡议之一，Arm在本次大会上推出了机器人能力分级框架（Robotics Capability Framework）。Dermot O'Driscoll指出，机器人技术正在快速发展，但行业仍缺乏一套通用语言，用以描述、评估和交流机器能力的发展水平。这种碎片化现状使机器人系统的设计、集成和规模化部署面临更大挑战。正如SAE《驾驶自动化分级》为自动驾驶技术建立了统一的行业语言一样，机器人产业同样需要一套属于自己的通用语言。
机器人能力分级框架将为机器人系统定义不同级别的能力，以对应不同阶段的复杂度水平。Arm初步将机器人能力分为RL0到RL5六个等级：
RL0只能对外界刺激做固定反应；
RL1能按照预先设定的计划执行任务；
RL2可根据反馈调整执行方式；
RL3能依情境与意图调整，选择适当行动；
RL4可以同时考量多个目标，规划并协调不同动作；
RL5则能随时间改变自身行为，产生并持续改善策略。
据了解，该框架将现实世界应用场景与机器人的行为表现、输出能力以及系统需求关联起来，涵盖时延、算力部署位置、内存和功耗约束、确定性以及安全性等方面。未来，Arm还将与诸多企业伙伴和机构持续共同完善这一框架。
从更宏观的视角来看，Arm在物理AI领域的布局与其整体战略一脉相承。
物理AI与边缘AI既有联系又存在区别：边缘AI更多描述算力部署的位置，即在设备本地运行AI；物理AI聚焦系统能力，强调机器要和现实环境交互、输出物理行为，因此除端侧算力外，还对实时控制、功能安全、软硬件全栈协同提出更高标准。同时，物理AI并非完全脱离云端：开发者大多在云端完成模型训练、仿真迭代，再将模型下发到实体设备执行，这也正好契合Arm横跨云边缘物理世界的统一计算平台理念。
Dermot O'Driscoll在分享中也指出，智能体的运行场景正在跳出数据中心受Token成本、数据隐私以及响应延迟等因素的驱动，云端仍会承载超大规模模型和智能体集群，但越来越多的智能体将迁移至边缘本地运行，并最终走向物理世界。
如今，Arm在物理AI领域已拥有极为广泛的布局，几乎全球全部主流车企，以及大量人形、工业机器人厂商都在使用Arm架构技术，底层依托Arm Zena CSS汽车机器人计算子系统、全套IP产品，提供高能效、高确定性的计算能力，满足汽车、机器人严苛的实时与安全需求。
面向未来，物理AI蕴藏万亿级别的产业机遇，但目前仍处在早期发展阶段，行业需要解决碎片化、软硬件适配、安全确定性等诸多挑战。Arm并不试图单打独斗完成全部技术，而是以计算底座+开放生态框架的角色，汇聚上下游力量，降低创新门槛，推动物理AI从demo演示走向大规模商业化部署。
云AI：智能体时代，
Arm重新定义数据中心算力新选择
AI中国网 https://www.cnaiplus.com
本文网址：
