首页 / 资讯详情
Token 之后，谁来组织 AI 计算？Arm 寻找下一代计算的答案
摘要
如果说今年 3 月，Arm 推出首款自研 CPU 芯片，是这家公司向市场释放的一个信号，它开始尝试突破过去「只提供底层架构授权」的角色边界。那么在上海举办的 Arm Everywhere China 活动上，Arm 想传递的信息更加明确，不要再用过去「CPU IP 供应商」的方式理解今天的 Arm。 在这场活动中，Arm 没有只围绕某一个产品展开叙事，而是第一次更加完整地将自己的未来方向拆成三条线，云 AI、边缘 AI 和物理 AI。 和往年不太一样，去年 Arm 的主题演讲几乎全部围绕一件事展开 SME2，也就是让 AI 在 CPU 上跑起来。那是一个典型的「架构升级」叙事。但今年的主题演讲，三位业务负责人分别讲边缘 AI、物理 AI 和云 AI，围绕场景展开，算力会在云、端侧和物理世界之间流动，而 Arm 想成为这个「计算基建」的底座。 今年的 Arm 试图回答的是另一个问题，当 AI 正在重新改变计算方式时，下一代计算平台应该如何被设计？当 AI 计算正在从单一芯片性能竞争，转向多个计算单元协同竞争时，谁能够组织这些计算资源？我们惊讶地与多位 Arm 高管的交流中发现，当下的算力平台似乎不再追求为某一种确定的未来而设计，而是选择拥抱某种不确定性。 一、AI 时代，芯片 IP 已无法决定一切 过去几十年，Arm 最成功的商业模式是通过 CPU 架构和 IP 授权连接整个半导体产业。芯片厂商基于 Arm 架构设计 SoC，终端厂商基于这些芯片打造产品，而 Arm 通过开放授权模式成为移动计算时代的重要基础设施。到今天，基于 Arm 技术的芯片累计出货已经超过 3500 亿颗。 过去，芯片竞争更多围绕单一指标展开，需要更强的 CPU、更大的 GPU、更先进的制程。但进入 AI 时代后，一次完整的 AI 任务已经不再只是某一个计算单元完成，AI 任务也从单次计算逐渐走向连续推理、多模态交互以及智能体式的任务执行。这意味着，未来计算竞争的关键不只是拥有多少算力，而是如何让不同计算资源更加高效地协同。 这次活动的主题演讲， Arm 重点讲述了在不同任务场景里的算力需求变化。 在边缘 AI 领域，算力从「被动响应」到「持续运行」。两年前的 AI 是你问一句、它答一句，任务结束；今天的智能体则要理解上下文、检索本机数据、调用应用、在用户授权下自主完成任务，而且要在手机的功耗和散热约束下持续运行。终端设备正在从执行应用和处理数据的工具，变成能够理解意图、实时响应的智能节点。 在物理 AI 领域，算力从「车」转移到「机器人」。Arm 过去在汽车上的角色是提供安全、实时、低功耗的计算底座，而现在它走到了机器人上，两者共同的特征是感知和执行，都要求从「传感器」到「执行」的延迟足够短。 图片来源：极客公园 在云端 AI 领域，Arm 引用 IDC 的数据说，基于 Arm 架构的机架级服务器市场规模已经超越 x86，成为加速计算的主流平台。过去二十年数据中心 CPU 面向的是横向扩展的突发性负载，但智能体则是持续的，一个智能体能发起数百次调用。 「在智能体时代，CPU 的角色不再是加速，而是编排」。Arm 基础设施业务的负责人提到，这也是 Arm 开始改变自身角色的原因。如果继续停留在过去的 IP 授权模式，Arm 可以提供优秀的 CPU 架构，但无法参与决定一次 AI 任务最终如何完成。因此，近几年 Arm 开始逐渐从单纯提供 IP，走向提供更加完整的平台能力。如今，客户可以买 Arm 的 IP、也可以买 CSS，甚至可以买芯片。 但今年最明显的不同，是 Arm