9 月 8 日，Arm 在上海举办 Arm Everywhere China 年度大会，发布移动端计算子系统 CSS for Mobile 2、云端计算子系统 Neoverse CSS N4，并更新了自有芯片 AGI CPU 的合作进展。

两条产品线，都把 CPU 放在了 AI 叙事的中心。手机 CPU 加强小模型推理，服务器 CPU 瞄准智能体运行。Arm 押注的是同一个变化：当用户开始让 AI 办事，模型给出的答案后面，还会跟着一连串需要执行的程序。

这些程序运行得如何，会决定 AI 究竟能替人省多少时间，也决定了算力预算该花在哪里。

大会现场展示的 Neoverse 计算子系统与 AGI CPU 模型给出方案以后还有活要干

让 AI 解释怎样分析一份销售表，它给出步骤，任务大致就结束了。让 AI 直接交付分析报告，后面的工作才刚开始。

它可能要读取文件，检查字段，写一段程序清洗数据，再运行程序生成图表。如果执行报错，还要把错误交回模型，修改代码，重新运行。模型与执行环境如此往返，直到产出结果。

在这条流程里，模型推理通常可以借助 GPU 或其他加速器，而读取数据、运行程序、管理进程等大量工作，仍由 CPU 及其所在的系统处理。

其中不少工作原本就由 CPU 承担。过去是人打开软件、发起操作、等待结果；智能体可以把这些步骤串起来，自动连续执行，也可以同时开展几个任务。变化发生在调用频率、并发量和资源调度上。随着这类应用增多，云平台除了供应模型推理，还要为它们准备足够的执行环境。

因此，模型提速并不保证整项任务按同样比例提速。程序排队、数据读取缓慢，或者工具调用迟迟没有返回，都可能让更快的模型停在那里等。CPU 性能只是其中一个因素，内存、存储和网络也会影响结果。用户等的是一份完成的报告，后台各个环节不能只顾自己跑分。

Arm 在本次云端发布中，特别强调了这种模型之外的计算需求。它同时区分了两类诉求：一些基础设施更看重吞吐效率，另一些智能体应用则对响应速度更敏感。前者关心一台机器能承载多少工作，后者关心眼前这项工作能否尽快往下走。

Arm 瞄准的增量，来自智能体使用规模扩大后增加的执行次数与并发任务。是否需要采购更多 CPU，取决于这些新增任务能否被现有系统消化。

在数据中心，服务器容量、电力和成本会约束这些执行任务。大量任务同时运行，会争用内存和 I/O 资源；核心再多，数据送不过来，执行效率照样上不去。

新发布的 Neoverse CSS N4 便同时增加计算密度与数据传输能力。产品资料显示，它单颗裸片最高支持 128 核，支持 LPDDR6 内存和 PCIe Gen 7 互连。相较 CSS N3，每插槽性能最高达到 2 倍，内存带宽最高达到 1.75 倍。这是平台层面的比较，不能全部归因于单个 CPU 核心变快。

CSS N4 同时提高核心容量、内存带宽和互连能力

对于前面那份销售报告，平台既需要让单个任务尽快读到数据、执行代码，也需要在许多用户同时提交任务时保持服务。扩充 CPU 核心、内存和互连，回应的是这两种压力。至于能多承载多少智能体，还要用具体任务和并发条件验证，发布会上的倍数不能直接换算成业务容量。

同一套任务到了手机上还要重算功耗

到了手机上，CPU 的角色又多了一层。它既要支持助手调用应用和系统服务，也可能直接承担部分小模型推理。后者取决于模型规模、延迟与功耗条件。

手机只有一块电池。一个经常唤醒、持续维护状态的助手，即使每次调用都不重，累积起来的能耗也会影响续航。Arm 在新一代移动平台里，同时加强了 CPU 的 AI 计算能力与能效。CSS for Mobile 2 中的 C2 集群，由 C2-Ultra 和偏重能效的 C2-Pro 组成，并配备双 SME2 单元。SME2 是第二代可伸缩矩阵扩展，可以提高 CPU 执行矩阵运算的效率，为部分小模型提供直接在 CPU 上运行的路径。

对系统来说，多一条运行路径就多一种安排任务的选择。模型多大、响应要多快、当前设备有多少功耗余量，都会影响计算该交给哪个单元。实际收益需要放到完整的应用中测，不能由一项峰值算力替代。

按照 Arm 公布的测试数据，相较 C1-Ultra，C2-Ultra 的 AI 性能最高达到 1.7 倍，单线程性能最高提升 15％，同等性能下功耗最高降低 38％。三项指标对应不同的性能和能耗比较，实际手机的表现还取决于芯片配置、软件与散热。

同一平台中的 Mali G2-Ultra NX，则把专用神经网络加速器集成到 GPU 内部，用于神经图形等负载。Arm 也在加强其他计算单元，让不同任务各有去处。

Arm 准备把这部分需求做到芯片生意里

计算需求发生变化，芯片公司接下来要决定以什么产品承接它。Arm 给客户准备了两条路。

CSS N4 面向仍要开发定制芯片的客户。Arm 先把 CPU 及相关系统部件集成并验证，客户再调整核心数量、缓存、内存和 I/O 等配置，用于云计算、数据处理单元 DPU、网络及其他专用设计。相比只拿到处理器 IP，客户少做一部分基础集成，又保留了决定产品配置的空间。

另一条路是采购 Arm 设计的 AGI CPU。这款芯片已于今年3 月 24 日发布，9 月大会更新的是合作与落地进展。据 Arm 本次发布资料介绍，OpenAI、Meta、Oracle、联想、Supermicro 等企业正在围绕它开发解决方案，火山引擎则在推进首批基于 AGI CPU 的智能体沙箱上市。

沙箱正是智能体执行代码的一种环境。平台需要隔离不同任务，分配计算资源，并处理网络和存储访问。Arm 与火山引擎的合作，把前面讨论的 CPU 需求落到了一个具体产品方向上。

火山引擎推进基于 Arm AGI CPU 的云服务与智能体沙箱

从 IP 到 CSS，再到成品芯片，Arm 参与一款产品的深度增加了。以往，客户从 Arm 获得设计，再完成芯片开发和产品交付；现在，客户可以把其中更多环节交给 Arm。由此增加的商业价值，也伴随着验证、供应和客户支持等责任，收入机会不能简单等同于利润增长。

更微妙的是客户关系。Arm 的芯片客户依靠自己的产品赚钱，当 Arm 也直接供应芯片，双方就可能在部分市场争取相同的订单。CSS N4 与 AGI CPU 并行，给客户留下了不同选择，却不会自动消除这种张力。Arm 如何支持伙伴的定制需求，如何安排自己的产品范围，都会影响这门生意能走多远。

这部分市场能有多大，还取决于智能体能否在实际业务中持续工作。应用只停留在演示阶段，就支撑不起长期的基础设施投入。即使需求增长，Arm 也要靠性能、能效和系统成本，争取客户选择自己的方案。

但评价 AI 算力的尺度已经可以向前多走一步。模型每秒生成多少内容，解释不了用户为什么仍在等待。等一份报告真的生成、一次操作确实完成，AI 的能力才算交到了用户手上。Arm 想争取的，就是这段从模型输出到任务完成之间的生意。