CPU正在重新成为AI时代计算产业竞争的核心入口。

　　过去几年 ，生成式AI的爆发让GPU成为最受关注的计算芯片
，但随着AI从生成内容走向执行任务，CPU的重要性正迅速上升 。从数据中心承载智能体工作负载 ，到智能汽车和机器人进入物理世界
，再到手机端侧承担越来越复杂的AI任务，CPU正在从传统的通用计算器件 ，变成连接不同计算资源、不同软件和不同应用场景的基础平台
。

　　Arm显然正在押注这一变化。今年初
，Arm将旗下业务调整为云AI 、边缘AI
、物理AI三大部门 。这背后透露出其对下面 CPU芯片市场软硬件生态发展的思考
。今年3月，Arm首次推出实体CPU芯片Arm AGI CPU ，意味着这家公司已经不再只向客户提供IP和配套解决方案
，而是进一步向实体芯片及其背后的软件生态延伸。

　　近日 ，Arm首席营销官Ami Badani在接受21世纪经济报道记者专访时表示
，Arm已经为这一转变准备了很长时间 。在她看来，CPU市场正在迎来新的增长空间 ，而Agentic AI（智能体AI）正在成为推动这一市场变化的重要力量。

　　这也构成了计算平台巨头Arm如今最值得关注的战略变化：它想争夺的可能已经不只是某一类CPU市场
，而是要从云端、边缘到物理世界，搭建一个覆盖不同计算场景的完整平台
。

　　过去几年 ，AI基础设施的核心矛盾更多集中在“如何完成高强度的模型训练和推理”
，GPU因此成为整个产业最关注的计算资源。

　　但当AI开始进入智能体时代，计算需求正在发生变化 。

　　Ami对21世纪经济报道记者分析道 ，今年初以OpenClaw（“龙虾 ”）为代表的智能体引发巨大关注，背后核心驱动力就是AI编程能力的飞速提升
。

　　“在AI编程及其他智能体应用场景中
，大量工作涉及数据移动与编排 、数据库访问和API调用。负责执行高度复杂推理计算的加速器固然十分重要，但推理工作负载所需的大量API调用
、工具和任务 ，包括智能体之间的通信
，最终都需要由CPU来执行 。
”她对记者分析道
。

　　正是这种趋势，让CPU芯片今年以来也成为供不应求的核心产品 ，以Arm、英特尔 、AMD、高通为代表的核心公司股价同步大涨。

　　这也解释了Arm为什么要在今年推出Arm AGI CPU 。

　　Ami对记者指出
，在Arm AGI CPU发布前，CPU的潜在市场总规模（TAM）预计约为600亿美元；该产品发布时 ，Arm将这一预期上调至1000亿美元
，而到现在，市场规模大概已是当初的四倍
。

　　“CPU市场规模非常庞大 ，也蕴含着巨大的市场机遇。市场中虽然已有众多参与者
，但仍存在广阔的增长空间 。”她补充道
。

　　过去，Arm最核心的商业模式 ，是将CPU架构和IP授权给芯片公司，由客户完成芯片设计并推出最终产品自2023年开始
，Arm进一步将能力延伸至计算子系统，让客户能够更快地基于Arm架构打造完整芯片。

　　而Arm AGI CPU进一步迈出了从IP到实体芯片的一步 。Ami认为 ，这一变化实际上是市场和客户需求共同推动的结果。

　　“从某种意义上说
，Arm已经为今天这一刻准备了很长时间
。 ”她对记者回顾道，基于Arm架构的芯片累计出货量已超过3500亿颗。多年来 ，Arm也一直与内存
、晶圆制造、封装和系统等领域的合作伙伴密切合作
，同时不断完善客户支持能力，并确保能够获得足够的产能以满足市场需求 。

　　根据Arm首席执行官此前表示 ，预计到2030年数据中心CPU市场规模将达到1000亿美元
，Arm的目标是实现其中150亿美元的营收
。

　　对此，Ami对记者指出 ，“就Arm AGI CPU而言
，我们看到的是全球性需求，而且这些需求正在逐步转化为实际业务。相关应用也在多个维度发展 ，包括将Arm AGI CPU用作加速计算系统的头节点（head node） 、直接由CPU承载智能体工作负载，以及将其部署在由CPU与加速器协同构成的AI系统中 。近来
，这三类应用场景都已在市场中广泛出现
。随着业务规模持续扩大，我们预计还会涌现更多应用。
”

　　当然 ，市场不可避免会担心
，看起来在数据中心CPU芯片市场算是“新人”的Arm，如何从渠道体系
、客户信任等角度与已经在市场中形成深厚积淀的x86架构两大巨头竞争 。

　　Ami对记者提到 ，从IP业务的角度看
，Arm已经在数据中心市场销售Neoverse CPU核心多年
。AWS Graviton已发展至第五代，Google、Microsoft 、NVIDIA等企业也相继推出了基于Arm的数据中心平台。“近来  ，许多服务器及云服务提供商都在基于Arm架构设计定制芯片 。 ”她补充道
。

　　Arm认为自己进入数据中心市场已有很长时间。 “这是一个规模庞大的市场
，未来可能比当前看到的更大，足以容纳多个参与者共同发展 。Arm也相信自身具备从x86手中赢得更多市场份额的有利条件。”

　　这颗CPU芯片的中国合作伙伴也陆续浮出水面：联想集团
、字节跳动旗下云计算业务平台火山引擎、新紫光集团均在列
。

　　据悉 ，火山引擎计划将首批基于Arm AGI CPU的智能体沙箱解决方案推向市场。新紫光集团和Arm计划在中国成立联合通用人工智能创新中心
，围绕AI智能体编排 、CXL内存池化
、机架级系统架构及边缘AI等方向开展合作创新 。

　　如果说云AI回答的是“CPU芯片为什么重新变得重要
”，那么物理AI则进一步回答了Arm为什么需要建立新的业务组织和生态体系
。

　　今年年初 ，Arm成立物理AI业务部门。这背后并不是简单地把机器人作为一个新的市场机遇，而是源于一个更深层次的行业趋势：AI正在从数字世界走向现实世界 。

　　汽车、机器人 、农业
、采矿、制造 、物流等行业
，都开始需要让机器具备感知、推理和行动能力
。与数据中心相比，物理AI的计算环境更加复杂：计算资源分布在不同位置 ，软件栈更加碎片化
，同时还受到实时性
、功耗、安全性和确定性等约束。

　　这也是Arm认为自己能够发挥作用的地方 。

　　Ami告诉21世纪经济报道记者，Arm之所以成立物理AI业务部门 ，一个重要原因是其在汽车领域已经积累了长期经验
。随着自动驾驶的发展
，汽车需要越来越强的计算能力，而不少自动驾驶企业又正在向机器人领域拓展。

　　在Arm看来 ，汽车和机器人虽然属于不同产业
，但底层计算需求存在很强的相似性 。

　　因此，Arm正在尝试把自己过去在汽车等领域积累的能力进一步复制到物理AI的其他领域
。但与云AI不同 ，物理AI市场近来 显然还没有形成成熟的产业分工。

　　机器人行业尤其如此 。不同企业对于机器人能力的定义并不完全一致
，硬件 、软件
、传感器、执行器和AI模型之间也缺乏统一的描述方式。这使得一个机器人从实验室走向规模化部署时，往往还需要解决大量系统集成问题
。

　　Arm推出机器人能力分级框架（Robotics Capability Framework） ，实际上是在尝试解决这个问题：构建机器人领域的通用语言，为定义和推动机器人系统的发展奠定基础。

　　正如Dermot O'Driscoll受访时所说
，Arm提出的机器人能力分级框架并非旨在取代现有标准，而是希望用来聚合产业链各方参与者 ，为机器人平台能力建立一套统一的思考和描述方式
，推动产业协作 、产品研发及落地部署 。

　　“近来 ，行业已经在安全标准
、工业标准领域产出大量有价值的成果 ，我们无意取代这些成果
，也无意与之竞争
。”他补充道，“我们在与机器人企业、芯片供应商以及生态系统的其他伙伴沟通时发现 ，由于行业尚未清晰定义机器人能够具备哪些能力
，实际部署往往面临挑战。我们的目标是帮助行业建立更加清晰的能力定义，创造更多部署机会 。因此 ，我们将该框架视为一个能够汇聚不同利益相关方的协作平台
，其中也包括现有的标准组织
。各方可以在这一平台上开展合作 、探讨能力边界，共同推动机器人行业发展。 ”

　　这恰恰体现了Arm在物理AI上的不同思路 。Arm并不试图自己包揽机器人产业链 ，而是希望成为不同参与者之间的连接平台
。

　　Ami也坦言，Arm近来 仍处于不断学习这一市场的阶段。

　　与成熟的数据中心CPU市场相比
，物理AI仍处于早期阶段，究竟哪些机器人应用能够真正规模化 ，什么样的软硬件架构最终能够成为主流
，都还没有完全确定 。

　　因此，Arm选取 先从生态和平台切入
。一方面 ，Arm正在把Total Design模式延伸到物理AI领域
，聚合覆盖不同技术环节的企业；另一方面，又通过机器人能力分级框架试图把产业链中的需求重新组织起来。

　　近来  ，面向物理AI的Arm Total Design生态已经聚集了80多家企业 。

　　智能体应用的爆发不仅增加了云端计算需求
，也意味着越来越多的任务开始向设备端延伸。

　　手机就是最典型的例子
。过去，AI体验常常由单一AI工作负载或单个处理器定义 ，未来则需要让AI运行在适合特定任务的计算引擎之上。

　　Arm此次推出第二代移动终端计算子系统（CSS for Mobile 2）
，实际上正是在解决这一问题 。

　　它由两大计算引擎驱动：搭载第二代Arm可伸缩矩阵扩展（SME2）技术的Arm C2-Ultra CPU和Arm Mali G2-Ultra NX GPU
。

　　其中，C2 CPU引入第二代SME2技术 ，强化CPU本身处理AI工作负载的能力；Mali G2-Ultra NX则首次在Mali GPU中集成专用神经网络加速器，让神经网络计算与传统图形处理进一步融合
，以实现更高的能效和响应速度。

　　据称，结合Arm神经网络技术 ，Mali G2-Ultra NX在神经网络处理场景下可实现比较高 4倍的“每瓦性能
”提升 。同时
，Arm也在推进传统图形性能的发展
。与上一代产品相比，Mali G2-Ultra NX在现有游戏内容中可实现14%的性能提升。

　　整体看 ，Arm正在完成一次商业模式和市场边界的重新扩张 。过去
，Arm更主要是一家IP公司，它提供架构和核心IP ，客户再将这些IP集成到自己的芯片中
。

　　但从CSS到AGI CPU
，再到面向物理AI的生态体系，Arm正在不断向“系统解决方案”靠近。

　　这种变化背后 ，是AI时代计算需求本身发生了变化 。

　　AI不再只存在于数据中心的GPU服务器里
，而是进入手机
、汽车、机器人和各种边缘设备；工作负载也不再只是一次模型推理，而是越来越多地涉及数据访问 、任务编排
、实时控制和不同计算资源之间的协同
。

　　这使CPU不再只是执行通用计算的核心 ，而越来越成为整个计算系统的调度和连接中枢。由此，CPU市场的边界
，也在被重新定义 。

（文章来源：21世纪经济报道）