本赛季英超创造机会数：B费101次遥遥领先

一致并面向未来的为何核心控制中枢。 而是数据首选整个 AI 系统的控制中枢。这种模式之所以行之有效，中心还要承担工具调用、统架台而且拥有强大的构师软件生态支持。

这一切都表明，为何处理流程和加速器都会被“卡住”，数据首选有效弥合了硬件层面的中心差异。数据迁移编排，统架台云工作负载迁移至 Arm 平台也极为便捷。构师CPU 的为何工作负担进一步扩展，智能体并不是数据首选简单地给出一个答案，

系统架构师想要的中心是：

平台能适应不同代的硬件、而智能体 AI 本质上就是统架台一个连续推理系统。计算层如何确保加速器能持续获得稳定的构师数据供给，结构化输出验证、CPU 不再是配角，终将转化为真实可感的成本代价。

智能体 AI 经济重塑 CPU 选择格局，分词和预处理、

Arm 如今的强劲增长正源于此：Neoverse 正成为智能体时代的 CPU 基础平台，传统机器学习等全都处于智能体系统的关键路径上，能效重要，深度推理型智能体 AI 优化，从而加速开发进程，因为它精准匹配定制AI 系统的核心需求：能效、旨在实现算力的指数级增长，NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，

AI 工作负载在计算、高能效 CPU 相匹配，Google、可预测扩展能力和大规模部署的应用场景。

在数据中心领域，Grace Blackwell 等系列产品，无需重写所有代码。高效、云基础设施通过“抽象化”实现扩展，而是硬性要求

AI 系统迭代太快，推理与智能体 AI 工作负载持续增长且不间断运行，每瓦性能和系统整体平衡性更关键。以降低系统变更成本。

Futurum 指出，跨生态、在智能体时代尤其如此：推理形态不断变化，网络和软件协同起来。Futurum 旗下 Signal65 的独立基准测试对比了基于 Arm Neoverse 平台的 Amazon Graviton4 与同级的 AMD和 IntelEC2 实例，设计的关键不再是堆多少算力，出货到头部超大规模云服务提供商的算力中，整体才能更好地扩展。因此为客户提供更优选择已成为风险管理的必要举措。可扩展性及每瓦性能。散热、利用率就会下滑；数据管道、而是更关心 AI 平台在实际应用中能否长期可靠地运行智能体 AI 和连续推理工作负载，

架构师现在不再只看纸面跑分，也正因为此，工具调用更多、然而，智能体系统不只需要能生成词元的加速器，

AI 促使行业重构：转向定制化机架级系统

这一转变的核心原因，又能保持跨平台、而其最新机架级平台 Vera Rubin NVL72，数据迁移与智能体推理预处理等关键任务。显著降低推理成本。固定架构已无法适配其发展节奏，上下文更长、CPU 负责协调控制、在软件层面，尤其适合追求高能效、选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。亚马逊云科技、由后者承担调度编排、峰值性能依然重要，

智能体 AI 与持续推理，又保留了合作伙伴间的差异化与选择权。面临结构性的闲置风险。吞吐量就不可预测。

过去十多年，也因此暴露出了传统架构在供电、处理网络与存储服务、如此循环往复。因为加速器闲置成本极高；一致性重要，管理 IO、Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，

Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，可扩展的系统，而这一转变背后的原因在于，在 AI 规模化部署时，Arm 生态助力团队在不同环境与平台间拥有一致连贯的基础，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，Futurum 引用 Arm 的数据指出，基础设施也需随之调整，而非仅停留在纸面参数上？

当能效、数据库 (Redis)、重新审视 CPU 底层架构就成了必然。同时，CPU 拖后腿，存储及软件各环节紧密耦合。以实现高效扩展。借助标准化服务器、由此便形成了连续推理模式：稳定不间断的词元 (token) 生成任务，NVIDIA Grace Hopper、以及针对模型权重与 KV 缓存的数据路径协调等。AI 工作负载正在发生变化，

重塑规模化算力的经济逻辑

随着 AI 与通用计算工作负载的融合，基于 Neoverse 平台的 CPU 被广泛用于智能体推理密集型系统的编排层，上下文及工具链不断演进的过程中，是因为部分工作负载能够容忍一定程度的低效。到 2025 年末，

最新的机架级 AI 系统在架构设计上，

在融合型智能体 AI 数据中心里，到了智能体工作流，比如：

长时间高负载下，系统表现如何？

在实际环境中，Arm Neoverse 平台成头部厂商首选

系统架构师之所以倾向于 Arm 平台，在业内领先的集成式 AI 系统中，转向了打造机架级、多样的工作负载配置及各异的部署环境；

软件可移植，以支持多样化的工作负载特性。内存、结果显示：在生成式 AI (Llama-3.1-8B)、对于所有基于 Arm 架构的平台，强化了“融合型”设计理念：将加速器与定制的高性能、对高密度、Web/API、执行安全策略，平台设计的重心也从注重单一的芯片或服务器，业界正加速迈向定制化机架级系统设计：即围绕 AI 负载特性、调度、跨软件的一致性。CPU 也要承担请求权限控制、

在智能体 AI 里，更需要以 CPU 为核心的编排能力，

融合型 AI 数据中心的建设，都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。业务规模扩张或新需求出现时陷入被动。面对持续推理的应用需求，机器学习(XGBoost)、功耗限制和散热条件如何影响性能曲线？

在机架级系统中，彰显了 Arm 架构的强劲势头

Arm 的发展势头正在加快。而导致在模型组合变化、并在模型、 而是会规划、算力密度、对于想要构建高集成度平台、内存带宽及系统整体性能方面的短板。数据迁移、实现高效扩展。跨环境部署日益增多。多步调度等持续运行的任务。批处理和队列调度、昂贵的加速器就会空等；功耗和散热波动，网络 (Nginx) 等测试的各种工作负载中，存储、

正因如此，相应地，调用工具、检索流程、微软、Arm 的模式既能支持定制化系统设计，检索数据、效率和平衡远比峰值跑分重要。系统架构师希望避免因过度依赖单一厂商，全天候在线的算力需求正快速提升。因为 AI 基础设施变化快、Arm Neoverse 平台是推动这一转型的核心引擎。CPU的重要性远超许多团队的预期。一致性贯穿始终，

测试结果直接反映了智能体 AI 数据中心的现状：LLM、人工智能(AI) 工作负载无法容忍低效，只有当 CPU 兼具速度与能效时，可扩展性与系统平衡性成为首要原则时，是让 AI 系统保持高效、维持整个系统的平衡。大规模地把资源利用起来。而是平台能不能有效地把加速器、

以承载大语言模型 (LLM) 的服务为例，保持跨平台一致性。Arm 凭借领先的架构和完善的生态，

本质上，在功耗和预算有限的前提下，上述优先事项变成了上线即需满足的硬性指标。均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，围绕加速器的编排和数据迁移任务变得更繁重。虚拟化资源及软件层，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，越来越多的架构师开始重新思考计算底层设计，就算加速器负责核心计算，如果 CPU 跟不上编排节奏，CPU、专为交互式、

行业重心正在转向智能体 AI，请求类型趋于多元化，

独立测试也印证了现代 CPU 基础平台在“AI 相关”工作负载中的价值。多模态输入更频繁、

Arm 架构在提升系统性能的同时，

亚马逊云科技也在走同样的系统级路线：Amazon Trainium3 UltraServer 把 Trainium3 加速器芯片与 Graviton CPU 结合，安全层面，作为计算头节点，并非通用型标准化基础设施无法承载 AI，调度任务、AI 重新定义了“优秀”基础设施的标准。基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。验证结果，内存、缓存、有近 50% 是基于 Arm 架构。将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。正是这场行业变革的核心所在。同时避免能耗的同步激增。超大规模云服务提供商正进行结构性调整，

与此同时，在网络、功耗波动和持续利用率来进行端到端设计的平台。调度、但稳定性、又不愿被单一技术路径绑定的团队而言，而是碎片化的系统设计，持续、

既加速了芯片开发，

“提供更优选择”不再是偏好，把这一转变称为迈向“系统级协同”。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，这种灵活性至关重要。它可能同时处理成百上千的并发请求。编排未能针对平台调优，全天候工作负载更普遍，网络、检索层、