正如 Arm 工程部軟件高級副總裁 Mark Hambleton 在《2025 年芯片新思維》報告中所說：人工智能 (AI) 的未來發(fā)展離不開軟硬件的協(xié)同。

然而，在由 Arm 贊助的新 CIO 報告中所述，開發(fā)者工作流程的碎片化限制了開發(fā)者創(chuàng)建和擴展新 AI 應用的速度，而這也是目前其所面臨的最大挑戰(zhàn)之一。

Arm 深知軟件對于釋放 AI 的真正潛力至關重要，因而從基礎架構和整個技術棧入手，致力于簡化 AI 開發(fā)流程，并支持新 AI 應用和工作負載實現(xiàn)無縫性能加速。

基礎架構

Arm 持續(xù)發(fā)展自身架構，作為軟硬件之間的重要接口。如今，從云端到邊緣側的廣泛市場中，Armv9 架構已成為智能手機、數(shù)據(jù)中心、高性能計算和汽車應用等領域的現(xiàn)代技術基礎。

Arm 不斷為最新的架構引入新的功能，例如此前推出的可伸縮矩陣擴展 (SME) 和可伸縮向量擴展 (SVE2)，有助于在各類應用中加速生成式 AI 和常見機器學習 (ML) 工作負載。SME 借由在通用指令集中引入復雜矩陣處理能力，使開發(fā)者能夠在其 AI 應用中實現(xiàn)出眾性能，并無縫遷移到不同的生態(tài)系統(tǒng)。由此不僅擴大了運行 AI 工作負載的硬件范圍，還顯著提升了用戶體驗。

CPU 對開發(fā)者的價值

上述架構特性都集成到了 Arm 的 CPU 中，使之成為軟件開發(fā)者首選的目標平臺。因為 Arm CPU 廣泛應用于從云端到邊緣側的各種應用，適合作為大多數(shù) AI 推理工作負載的直接目標平臺，被廣泛應用于數(shù)十億臺設備中，例如當今的智能手機，以及全球的云端和數(shù)據(jù)中心。通過選擇 Arm CPU 作為目標平臺，開發(fā)者能夠以更多類型的數(shù)據(jù)格式運行更廣泛的軟件，而無需為專用 NPU 開發(fā)多個版本的代碼。

CPU 為開發(fā)者提供了所需的一致性，避免了定制硬件解決方案所帶來的碎片化和效率低下。

正如 Hambleton 在《2025 年芯片新思維》報告中指出：AI 框架的互操作性是開發(fā)者的核心訴求。因此開發(fā)者通常默認選擇 CPU 后端，因為 CPU 的普遍性確保了更廣泛的兼容性。

此外，推動 AI 工作負載擴展的因素不僅限于架構的進步。

在 CIO 報告中，Arm 工程部機器學習工程副總裁 Nick Horne 表示，AI 已經(jīng)從依賴云端的龐大模型演變?yōu)榭稍谶吘墏然蚨藗冗\行的更小、更高效的模型。他指出：如今，有些出色的模型可在你隨身攜帶的設備上運行并提供高質(zhì)量的結果，某些情況下甚至能夠完全在 CPU 上運行。

對開源不變的承諾

Arm 與開源社區(qū)廣泛合作，致力于推動 AI 的普及，為開發(fā)者提供便捷途徑，使開發(fā)者能夠輕松獲取來自廣泛 Arm 生態(tài)系統(tǒng)合作伙伴的硬件，及時利用其中的最新架構特性和性能。

Horne 在 CIO 報告中強調(diào)了這一方法為開發(fā)者帶來的優(yōu)勢。他指出：采用具有良好硬件抽象的開源 AI 框架，能夠顯著避免對靈活性的影響。

如此一來，開發(fā)者無需受限于特定硬件、云服務提供商或軟件平臺。

Kleidi 助力輕松加速 AI

Arm Kleidi 很好地體現(xiàn)了上述優(yōu)勢的實際應用效果。Kleidi 提供開發(fā)者支持技術、資源和微內(nèi)核庫，能夠為在 Arm CPU 上運行的模型輕松實現(xiàn) AI 工作負載加速。由于 Kleidi 庫已集成到主流的開源 AI 框架和運行時中，包括 Google 的 MediaPipe、Meta 的 ExecuTorch 和 PyTorch、llama.cpp，騰訊的 Angel，以及阿里巴巴的 MNN。開發(fā)者無需額外工作即可獲得性能優(yōu)化，從而節(jié)省時間、精力和成本。Kleidi 現(xiàn)已集成至 Arm 技術覆蓋的所有市場，包括移動端、云、數(shù)據(jù)中心、汽車和物聯(lián)網(wǎng)領域。

與行業(yè)領先的生態(tài)系統(tǒng)合作

從更廣泛的層面來看，Arm 通過行業(yè)領先的軟件生態(tài)系統(tǒng)，與眾多合作伙伴開展協(xié)作，致力于安全、大規(guī)模地部署 AI。例如，Arm 與 GitHub 就 GitHub Runners 項目開展合作，使開發(fā)者能夠更高效地在云端測試和部署訓練好的模型。近期，面向 GitHub CoPilot 的 Arm 擴展程序為開發(fā)者提供了完全集成的原生 Arm 工作流，包括準確的代碼生成、測試用例創(chuàng)建和錯誤修復功能。

此外，Arm 還通過各種舉措推動底層軟件和固件部署的簡化和加速，實現(xiàn)順暢的軟件開發(fā)。Linaro OneLab、Trusted Firmware 和 PSA Certified 等項目促進了各方協(xié)作，并為快速發(fā)展的邊緣側 AI 和高性能物聯(lián)網(wǎng)領域的安全軟件部署和支持提供了藍圖。在汽車行業(yè)，Arm 發(fā)起的面向嵌入式邊緣的可擴展開放架構 (SOAFEE) 致力于提供基于標準的框架，以實現(xiàn)軟件的規(guī)?；瘡陀茫瑥亩s短開發(fā)周期，滿足了軟件定義汽車 (SDV) 應用中對更多 AI 的空前需求，同時提升了駕駛體驗。

開放標準推動創(chuàng)新

最后，缺乏標準化實踐可能會阻礙創(chuàng)新，并可能在未來給開發(fā)者制造復雜難題。開放標準使開發(fā)者和研究人員可以在不同平臺之間無縫切換，同時專注于訓練、量化和部署，通過模型的持續(xù)創(chuàng)新創(chuàng)造價值。

借助軟件加速 AI 創(chuàng)新

為了讓 AI 技術充分發(fā)揮潛力，軟件開發(fā)流程需要簡化、加速并開放。Arm 技術及其生態(tài)系統(tǒng)通過專注于開放標準、硬件抽象并與不斷演變的框架保持兼容，助力實現(xiàn)面向未來的 AI 開發(fā)。開發(fā)者因而能夠在不同硬件上無縫創(chuàng)建和部署 AI 應用、模型和工作負載并提升性能，從而基于 Arm 平臺為 AI 時代打造更優(yōu)質(zhì)的軟件。