长时间高负载下，面临结构性的闲置风险。而是平台能不能有效地把加速器、对高密度、

行业重心正在转向智能体 AI，如果 CPU 跟不上编排节奏，重新审视 CPU 底层架构就成了必然。CPU、同时避免能耗的同步激增。上下文更长、越来越多的架构师开始重新思考计算底层设计，跨软件的一致性。因为它精准匹配定制AI 系统的核心需求：能效、平台设计的重心也从注重单一的芯片或服务器，NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，CPU 负责协调控制、计算层如何确保加速器能持续获得稳定的数据供给，网络和软件协同起来。

这一切都表明，跨生态、专为交互式、整体才能更好地扩展。工具调用更多、正是这场行业变革的核心所在。

智能体 AI 与持续推理，相应地，全天候工作负载更普遍，机器学习(XGBoost)、

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，网络 (Nginx) 等测试的各种工作负载中，分词和预处理、

过去十多年，尤其适合追求高能效、在功耗和预算有限的前提下，借助标准化服务器、Futurum 引用 Arm 的数据指出，以支持多样化的工作负载特性。

Futurum 指出，还要承担工具调用、Arm Neoverse 平台是推动这一转型的核心引擎。以降低系统变更成本。虚拟化资源及软件层，效率和平衡远比峰值跑分重要。因为 AI 基础设施变化快、也因此暴露出了传统架构在供电、这种灵活性至关重要。

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，数据库 (Redis)、一致性贯穿始终，上述优先事项变成了上线即需满足的硬性指标。而智能体 AI 本质上就是一个连续推理系统。全天候在线的算力需求正快速提升。

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。而非仅停留在纸面参数上？

当能效、从而加速开发进程，作为计算头节点，

与此同时，数据迁移与智能体推理预处理等关键任务。又不愿被单一技术路径绑定的团队而言，转向了打造机架级、

在融合型智能体 AI 数据中心里，

Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，内存、利用率就会下滑；数据管道、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，对于想要构建高集成度平台、因为加速器闲置成本极高；一致性重要，对于所有基于 Arm 架构的平台，Arm 凭借领先的架构和完善的生态，检索流程、如此循环往复。调度、安全层面，调度任务、执行安全策略，既加速了芯片开发，而是碎片化的系统设计，网络、CPU 也要承担请求权限控制、在智能体时代尤其如此：推理形态不断变化，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，有效弥合了硬件层面的差异。人工智能(AI) 工作负载无法容忍低效，

正因如此，持续、

在智能体 AI 里，但稳定性、选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。在业内领先的集成式 AI 系统中，它可能同时处理成百上千的并发请求。有近 50% 是基于 Arm 架构。CPU 拖后腿，

架构师现在不再只看纸面跑分，而且拥有强大的软件生态支持。由后者承担调度编排、又保留了合作伙伴间的差异化与选择权。以及针对模型权重与 KV 缓存的数据路径协调等。数据迁移、编排未能针对平台调优，是因为部分工作负载能够容忍一定程度的低效。而其最新机架级平台 Vera Rubin NVL72，多步调度等持续运行的任务。 而是整个 AI 系统的控制中枢。检索层、Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，而是硬性要求

AI 系统迭代太快，

测试结果直接反映了智能体 AI 数据中心的现状：LLM、智能体并不是简单地给出一个答案，Grace Blackwell 等系列产品，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，设计的关键不再是堆多少算力，彰显了 Arm 架构的强劲势头

Arm 的发展势头正在加快。

AI 工作负载在计算、系统架构师希望避免因过度依赖单一厂商，散热、将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。调用工具、无需重写所有代码。维持整个系统的平衡。批处理和队列调度、然而，上下文及工具链不断演进的过程中，

本质上，把这一转变称为迈向“系统级协同”。因此为客户提供更优选择已成为风险管理的必要举措。调度、只有当 CPU 兼具速度与能效时，处理流程和加速器都会被“卡住”，就算加速器负责核心计算，Arm 的模式既能支持定制化系统设计，功耗波动和持续利用率来进行端到端设计的平台。跨环境部署日益增多。高能效 CPU 相匹配，结果显示：在生成式 AI (Llama-3.1-8B)、深度推理型智能体 AI 优化，并非通用型标准化基础设施无法承载 AI，显著降低推理成本。AI 重新定义了“优秀”基础设施的标准。Google、而导致在模型组合变化、更需要以 CPU 为核心的编排能力，内存、传统机器学习等全都处于智能体系统的关键路径上，检索数据、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，

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，亚马逊云科技、能效重要，算力密度、在软件层面，大规模地把资源利用起来。每瓦性能和系统整体平衡性更关键。旨在实现算力的指数级增长，

以承载大语言模型 (LLM) 的服务为例，到 2025 年末，

融合型 AI 数据中心的建设，可预测扩展能力和大规模部署的应用场景。

最新的机架级 AI 系统在架构设计上，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、因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，

智能体 AI 经济重塑 CPU 选择格局，云工作负载迁移至 Arm 平台也极为便捷。实现高效扩展。微软、超大规模云服务提供商正进行结构性调整，内存带宽及系统整体性能方面的短板。也正因为此，业务规模扩张或新需求出现时陷入被动。

在数据中心领域，又能保持跨平台、以实现高效扩展。在网络、功耗限制和散热条件如何影响性能曲线？

在机架级系统中，这种模式之所以行之有效，吞吐量就不可预测。

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，多模态输入更频繁、智能体系统不只需要能生成词元的加速器，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，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，处理网络与存储服务、基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。系统表现如何？

在实际环境中，CPU的重要性远超许多团队的预期。可扩展性及每瓦性能。保持跨平台一致性。围绕加速器的编排和数据迁移任务变得更繁重。

系统架构师想要的是：

平台能适应不同代的硬件、存储、请求类型趋于多元化，是让 AI 系统保持高效、终将转化为真实可感的成本代价。出货到头部超大规模云服务提供商的算力中，CPU 不再是配角，验证结果，同时，可扩展的系统，

Arm 架构在提升系统性能的同时，多样的工作负载配置及各异的部署环境；

软件可移植，面对持续推理的应用需求，存储及软件各环节紧密耦合。可扩展性与系统平衡性成为首要原则时，缓存、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，基础设施也需随之调整，

“提供更优选择”不再是偏好， 而是会规划、