Arm构建全场景智能计算底座 端侧技术升级重塑消费终端体验

9 月 8 日，Arm Everywhere China 2026 年度大会在上海举办，围绕智能体时代分布式、全场景的计算需求，集中披露了覆盖云、边、物理世界的全栈技术布局。在物理 AI 赛道，Arm 将 Total Design 全面设计生态模式延伸至机器人、工业自动化等场景，携 80 余家生态伙伴共建面向物理 AI 的全面设计生态项目，并推出机器人能力分级框架，以统一标准破解行业碎片化痛点；在云 AI 赛道，通过 Neoverse CSS N4 高可配置计算子系统与 AGI CPU 形成分层算力供给，适配从定制化芯片到量产级智能体的多元基础设施需求，目前基于 Arm 架构的机架级服务器市场规模已超越 x86。而在与消费终端联系最紧密的边缘侧，第二代移动终端计算子系统（CSS for Mobile 2）的发布，从 CPU、GPU 底层架构重构了端侧 AI 的运行逻辑，也为移动游戏、家庭智能视觉等民用场景带来了可感知的体验突破。

边缘 AI 双引擎原生异构 从架构根源破解端侧痛点

CSS for Mobile 2 的核心逻辑，是让 AI 加速能力原生融入每一个计算引擎，而非作为独立 NPU 单元外挂式调度，以此在性能、能效、开发门槛、任务协同之间找到最优解。这套由 C2-Ultra CPU 与 Mali G2-Ultra NX GPU 组成的双引擎架构，也回应了行业关于 AI 加速单元部署方式、精度平衡、成本与功耗约束等普遍关切。

在 CPU 侧，C2-Ultra 集群集成了最多 2 个 SME2（可伸缩矩阵扩展）AI 加速单元。和传统独立 NPU 采用专属编程模型、单独调度的模式不同，SME2 完全沿用 CPU 的指令集编程逻辑，开发者无需适配专用工具链，通过标准 CPU 指令即可调用矩阵计算能力。这种设计带来了两个核心优势：一是延迟极低，AI 任务与通用计算任务可以在 CPU 流水线中统一调度，省去了跨加速器的数据搬运开销；二是可以直接复用 CPU 成熟的安全模型与权限机制，更适合处理敏感的端侧数据。现场实测显示，在多线程智能体典型工作负载中，搭载 SME2 的 C2 架构相比上一代整体执行效率提升 24%。

在 GPU 侧，Mali G2-Ultra NX 首次将专用神经网络加速器（Neural Accelerators）原生集成在 GPU 架构内部，专门针对神经图形类工作负载做深度优化。对于 “为何将神经网络加速器置于 GPU 而非独立 NPU” 的疑问，Arm 给出的答案是资源共享与管线协同：加速器可以直接共享 GPU 执行引擎的 L1/L2 缓存与内存资源，大幅减少数据拷贝带来的延迟与功耗；同时 AI 图形任务可以和传统渲染任务在统一的图形管线中调度，并行处理效率更高。
在精度选择上，这套架构也做了分层设计：NX 单元原生支持 INT8/INT16 整数精度，优先保证神经超级采样、帧率提升等场景的能效表现；而 FP16 等浮点格式运算，则由 GPU 中的标准着色器核心承担，通过异构调度为不同类型的工作负载匹配最合适的计算单元。

针对当前存储成本高企的行业痛点，Arm 也从架构与生态两端给出了应对路径。一方面通过模型极致压缩降低资源占用，例如与阿里巴巴通义千问合作，实现了 2bit 量化模型在 SME2 上的落地运行，在保证基础精度的前提下大幅缩小模型体积；另一方面通过神经纹理压缩等图形技术，在画质无损的前提下缩减纹理文件体积，直接节省设备显存与存储空间。

针对智能体持续运行带来的内存与功耗压力，Arm 的技术思路是分级调度而非全时满负载。端侧智能体并非所有任务都需要微秒级不间断响应，大量场景可以采用周期性触发的低强度运行模式；同时系统可以区分供电状态动态分配任务：在夜间充电时，集中执行 KV 缓存优化、上下文预处理等高负载工作，在移动电池供电模式下则优先保证轻量任务的响应效率，通过智能调度平衡体验与功耗。

对于移动端神经图形技术与桌面端 DLSS 类方案的差距，Arm 方面表示，二者底层技术原理同源，但移动端始终将能效放在首位。目前 Arm 的神经帧率提升（NFRU）技术已实现单额外帧生成，也就是帧率翻倍的效果，而桌面端 DLSS5 已支持多帧生成；未来 Arm 也会逐步拓展多帧生成、全局光照、辐射缓存等高级特性，但现阶段的核心目标依然是在移动设备的功耗约束下，实现高质量的图形 AI 体验。同时 Arm 已将相关 AI 模型权重开源至 Hugging Face，开发者可以免费下载并二次开发，通过开放生态推动技术迭代。

两大消费场景率先落地 技术红利可感知

边缘 AI 架构的原生升级，最终会落地到具体的消费场景中，其中移动游戏与家庭智能摄像头是最先感知到技术红利的两大领域。

移动游戏：画质、帧率、功耗的不可能三角被打破

长久以来，移动端游戏始终面临画质、帧率、功耗的 “不可能三角”—— 提升画质和帧率必然带来功耗飙升，受限于移动设备的散热与电池容量，三者很难同时兼顾。而神经图形技术的原生落地，第一次打破了这一三角平衡。
具体来看，神经超级采样（NSS）可以将低分辨率渲染的画面智能放大至高分辨率，在不显著增加渲染负载的前提下提升画面清晰度；神经帧率提升（NFRU）通过 AI 生成中间帧，实现帧率翻倍，改善游戏操作的跟手性与流畅度；神经纹理压缩技术则可以在视觉效果基本无损的前提下，大幅缩小纹理文件体积，不仅减少游戏安装包大小，更能直接降低运行时的显存占用，间接缓解存储成本压力。
目前 Arm 已与腾讯游戏、Unity 中国、叠纸游戏等头部厂商展开深度合作。例如腾讯游戏将 Arm 神经网络技术集成至 MagicDawn 游戏中台；Unity 引擎也已原生集成相关能力，开发者可以 “开箱即用” 地为游戏加入 AI 图形增强。现场展示的技术 Demo《光影新生》，借助神经图形技术实现了移动端光追级别的画面效果，而功耗控制在移动设备可接受的范围内，该游戏预计在新芯片平台量产后 30-60 天内完成适配验证。

家庭智能摄像头：端侧原生 AI 兼顾安全、能效与响应

对于家庭智能摄像头这类 24 小时待机的终端设备，SME2 带来的 CPU 原生 AI 加速，有着比独立 NPU 更适配的技术特性。
首先是低功耗持续运行：SME2 依托 CPU 的智能调度，可以在低功耗模式下周期性运行人脸识别、人形检测、异常行为识别等 AI 任务，进行实时文字总结并可以通过手机短信提醒。其次是隐私安全：所有 AI 推理都在端侧 CPU 内完成，无需将视频画面上传云端，避免了隐私数据泄露的风险。同时，得益于 SME2 的低延迟特性，摄像头可以迅速进行异常事件响应，例如识别到老人跌倒、陌生人闯入时，可以立刻触发告警与推送。
未来随着端侧智能体的普及，家庭摄像头还可以从单纯的 “记录设备” 升级为 “家庭看护智能体”：结合 SME2 的多任务并行能力，摄像头可以同时完成环境感知、行为分析、设备联动等多重任务，例如识别到幼儿靠近窗边自动告警、识别到火灾隐患联动智能家居断电，真正实现主动式的家庭安全防护。

结语

从物理世界的标准共建，到云端的算力分层，再到边缘侧的架构原生重构，Arm 正在围绕智能体时代的需求，构建无处不在的统一计算底座。而边缘侧的技术迭代，是这一轮产业升级中最贴近消费者的一环，不仅是参数与性能的提升，更通过底层架构的优化，把 AI 能力高效地渗透到游戏、视觉、交互等每一个终端场景中，最终带来可感知的体验升级。