Arm边缘AI新动作：CPU里住进双SME2，GPU里藏了一个“NPU”

随着端侧大模型与智能体AI（Agentic AI）从概念走向落地，智能手机的算力需求正面临一场前所未有的结构性变革。传统由单一芯片（如NPU）孤军奋战的AI模式，已难以满足“持续运行、快速响应、极致视觉”的复杂需求。

在最新举办的Arm Everywhere China年度大会上，这家芯片架构巨头正式推出第二代移动终端计算子系统（CSS for Mobile 2）。这是一套专为新一代AI工作负载打造的计算平台，通过异构计算将CPU、GPU和系统IP紧密整合。

图 | Arm Everywhere China年度大会现场

在随后的媒体沟通会上，Arm高管与技术专家围绕这套硬件架构背后的设计考量与产业未来，进行了深度解密。

CPU升级“调度总管”，SME2释放端侧大语言模型潜力

在智能体AI的时代，AI不再只是拍张照、修个图的单一指令，而是需要持续维护上下文、调度不同模型、甚至自主执行任务。

Arm边缘AI智能终端计算副总裁James McNiven表示：“随着AI从执行单一任务逐步演进为管理日益复杂的工作流，CPU正成为整个系统的编排引擎。它负责维护上下文、调度工作负载，并协调更广泛计算系统中的各类任务，以确保 AI 智能体在推理、规划和执行过程中始终保持高响应性。”

图 | Arm边缘AI智能终端计算副总裁James McNiven答记者问（右）

全新的Arm C2 CPU集群结合了其性能最强大的移动CPU——C2-Ultra、面向能效优化的C2-Pro以及双SME2（可缩放矩阵扩展）单元配置。相较于上一代，C2-Ultra实现了高达1.7倍的AI性能提升，在相同性能下，功耗降低了38%；而翻倍的SME2计算能力，更让最新小语言模型（SLM）的运行速度提升高达70%。

谈到将SME2部署在CPU集群中的技术考量，James McNiven解释道：“SME2最独特的一点在于，它的编程方式和CPU保持一致。开发者无需采用独立且复杂的加速器编程模式，通过熟悉的指令就能直接调用矩阵计算能力。这不仅带来了极低的延迟与快速响应能力，还能充分利用 CPU 已有的安全模型与安全机制，大幅降低开发门槛。”

GPU首次引入专用神经网络加速器，打破能效天花板

移动端图形技术正在从“传统渲染”走向“AI原生图形技术”，通过神经网络进行画面细节的重建、增强与生成。此次发布的Arm Mali G2-Ultra NX正是业界首款集成专用神经网络加速器的移动GPU。

在媒体问答环节中，针对“为什么将神经网络加速器放在GPU里面，而不是放在NPU里面”的提问，James McNiven表示：“我们认为，不同类型的AI工作负载需要不同形式的加速能力，而异构计算正是满足各类计算需求的最佳方式。”

James McNiven指出，在GPU中集成的神经网络加速器，专门用于加速神经图形相关工作负载。更重要的是，这种设计能够让加速器共享执行引擎的内存和缓存资源（例如L1和L2缓存）。

这使得AI图形工作负载能直接在GPU内高效完成，让AI加速功能与图形渲染管线紧密协同、并行处理。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最高4倍的“每瓦性能”提升。

而针对市场关心的精度问题，James McNiven补充道，该加速器原生支持INT8和INT16数据格式以最大化能效，而包括FP16在内的浮点格式运算，则由执行引擎中的标准着色器核心来处理，从而在专用AI加速与通用计算能力之间取得最佳平衡。

直面硬件成本提升，用全链路优化化解产业痛点

近年来，全球存储价格与晶圆成本持续走高，给移动终端产业带来了巨大的成本压力。大模型动辄数GB的内存占用，成为端侧AI普及的最大阻碍。

对此，Arm边缘AI 执行副总裁Chris Bergey坦言：“移动产业当前确实正承受着来自多个方面的成本压力，比如存储、晶圆价格的提升，我们正与合作伙伴共同努力，全力推进全链路优化。”

图 | Arm边缘AI 执行副总裁Chris Bergey答记者问（左）

Chris Bergey透露，Arm应对挑战的关键策略之一，是推动AI模型向更小、更高效的方向演进。例如，Arm已经与阿里巴巴通义千问合作，展示了最新的Qwen-Audio家族如何在SME2上实现2-bit量化模型。由于模型规模非常小，成功在性能、成本和能效之间取得了更好的平衡。此外，在图形领域，Arm联合腾讯游戏等伙伴推进的“神经纹理压缩（Neural Texture Compression）”也是一大亮点，能在画质不变的前提下大幅缩小文件体积，直接为设备节省宝贵的内存资源。

双模式调度，破解智能体AI“持续运行”功耗难题

智能体需要持续调用工具并保持运行状态，这对手机的电池功耗与散热带来了极大挑战。

James McNiven认为，理解这个问题的关键在于如何定义“持续运行”。他指出，全时段高强度占用整个系统，与按周期进行调度，这两者之间是有区别的。许多智能体可以周期性触发运行，并不需要微秒级不间断工作，任务的运行强度才是决定功耗的关键。

Chris Bergey则从日常使用场景出发，提出了创新的双模式调度美学。他指出，可以将设备理解为两种不同的运行模式：“电池供电模式”与“充电供电模式”。

“当您晚上给手机充电时，设备可以利用充电供电执行大量的KV缓存（KV Cache）优化和上下文预处理等高负载任务。”Chris Bergey解释。通过这种在充电状态下的前置处理，就能让设备在白天处于电池移动使用阶段时，拥有更高的词元（Token）生成效率与更低的功耗负载。

开源与生态协同，加速移动端图形体验革命

在技术落地方面，James McNiven强调，Arm始终将能效放在核心位置。例如在与桌面端帧生成技术的对比中，移动端的神經幀率提升（NFRU）目前聚焦于单次额外帧生成（即实现帧率翻倍），其NSS模型因能效设计而更为精简。未来，Arm计划进一步拓展至多帧生成能力，并布局全局光照、辐射缓存等前沿技术。

同时，Chris Bergey特别强调了Arm在生态圈中的开放立场：“我们一直非常积极地推动开放模式的生态。开发者可以直接前往Hugging Face下载模型权重，并结合我们提供的工具进行实验和开发。”

目前，这套由CSS for Mobile 2引领的AI生态圈正在迅速壮大。从KleidiAI软件库到全新的AI Portal，Arm为开发者提供了开箱即用的神经图形能力。

据悉，包括Unity中国（团结引擎）、网易（《燕云十六声》计划推出支持神经超级采样NSS的版本）、腾讯游戏（《暗区突围：无限》技术演示）、以及支付宝、OPPO、vivo 等行业巨头，均已深度加入这一开放协作的产业生态。