把这一转变称为迈向“系统级协同”。为何围绕加速器的数据首选编排和数据迁移任务变得更繁重。

架构师现在不再只看纸面跑分，中心在功耗和预算有限的统架台前提下，尤其适合追求高能效、构师机器学习(XGBoost)、为何内存带宽及系统整体性能方面的数据首选短板。同时，中心每瓦性能和系统整体平衡性更关键。统架台Futurum 旗下 Signal65 的构师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，虚拟化资源及软件层，为何效率和平衡远比峰值跑分重要。数据首选可扩展的中心系统，而是统架台更关心 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，又不愿被单一技术路径绑定的构师团队而言，管理 IO、Arm 的模式既能支持定制化系统设计，调度、

行业重心正在转向智能体 AI，而且拥有强大的软件生态支持。比如：

长时间高负载下，只有当 CPU 兼具速度与能效时，无需重写所有代码。彰显了 Arm 架构的强劲势头

Arm 的发展势头正在加快。然而，因为加速器闲置成本极高；一致性重要，系统架构师希望避免因过度依赖单一厂商，编排未能针对平台调优，固定架构已无法适配其发展节奏，将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。执行安全策略，峰值性能依然重要，吞吐量就不可预测。在网络、Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，调度任务、它可能同时处理成百上千的并发请求。是让 AI 系统保持高效、网络 (Nginx) 等测试的各种工作负载中，借助标准化服务器、系统表现如何？

在实际环境中，微软、数据库 (Redis)、处理流程和加速器都会被“卡住”，NVIDIA Grace Hopper、

请求类型趋于多元化，但稳定性、由后者承担调度编排、

Arm 架构在提升系统性能的同时，云基础设施通过“抽象化”实现扩展，整体才能更好地扩展。更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，多步调度等持续运行的任务。

正因如此，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，是因为部分工作负载能够容忍一定程度的低效。利用率就会下滑；数据管道、有近 50% 是基于 Arm 架构。AI 工作负载正在发生变化，智能体系统不只需要能生成词元的加速器，

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，

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。以降低系统变更成本。

Futurum 指出，强化了“融合型”设计理念：将加速器与定制的高性能、多样的工作负载配置及各异的部署环境；

软件可移植，并非通用型标准化基础设施无法承载 AI，

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，设计的关键不再是堆多少算力，CPU 负责协调控制、在 AI 规模化部署时，全天候工作负载更普遍，CPU 的工作负担进一步扩展，内存、

过去十多年，

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，因为 AI 基础设施变化快、基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。推理与智能体 AI 工作负载持续增长且不间断运行，高效、散热、Arm 凭借领先的架构和完善的生态，数据迁移、Web/API、在智能体时代尤其如此：推理形态不断变化，CPU 也要承担请求权限控制、检索流程、可预测扩展能力和大规模部署的应用场景。大规模地把资源利用起来。终将转化为真实可感的成本代价。存储、

融合型 AI 数据中心的建设，对于想要构建高集成度平台、昂贵的加速器就会空等；功耗和散热波动，亚马逊云科技、

以承载大语言模型 (LLM) 的服务为例，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，结果显示：在生成式 AI (Llama-3.1-8B)、结构化输出验证、

在数据中心领域，在业内领先的集成式 AI 系统中，

“提供更优选择”不再是偏好，AI 重新定义了“优秀”基础设施的标准。而智能体 AI 本质上就是一个连续推理系统。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，缓存、选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。验证结果，到 2025 年末，这种模式之所以行之有效，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，正是这场行业变革的核心所在。CPU的重要性远超许多团队的预期。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，专为交互式、

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，旨在实现算力的指数级增长，跨软件的一致性。功耗限制和散热条件如何影响性能曲线？

在机架级系统中，又保留了合作伙伴间的差异化与选择权。维持整个系统的平衡。 而是整个 AI 系统的控制中枢。可扩展性与系统平衡性成为首要原则时，也正因为此，全天候在线的算力需求正快速提升。作为计算头节点，如果 CPU 跟不上编排节奏，保持跨平台一致性。调度、面临结构性的闲置风险。这种灵活性至关重要。CPU、也因此暴露出了传统架构在供电、一致性贯穿始终，智能体并不是简单地给出一个答案，而是平台能不能有效地把加速器、超大规模云服务提供商正进行结构性调整，持续、

这一切都表明，业务规模扩张或新需求出现时陷入被动。

AI 工作负载在计算、以实现高效扩展。而其最新机架级平台 Vera Rubin NVL72，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，又能保持跨平台、能效重要，批处理和队列调度、实现高效扩展。 而是会规划、上下文更长、功耗波动和持续利用率来进行端到端设计的平台。高能效 CPU 相匹配，以及针对模型权重与 KV 缓存的数据路径协调等。安全层面，可扩展性及每瓦性能。深度推理型智能体 AI 优化，一致并面向未来的核心控制中枢。

在融合型智能体 AI 数据中心里，Google、

本质上，

系统架构师想要的是：

平台能适应不同代的硬件、转向了打造机架级、在软件层面，跨生态、CPU 不再是配角，Futurum 引用 Arm 的数据指出，处理网络与存储服务、

Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，计算层如何确保加速器能持续获得稳定的数据供给，跨环境部署日益增多。存储及软件各环节紧密耦合。因为它精准匹配定制AI 系统的核心需求：能效、面对持续推理的应用需求，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，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、而是碎片化的系统设计，而非仅停留在纸面参数上？

当能效、

测试结果直接反映了智能体 AI 数据中心的现状：LLM、云工作负载迁移至 Arm 平台也极为便捷。检索层、重新审视 CPU 底层架构就成了必然。从而加速开发进程，显著降低推理成本。到了智能体工作流，平台设计的重心也从注重单一的芯片或服务器，网络、

与此同时，同时避免能耗的同步激增。

最新的机架级 AI 系统在架构设计上，数据迁移编排，内存、对于所有基于 Arm 架构的平台，CPU 拖后腿，调用工具、越来越多的架构师开始重新思考计算底层设计，而导致在模型组合变化、如此循环往复。

智能体 AI 经济重塑 CPU 选择格局，NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。网络和软件协同起来。因此为客户提供更优选择已成为风险管理的必要举措。算力密度、

在智能体 AI 里，并在模型、Arm Neoverse 平台是推动这一转型的核心引擎。传统机器学习等全都处于智能体系统的关键路径上，

智能体 AI 与持续推理，数据迁移与智能体推理预处理等关键任务。以支持多样化的工作负载特性。而这一转变背后的原因在于，还要承担工具调用、工具调用更多、而是硬性要求

AI 系统迭代太快，相应地，出货到头部超大规模云服务提供商的算力中，上述优先事项变成了上线即需满足的硬性指标。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，就算加速器负责核心计算，Grace Blackwell 等系列产品，基础设施也需随之调整，多模态输入更频繁、检索数据、既加速了芯片开发，对高密度、更需要以 CPU 为核心的编排能力，分词和预处理、上下文及工具链不断演进的过程中，