异构计算赋能 AI 工作负载
Arm 指出，为了满足 AI 在边缘侧、机器人、自主系统和数据中心系统中的性能和能效需求，必须采用异构架构，即 CPU 用于编排和系统级计算，GPU 用于并行处理，NPU 用于神经加速。
从边缘侧到云端的端到端解决方案
Arm 计算平台包含计算子系统 (CSS)，其中结合了 CPU、GPU、NPU 和系统 IP；而且包含参考设计，可实现从设备到数据中心的可扩展 AI 部署。
模块化计算子系统和参考设计能够加速创新和产品上市
Arm CSS 将核心计算组件打包在一起，例如用于数据中心和云的 Arm Neoverse CSS、用于 AI 定义车辆的 Arm Zena CSS 和用于消费电子设备的 Arm Lumex CSS 平台，使合作伙伴能够简化开发、加快产品上市并更有效地投资于 AI 创新。
软件和资源助力优化 AI 部署
丰富的资源，包括 AI 软件工具、文档、白皮书和指南，可帮助开发者优化和扩展 AI 工作负载。
常见问题
Arm 在异构计算中扮演什么角色？
Arm 在异构计算中扮演着核心角色，提供统一的架构，集成了 CPU、GPU、NPU 和互连技术。开发者因而能为每个任务部署合适的计算引擎，从而优化 AI、图形和控制工作负载的性能和能效。
AI 中的异构计算是什么？
AI 中的异构计算是指在单个系统中使用多种类型的处理器（例如 CPU、GPU 和 NPU）来运行 AI 工作负载的不同部分。每种处理器类型都针对特定任务进行了优化：CPU 负责通用逻辑处理，处理始终开启或功耗受限的推理工作负载；GPU 处理高吞吐量并行操作；NPU 用于加速机器学习推理。在基于 Arm 架构的平台上，此种架构能够在云端到边缘侧实现高效、可扩展的 AI 执行，从而提高复杂模型（例如生成式 AI 中使用的模型或用于生成式人工智能的持久性、编排密集型系统）的性能、能效和响应速度。
异构计算如何提升 AI 性能？
异构计算通过将工作负载分配到专门的处理单元（CPU、GPU 和 NPU）来提高 AI 性能，每个处理单元都针对不同的任务进行了优化。在基于 Arm 架构的平台上，此种方法可高效利用计算资源：CPU 负责处理编排、控制和逻辑，处理始终开启或功耗受限的 AI 工作负载，而 GPU 和 NPU 等加速器则非常适合计算密集型任务，例如模型训练。这种划分有助于减少瓶颈、降低功耗、提高吞吐量，从而使 AI 模型和生成式系统能够在云端、边缘侧和终端环境中运行得更快、更高效。
哪些行业最能从异构计算中受益？
依赖 AI、实时处理或高性能计算的行业最能从异构计算中受益。其中包括：
汽车和 AI 定义车辆：通过将任务分配到 CPU、GPU 和 NPU 上，实现先进驾驶辅助系统 (ADAS) 和车载 AI。
