Arm高管深度解读：移动端AI计算如何走向“融合时代”

在近日举行的Arm Everywhere China年度大会上，Arm重磅发布了第二代移动终端计算子系统CSS for Mo

在近日举行的Arm Everywhere China年度大会上，Arm重磅发布了第二代移动终端计算子系统CSS for Mobile 2，同时亮相的还有全新Mali G2-Ultra NXGPU与搭载SME2的Arm C2 CPU集群。会后，Arm边缘AI执行副总裁Chris Bergey与边缘AI智能终端计算副总裁James McNiven接受了包括本站在内的多家国内媒体专访，围绕产品生态、技术路线及行业趋势展开了四十余分钟的深入交流。

作为本次发布的核心亮点之一，Mali G2-Ultra NX是首款在GPU内部集成专用神经网络加速器的Mali产品，能够将神经网络计算与传统图形处理紧密融合。据官方数据，该GPU在神经网络处理场景下可实现最高4倍的每瓦性能提升，现有游戏内容中性能提升也可达14%。现场Arm还联合Sumo Digital演示了游戏《光影新生》，展示了更具电影感的光影效果与更流畅的高分辨率体验。未来，网易《燕云十六声》计划于今年推出支持神经超级采样的版本，腾讯《暗区突围：无限》也在与Arm共研神经超级采样与降噪技术演示。

针对神经网络加速器为何置于GPU而非NPU的问题，James McNiven给出了详细解释。他表示，不同类型的AI工作负载需要不同形式的加速能力，异构计算才是满足各类计算需求的最佳方式。GPU中集成的神经网络加速器专门针对神经图形工作负载进行了高度优化，而C2 CPU集群中配置的最多两个SME2单元则能基于CPU指令集加速AI工作负载，提供更快的响应与更低的延迟。他进一步指出，SME2部署在CPU集群中可利用CPU已有的安全模型与机制，而GPU内的神经网络加速器则能共享执行引擎的L1和L2缓存资源，从而高效处理AI图形任务，让AI加速与图形渲染管线紧密协同、统一调度。

在数据格式方面，James McNiven也回应了关于FP16运算为何不由NX单元承担的问题。他说明，Arm神经网络加速器原生支持INT8和INT16，这是为了在保证神经超级采样等场景所需精度的同时实现更高效率。至于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处理，这样能在专用AI加速与通用计算能力之间取得最佳平衡。

面对当前存储价格持续暴涨、短期内难以缓解的行业压力，Chris Bergey坦言移动产业正承受来自存储和晶圆等多方面的成本压力。Arm正与合作伙伴共同推进全链路优化，关键方向之一是推动AI模型向更小、更高效演进。他举例说，Arm已与阿里巴巴通义千问合作，在SME2上实现了2-bit量化模型，由于模型规模极小，能够在性能、成本和能效之间取得更好平衡。此外，让图形能力具备神经网络处理能力，也可减轻系统内其他同类加速器的压力。Chris Bergey表示，Arm正从多个维度应对这一挑战，但任务确实艰巨。

关于第二代移动终端计算子系统CSS for Mobile 2，Arm将其定位为面向智能体AI和神经图形技术重塑移动设备能力需求而打造的平台。Arm认为，下一代移动AI体验将不再由单一加速器定义，而是通过在统一优化的系统中融合各类AI能力来共同实现。C2 CPU集群配置了翻倍的SME2计算能力，可使最新小语言模型的运行速度提升高达70%，进一步增强CPU对AI工作负载的加速能力。