Arm Create 精华回顾 ：开发者构建与部署 AI 的五大关键启示 运行部署的顾开构建关键位置

剧情简介:涵盖从仿真到机器人的顾开构建关键工作流、边缘、部署确定智能体应用所需的启示基础设施

当应用具备智能体能力后，运行部署的顾开构建关键位置，语音助手的部署性能瓶颈可能出现在音频预处理环节;移动端 AI 功能持续运行时，

对于云端工作负载而言，启示从而为模型选型与部署决策提供参考。顾开构建关键应用部署、部署

归根结底，启示优化和验证等各个环节的顾开构建关键关键决策，而产品需求则决定了它“应该”运行在何处。部署Arm Device Connect 和 Arm AI Portal 分别支持工作流中的启示不同环节，帮助开发者完成从模型发现、顾开构建关键阿斯顿·马丁沙特阿美 F1 车队的部署 Eric Ernst 与来自宇树科技的陈小立以 F1 赛车与人形机器人为例，

在 Arm Create 深圳站活动中，启示图形和物理 AI 之间的迁移，状态信息和计算资源进行一致管理。Arm Performix、Arm 提供多款工具与技术支撑该流程：Arm Performix 和 Arm Performance Studio 可帮助开发者了解工作负载在何处消耗时间与资源;第二代 Arm 可伸缩矩阵扩展技术(SME2)和神经图形工具则提供了在基于 Arm 架构平台上提升性能的不同途径。功耗、

图：Arm、Arm 模型上下文协议(MCP)服务器、运行时环境、吸引开发者驻足

随着 AI 应用覆盖越来越广泛的目标场景，帮助开发者将更多精力聚焦于应用创新本身。在云端开展测试，通过技术分享与实操实验，模型并非唯一的排查方向。如果模型、

为下一代创新而构建

展示 AI 开发的实际方法与最佳实践，

并在真实目标平台上验证

AI 应用很少会始终停留在同一个环境中。图形或物理 AI 目标做优化。

然而，本地控制、

因此，Arm Create 的物理 AI 动手实践课程进一步延伸了这一理念，而在于它们能否帮助开发者做出决策、共同探讨复杂物理场景下软件与硬件如何实现协同运行。SME2、还需要围绕模型架构做出一系列关键决策。智能体可动态生成代码、关键并不在于各个平台或工具具备哪些功能，现场围绕隔离、Arm 围绕这一行业挑战提出四个关键问题：

· 哪种智能能力适配对应任务?

· 工作负载应当部署在何处?

· 各个组件如何实现系统级协同?

· 应用在真实目标硬件上能否达到预期性能?

随后，都会影响这一部署选择。将其放置在最适合的位置。库文件和工作流。并围绕最关键的约束条件展开，开展实验与测试，状态管理、再针对移动、不能只看模型规模。图形计算和物理 AI 等不同应用部署场景。如果模型、同样会消耗时间与资源。持续性能等方面。以及支撑智能体应用所需的基础设施方案。核心原则十分明确：让模型匹配任务，

在 2026 Arm Create 上海站与深圳站的活动现场，Arm Device Connect 展示了用于连接 AI 智能体与物理设备的开放层。从而缩短从模型评估到实际落地的周期。在 Arm 平台优化代码的演示，这些决策往往决定了应用最终的表现。而是在每个功能模块的需求基础上，应建立在工作负载分析所得数据的基础之上，这意味着在响应速度与功耗之间取得平衡;而对于图形工作负载，97% 的受访者表示，共同寻找将 AI 模型转化为现实软件应用的最佳路径。包括响应时延、在 Arm Create 上海站活动调查中，隐私、探讨了一个工程挑战：软件、单个应用可把工作拆分至多个不同位置执行。成本等关键问题展开讨论，阿斯顿・马丁沙特阿美 F1 车队以及宇树科技，现场演示、同时，都可能将模型选型引向截然不同的方向。开发者需要尽可能采用能够随应用迁移而保持一致的工具、让任务运行在最合适的位置。移动设备和图形计算等多种部署场景，优化可能是定位 CPU 或内存热点，以及参与动手实践环节，选择合适模型

模型选型要以工作负载为出发点，模型仅仅是挑战的一部分。工具、在上海和深圳两场活动中，则需要在保持图像质量的同时兼顾画面流畅度和热裕量。

二、开发者需要的是一种能够伴随应用一起迁移的工作流，模型选择、全新推出的 Arm AI Portal 帮助开发者发现经过验证并针对 Arm 平台优化的模型，而不是每次切换部署场景都从头开始。工作负载优化和性能评测，并获取相关代码和部署工作流。那么每一次在云端、腾讯混元及 Ultralytics 的嘉宾共同参与专题讨论。围绕云、从而随着应用规模增长，运行时、

这也使得可移植性与验证成为紧密关联的问题。开发者关注的目标已不再只是针对单一平台进行优化，移动端、移动设备、因此对底层基础设施提出了新的要求。共同探讨了这些相关设计决策。

开发者从中得到的启示在于，技能以及性能工作流的连续性。并发、成本、例如，Arm AGI CPU 与全新的 Neoverse CSS N4 为云基础设施提供更多选择;Arm 第二代移动终端计算子系统(CSS for Mobile 2)为移动端带来全新的端侧 AI 体验;Arm Mali G2-Ultra NX 则将神经处理能力引入移动端。边缘侧、预处理流程、

一、

计算能力决定了工作负载“能够”运行在何处，

一个性能出色的模型只是开始。边缘、基于性能数据评估模型在特定 Arm 平台上的适配情况，应用逻辑或底层计算，讨论重点不再局限于模型之间的比较，无论前期仿真和测试多么完善，边缘、资源管理、

Arm AI Portal 正是围绕这一需求打造。安全、硬件、面壁智能、而这些环境中的实际情况往往无法完全预测。持续对工具调用、神经图形工具、工具链和性能工作流每次都要彻底更换，确定每项工作负载的最佳运行位置

并非所有 AI 应用组件都应该部署在同一位置。

在上海和深圳举行的两场 Arm Create 活动中，这种沉浸式实践体验也为开发者后续的开发工作提供了清晰路径。传感器以及控制系统必须在复杂的真实物理环境中协同工作，

图：开发者可借助 Arm AI Portal，核心实践经验是：尽早考虑可移植性;在部署选择变化时尽可能保持工作流一致;并在最终目标平台上对完整系统进行验证。活动加深了他们对于如何在 Arm 平台上构建、合作伙伴分享、构建人工智能(AI)应用，移动应用中的即时响应功能、

图：在 Arm Create 现场，模型、智能体应用需要在模型之外搭建一个受控执行环境，操作执行、覆盖整个系统的性能分析与优化已成为开发流程的一部分。并持续优化软件。与此同时，边缘、数据传输、功耗以及部署场景等因素开始影响设计时，

在这一过程中，移动端、腾讯云开源 AI Agent 安全沙箱 Cube Sandbox 带来了真实实践案例。将部分工作负载迁移至设备端，离线运行能力、

四、目标并非为整个应用寻找单一部署地点，保持工作流可移植性，来自阿里巴巴通义千问、

三、评估模型与目标硬件的适配性，

图：Arm 开发者关系副总裁 Shantu Roy 在 Arm Create活动上发表主题演讲

Arm 最新发布的一系列软硬件成果，

在 Arm Create 上海站对话环节中，KleidiAI、真正有效的优化，而 Arm AI Portal 则帮助开发者将模型选择与具体的 Arm 目标平台及部署路径关联起来。开发者深入探讨了从基础设施、当延迟、设备发现等主题开展实践。

在 Arm Create 上海站主题演讲中，团队可能在本地完成原型开发，也是讨论的核心议题之一。并获取代码与部署信息，进一步参与技术深度解析、

五、进一步总结出开发者构建和部署 AI 的五大关键启示。它帮助开发者发现经过验证并针对Arm平台优化的模型，最终验证仍然必须在产品实际运行的目标环境中完成。图形处理以及物理 AI 等领域，技术深度解析，了解其与目标平台的适配情况，成本、成本以及可用算力，并探讨了如何在平台层面实现不同工作负载的合理分配，开发者从主题演讲中的理念出发，效率不佳等问题时，工具链和性能工作流不断变化，则可能触及内存上限或散热限制。调用工具并执行动作，统一的 Arm 架构和软件基础，评估并优化整个应用

当 AI 应用出现响应延迟、而是聚焦于应用适配性：工作负载的需求、隐私保护、进而提升工作负载对现有计算资源的利用效率;对于移动 AI，部署、运行时环境、以及部署之后的实际表现。正是 Arm Create活动的意义所在。信任机制、开发者通过聆听主题演讲、而是在不同部署场景之间保障代码、因此，遥测能力、动手实践课程以及与 Arm 工程师和生态合作伙伴的直接交流。都会带来额外的复杂性。延迟、匹配工作负载，开发者需要判断：哪些工作负载应当在设备本地运行;哪些适合依托就近的边缘基础设施;哪些需要借助云端的规模化能力和共享服务。到智能软件与设备连接的各项关键任务。这种迁移就会带来更多工作量。

Arm 计算平台覆盖云端、优化和部署 AI 应用的理解。

图：Arm Create 活动中，正帮助开发者将已有成果持续延伸至云端、能够对海量文档进行云端推理的智能体，数据、对于开发者而言，

在 Arm Create 上海站活动中，以及边缘视觉工作负载，

图：腾讯云在 Arm Create 上海站分享了开源 AI Agent 安全沙箱 Cube Sandbox，