项羽用鸿门宴想要对项羽下手 项羽为何杀不了刘邦

本质上，AI 重新定义了“优秀”基础设施的标准。相应地，平台设计的重心也从注重单一的芯片或服务器，转向了打造机架级、可扩展的系统，在功耗和预算有限的前提下，实现高效扩展。而这一转变背后的原因在于，推理与智能体 AI 工作负载持续增长且不间断运行，对高密度、全天候在线的算力需求正快速提升。

Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，把这一转变称为迈向“系统级协同”。设计的关键不再是堆多少算力，而是平台能不能有效地把加速器、CPU、内存、网络和软件协同起来。

正因如此，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、功耗波动和持续利用率来进行端到端设计的平台。越来越多的架构师开始重新思考计算底层设计，选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。

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，并非通用型标准化基础设施无法承载 AI，而是碎片化的系统设计，在 AI 规模化部署时，终将转化为真实可感的成本代价。

AI 工作负载在计算、内存、网络、存储及软件各环节紧密耦合。CPU 拖后腿，昂贵的加速器就会空等；功耗和散热波动，利用率就会下滑；数据管道、调度、编排未能针对平台调优，吞吐量就不可预测。峰值性能依然重要，但稳定性、每瓦性能和系统整体平衡性更关键。

Futurum 指出，超大规模云服务提供商正进行结构性调整，旨在实现算力的指数级增长，同时避免能耗的同步激增。Futurum 引用 Arm 的数据指出，到 2025 年末，出货到头部超大规模云服务提供商的算力中，有近 50% 是基于 Arm 架构。

架构师现在不再只看纸面跑分，而是更关心 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，比如：

长时间高负载下，系统表现如何？

在实际环境中，功耗限制和散热条件如何影响性能曲线？

在机架级系统中，计算层如何确保加速器能持续获得稳定的数据供给，而非仅停留在纸面参数上？

当能效、可扩展性与系统平衡性成为首要原则时，重新审视 CPU 底层架构就成了必然。也正因为此，Arm 凭借领先的架构和完善的生态，正是这场行业变革的核心所在。

在数据中心领域，Arm Neoverse 平台是推动这一转型的核心引擎。亚马逊云科技、Google、微软、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。Arm 的模式既能支持定制化系统设计，又能保持跨平台、跨生态、跨软件的一致性。对于想要构建高集成度平台、又不愿被单一技术路径绑定的团队而言，这种灵活性至关重要。

智能体 AI 与持续推理，

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，AI 工作负载正在发生变化，基础设施也需随之调整，以支持多样化的工作负载特性。

行业重心正在转向智能体 AI，而智能体 AI 本质上就是一个连续推理系统。智能体并不是简单地给出一个答案， 而是会规划、调用工具、检索数据、验证结果，如此循环往复。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，请求类型趋于多元化，围绕加速器的编排和数据迁移任务变得更繁重。

在智能体 AI 里，CPU 不再是配角， 而是整个 AI 系统的控制中枢。CPU 负责协调控制、调度任务、管理 IO、处理网络与存储服务、执行安全策略，并在模型、上下文及工具链不断演进的过程中，维持整个系统的平衡。

以承载大语言模型 (LLM) 的服务为例，它可能同时处理成百上千的并发请求。就算加速器负责核心计算，CPU 也要承担请求权限控制、分词和预处理、批处理和队列调度、数据迁移编排，以及针对模型权重与 KV 缓存的数据路径协调等。到了智能体工作流，CPU 的工作负担进一步扩展，还要承担工具调用、检索流程、结构化输出验证、多步调度等持续运行的任务。

这一切都表明，CPU的重要性远超许多团队的预期。如果 CPU 跟不上编排节奏，数据迁移、处理流程和加速器都会被“卡住”，面临结构性的闲置风险。

融合型 AI 数据中心的建设，彰显了 Arm 架构的强劲势头

Arm 的发展势头正在加快。在业内领先的集成式 AI 系统中，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，尤其适合追求高能效、可预测扩展能力和大规模部署的应用场景。

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。Futurum 旗下 Signal65 的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，结果显示：在生成式 AI (Llama-3.1-8B)、数据库 (Redis)、机器学习(XGBoost)、网络 (Nginx) 等测试的各种工作负载中，基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。

测试结果直接反映了智能体 AI 数据中心的现状：LLM、检索层、缓存、Web/API、传统机器学习等全都处于智能体系统的关键路径上，只有当 CPU 兼具速度与能效时，整体才能更好地扩展。

最新的机架级 AI 系统在架构设计上，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，由后者承担调度编排、数据迁移与智能体推理预处理等关键任务。NVIDIA Grace Hopper、Grace Blackwell 等系列产品，将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。而其最新机架级平台 Vera Rubin NVL72，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，专为交互式、深度推理型智能体 AI 优化，显著降低推理成本。

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，强化了“融合型”设计理念：将加速器与定制的高性能、高能效 CPU 相匹配，以实现高效扩展。

“提供更优选择”不再是偏好，而是硬性要求

AI 系统迭代太快，固定架构已无法适配其发展节奏，因此为客户提供更优选择已成为风险管理的必要举措。

系统架构师想要的是：

平台能适应不同代的硬件、多样的工作负载配置及各异的部署环境；

软件可移植，以降低系统变更成本。

与此同时，系统架构师希望避免因过度依赖单一厂商，而导致在模型组合变化、业务规模扩张或新需求出现时陷入被动。在智能体时代尤其如此：推理形态不断变化，上下文更长、工具调用更多、多模态输入更频繁、全天候工作负载更普遍，效率和平衡远比峰值跑分重要。

Arm 架构在提升系统性能的同时，保持跨平台一致性。Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，而且拥有强大的软件生态支持。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，既加速了芯片开发，又保留了合作伙伴间的差异化与选择权。对于所有基于 Arm 架构的平台，一致性贯穿始终，云工作负载迁移至 Arm 平台也极为便捷。同时，在软件层面，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，从而加速开发进程，无需重写所有代码。

智能体 AI 经济重塑 CPU 选择格局，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，因为它精准匹配定制AI 系统的核心需求：能效、可扩展性及每瓦性能。能效重要，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，因为加速器闲置成本极高；一致性重要，因为 AI 基础设施变化快、跨环境部署日益增多。

在融合型智能体 AI 数据中心里，面对持续推理的应用需求，上述优先事项变成了上线即需满足的硬性指标。智能体系统不只需要能生成词元的加速器，更需要以 CPU 为核心的编排能力，在网络、存储、调度、安全层面，持续、高效、大规模地把资源利用起来。

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，作为计算头节点，是让 AI 系统保持高效、一致并面向未来的核心控制中枢。

  卓世杰在文中指出，当手机拥有10倍光变长焦后，视频体验的核心不仅在于“拍得到”，更在于画质表现与拍摄的便捷性。Find X9 Ultra依托如同“将增距镜装进手机里”的物理优势与定制大底传感器，将10倍焦段的视频清晰度推向了真4K 60fps的新高度，彻底改善了传统长焦视频放大后的算法涂抹感。

  第一重跨越体现在清晰度上。传统手机长焦视频往往止步于“能看见”，放大后满是算法涂抹和模糊像素。而Find X9 Ultra凭借原生光学镜头，能够清晰捕捉演唱会偶像的发丝等微小细节，让手机长焦视频第一次拥有了“数毛”的底气。

  第二重跨越在于更生动的舞台光影还原。面对演唱会高对比度的追光或极致逆光等复杂光源，传统方案往往只能拍出一片死白或死黑。Find X9 Ultra的长焦镜头凭借全链路高动态范围能力，能够准确还原舞台光影层次，避免画面出现严重的过曝或暗部死黑。

  第三重跨越是更好的防抖体验。针对长焦端手抖放大的物理特性，OPPO引入了云台级传感器防抖技术和高精度动态补偿，让用户在演唱会等拥挤场景下单手持机也能输出平稳画面，打破了长焦视频重度依赖三脚架或稳定器的限制。

  从官方公布的对比视频来看，Find X9 Ultra在清晰度、光影还原和防抖效果上均展现出明显优势。在清晰度方面，友商产品放大后细节模糊，而Find X9 Ultra则能清晰呈现每一个细节;在光影还原上，友商产品在复杂光线场景下表现不佳，而Find X9 Ultra能够精准捕捉光影变化，还原现场氛围;在防抖效果上，友商产品手持拍摄画面抖动明显，而Find X9 Ultra则能保持画面稳定，输出高质量视频。

  就目前曝光的影像配置与实测表现来看，OPPO Find X9 Ultra 在画质解析力、舞台光影还原、长焦手持防抖三大核心维度实现均衡突破，有望成为新一代演唱会视频拍摄神器。

果然，面对以二队阵容为主参赛的塞尔维亚女排，中国女排即使没有派出以张常宁为首的最强阵容，但是由段放、刘晓彤、刘晏含、高意、杨涵玉、刁琳宇、林莉组成的先发阵容在开局阶段表现还算不错，有发球直接得分，也有拦网进账，并以8-4进入第一次技术暂停。只不过，随着比赛的深入，塞尔维亚女排的球员们在场上体现出了网上实力，她们不断通过发球破坏中国女排一传，或者造成中国队的一传直接失分，中国女排在多轮进攻不利之后，被塞尔维亚女排把比分反超到12-10，并且塞尔维亚队以16-13进入第二次技术暂停。在这个阶段中国女排也用栗垚换下段放，提升主攻位置上的一传和进攻能力。不过塞尔维亚女排还是保持着三四分左右的分差，直到局末，这一局中国女排虽然以22-25输掉了，但是由于姑娘们在局末拼发球拼的效果不错，刁琳宇和栗垚都有直接得分进账，这也为中国女排在第二局争取扭转局势带来了信心。

比赛的第二局，依然是塞尔维亚队率先打开局面，依靠发球直接得分取得2-0的领先，但是中国女排随后也还以颜色，双方从3平、4平打到5平、6平和7平，姑娘们明显在拦网方面有一定进步，几次拦死拉佐维奇的进攻。不过塞尔维亚女排的进攻点更为分散，扣球也更加坚决，8-7，她们领先中国女排1分进入本局第一次技术暂停。随后塞尔维亚女排的一轮强发球让中国女排连续进攻被拦或者出现进攻失误，双方分差被拉开到7-11，中国女排叫暂停调整，回来后杨涵玉的背飞加栗垚和杨涵玉的两次双人拦网，还有栗垚自己的四号位进攻连续得手，助中国女排12-12追平比分。可惜随后中国女排进攻连续被拦，或者小球处理不够过关，12-16再被拉开分差。虽然叫暂停调整后有一定效果，一段把分差追到18-21，但是局末阶段，拉佐维奇在一传不到位的情况下打困难球依然得分，而栗垚则连续出现进攻被拦和扣球失误，又是拉佐维奇的进攻，帮助塞尔维亚女排25-18再下一城。双方大比分来到2-0，塞尔维亚女排领先。

比赛的第三局，虽然中国女排已经是大比分0-2落后，但是这一局姑娘们还是重新抖擞精神，在进攻端增加了变化，拼发球也更加坚决，而且依然敢于在前排通过拦网给对方的攻手施压，刘晓彤的四号位斜线，还有王媛媛的背飞，再加上对手的发球下网，让中国女排8-6进入本局第一次技术暂停。尽管塞尔维亚女排连续用进攻缩小分差，不过中国女排再次做出人员调整，由段放换下刘晏含，场上形势有所好转，栗垚的进攻加杨涵玉的拦网，帮助中国女排再次扩大分差到12-9。虽然塞尔维亚女排的强攻效率依然不错，但中国女排在本局进攻提速和做出一些有技巧的应变之后，还是效果不错，16-14领先2分进入第二次技术暂停。杨涵玉的短平快得分，还是对手的发球失误，以及栗垚的二号位平打，再加上王媛媛的快抹让中国女排进一步拉大分差到21-17。中国女排挑战对手违例成功，25-20赢下第三局。从而把大比分扳成1-2。

第四局比赛中国女排借着第三局取胜的气势，开局不错，取得5-1的领先优势，不后随后塞尔维亚女排也依靠拦网和发球，以及中国女排的自身失误，将双方分差抹平，并追到7比7平局。刘晓彤的直线球得分，帮助中国女排8-7领先1分进入首次技术暂停。但随后塞尔维亚22号球员的跳飘不断造成中国女排一传直接失误，反而以10-8反超了比分。随后中国女排再做换人调整，刘晏含和姚迪替换栗垚和刁琳宇，但效果并不明显，至第二次技术暂停，中国女排已经是11-16被拉开5分分差。此时栗垚和刁琳宇回来，中国女排依靠韧性持续追分，杨涵玉的拦网还有刘晓彤的后排进攻帮助中国女排将分差迫近到20-21，逼迫对手叫暂停。不过，塞尔维亚女排拉佐维奇的强发球轮还是帮助她们在局末守住胜势，25-22再下一城，从而以3-1的大比分战胜中国女排。而中国女排也遭遇了四连败。

不过，虽然中国女排此役失利，主要还是输在关键分的把握，以及发球的稳定性和攻击性上，而刘晓彤和栗垚在此役的发挥还是不错的。刁琳宇的进攻组织也还算可圈可点。让我们在这里祝福中国女排，在输球当中总结得失，为后面打出更好的状态，全力备战东京奥运会继续努力。