传奇半导体和软件公司 Arm Holdings 在近 36 年来首次开始制造自己的芯片,此前该公司一直将设计授权给英伟达和苹果等公司。
在周二于旧金山举行的活动中,该公司发布了 Arm AGI CPU,这是一款为在 AI 数据中心运行推理而构建的量产芯片。这家总部位于英国的公司使用其 Arm Neoverse 系列 CPU IP 核心开发了这款芯片,并与 Meta 建立了合作伙伴关系。
Meta 也是 Arm AGI CPU 的首位客户,该芯片旨在与这家科技公司的训练和推理加速器协调工作。Arm 还将 OpenAI、Cerebras 和 Cloudflare 等公司列为发布合作伙伴。
Arm 向制造自有硅芯片的转变已被预期了一段时间。据 CNBC 报道,该公司早在 2023 年就开始开发这些芯片,现在这些处理器已经可以订购。
TechCrunch 已联系 Arm 了解芯片开发和发布时间线的更多信息。
虽然这可能在意料之中,但此举是对 Arm 长期以来专门向其他芯片制造商授权设计传统的历史性偏离。这家主要由日本集团软银集团拥有的公司现在将与其许多合作伙伴竞争。
Arm 生产的是 CPU 而非 GPU,这一点也值得注意。GPU 或图形处理单元因用于训练和运行 AI 模型而备受关注。CPU 是数据中心机架的同等重要部分。
在其支持 CPU 的宣传中,Arm 指出这些芯片管理数千个分布式任务,包括管理内存和存储、调度工作负载以及在系统间移动数据。该公司表示,CPU 已成为"现代基础设施的节奏元素——负责保持分布式 AI 系统大规模高效运行"。
Arm 表示,这对 CPU 提出了新要求,需要处理器的演进。
CPU 也变得越来越难以获得。
据路透社最初报道,3月份,英特尔和 AMD 告诉其中国客户,由于 CPU 短缺,其产品的等待时间将更长。在日益严重的短缺中,计算机价格也开始上涨。
Q&A
Q1:Arm AGI CPU是什么?有什么特别之处?
A:Arm AGI CPU是Arm公司35年历史上首款自研芯片,专为AI数据中心推理运算设计。这标志着Arm从单纯授权设计转向自主制造芯片的历史性转变,使用了Arm Neoverse系列CPU IP核心开发。
Q2:为什么Arm选择做CPU而不是GPU?
A:虽然GPU因用于训练AI模型备受关注,但CPU在数据中心同样重要。CPU负责管理内存存储、调度工作负载、系统间数据传输等数千个分布式任务,是现代基础设施的节奏元素,保持分布式AI系统大规模高效运行。
Q3:CPU市场现在面临什么问题?
A:CPU市场正面临供应短缺问题。今年3月,英特尔和AMD告知中国客户产品等待时间延长,计算机价格也因短缺开始上涨,这凸显了CPU供应紧张的现状。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。