謝至恩代理式 AI(Agentic AI) 帶動運算架構需求改變。隨著 AI 從單純模型推論走向可自主採取行動的工作流程，AI 代理開始更頻繁地呼叫工具、存取資料庫、進行多步驟推理，並協調其他代理執行任務，使 CPU 即時回應能力與資料傳輸頻寬的重要性上升。
在 token 成本、資料隱私與網路延遲等考量下，這類運算負載也逐步從雲端資料中心延伸到終端邊緣裝置，並進一步走向具備感知、決策與行動能力的實體 AI(Physical AI) 應用。
Arm 表示，將同步更新三大平台：資料中心的 Neoverse CSS N4 運算子系統與商用 Arm AGI CPU 、行動裝置的第二代行動裝置運算子系統 (CSS for Mobile 2)，以及匯聚超過 80 家夥伴的 Arm 實體 AI 全面設計 (Arm Total Design for Physical AI) 生態系倡議與機器人能力分級框架 (Robotics Capability Framework) 。
代理式 AI 改變運算負載 推動 CPU 與系統頻寬需求
Arm 行銷長 Ami Badani 指出，相較於單純跑模型，代理式 AI 的背景工作包含工具呼叫、資料庫存取、資訊檢索、協調其他代理與任務管理，主要負載落在 CPU 。當代理長時間運作，網路、儲存與運算節點也會承受更高頻率的存取壓力。
針對市場關注 Arm 自有晶片與授權客戶的定位差異，Arm 雲端 AI 行銷副總裁 Eddie Ramirez 表示，Arm 同時提供運算子系統 (CSS) 與商用 Arm AGI CPU，讓客戶依需求選擇。部分雲端服務供應商為了快速擴展運算規模，傾向採用商用晶片；也有合作夥伴持續投入客製化系統單晶片 (SoC) 開發。 Arm 希望透過共通底層平台與軟體生態系，同時支援自研與商用兩條路線。
雲端基礎架構：Neoverse CSS N4 與 AGI CPU 提供多元晶片途徑
在雲端與資料中心領域，Arm 發表全新 Neoverse CSS N4 運算子系統，並稱其為迄今可配置彈性最高的運算子系統。 Neoverse CSS N4 每個 die 最多可搭載 128 個核心，支援 LPDDR6 記憶體與 PCIe Gen 7 連接介面。相較於前代 Neoverse CSS N3，運算效能最高可達 2 倍、每瓦效能提升至 1.25 倍，記憶體頻寬亦增加至 1.75 倍，主打以更高運算密度與高速 I/O，支援大規模資料傳輸與並行運算需求。
Eddie Ramirez 補充，Neoverse CSS N4 採用 Neoverse N4 CPU，支援機密運算架構 (Confidential Compute Architecture v2) 與 FP8 等 AI 資料型別，並整合新一代 Coherent Mesh Interface 以提供更高的記憶體頻寬，同時支援用於小晶片 (Chiplet) 設計的 AMBA CHI 介面。晶圓製造方面，CSS N4 的設計節點涵蓋台積電 N3 與 N3P 製程，並支援 N2 製程，同時亦納入三星 SF2 與 SF2P 等先進製程節點。
Arm 也點名 OpenAI 、 Meta 、 Cloudflare 、 Oracle 、 SAP 、 Lenovo 、 Supermicro 與字節跳動旗下的火山引擎等企業，表示已展開以 Arm AGI CPU 為基礎的相關解決方案建構與部署。
邊緣行動平台：CSS for Mobile 2 整合神經圖像與 C2 CPU 叢集
在終端行動裝置方面，Arm 推出第二代行動裝置運算子系統 (CSS for Mobile 2)，主打在智慧型手機功耗與散熱限制下，支援代理式 AI 與神經圖像等運算需求。
CSS for Mobile 2 首度導入搭載專用神經網路加速器的 Mali G2-Ultra NX GPU，將神經網路運算與傳統圖像處理整合於同一管線中，使神經圖像每瓦效能最高提升 4 倍，並支援神經超取樣 (Neural Super Sampling, NSS) 與神經超取樣及去雜訊 (Neural Super Sampling and Denoising, NSSD) 等技術；在既有遊戲內容的傳統渲染效能上，亦較前一代提升最高 14% 。
在 CPU 部分，平台配備 Arm C2 CPU 叢集，整合 C2-Ultra 與 C2-Pro 核心，並搭載第二代可擴充矩陣延伸指令集 (Scalable Matrix Extension 2, SME2) 。相較前代 C1-Ultra，C2-Ultra 的 AI 效能提升 1.7 倍，單執行緒效能提升 15%，同等效能下功耗最高降低 38%，執行小型語言模型 (SLM) 的速度亦提升 70% 。
Arm 邊緣 AI 產品管理副總裁 James McNiven 表示，C2 CPU 叢集依晶片設計夥伴需求，最高可配置 2 組 SME2 單元，推論算力約落於 5 至 7TOPS 區間；Mali G2-Ultra NX GPU 的神經網路加速器則聚焦卷積神經網路 (CNN) 與張量運算，基本配置為 6 組加速單元，算力通常介於 10 至 20TOPS 之間，並可隨核心數量與頻率配置提升至 50TOPS 以上，整體設計維持在 1 至 2 瓦的功耗預算內。製程支援上，Arm 內部參考設計以台積電 N2 為基準，並保留移植至其他晶圓代工廠與製程節點的彈性。
實體 AI 生態系：啟動 Total Design 計畫並倡議機器人能力分級
Arm 執行副總裁 Drew Henry 將實體 AI 定義為具備實體形態、能夠感知周遭環境、進行決策並在實體世界安全行動的智慧機器，應用涵蓋農業、採礦、製造、交通與物流等產業。根據 Arm 內部估算，實體 AI 在 2030 年代可望形成每年超過 2,000 億美元的運算市場機會。 Arm 也指出，相較於數位資訊領域，實體 AI 在工程設計上面臨更嚴苛的延遲與重量限制，要求感知到致動的即時反應與輕量化運算系統。
Arm 也宣布推出「Arm 實體 AI 全面設計 (Arm Total Design for Physical AI)」生態系倡議，匯聚超過 80 家橫跨軟體堆疊、 AI 模型、感測器、運算硬體與數位孿生領域的合作夥伴，包括 AWS 、 ECARX 、 Hugging Face 、恩智浦半導體 (NXP) 、西門子 (Siemens) 與 QNX 等企業。針對市場詢問 Hugging Face 近期變動對合作的影響，Arm 雲端 AI 產品解決方案副總裁 Dermot O’Driscoll 表示，Hugging Face 仍是重要的開發者平台，雙方合作持續推進，目前不預期合作關係產生變化。
Arm 首席架構師 Richard Grisenthwaite 也提出「機器人能力分級框架 (Robotics Capability Framework)」，借鑒汽車自駕 SAE 分級標準，嘗試建立描述機器人能力層級的共同語言，將實際應用場景與系統的延遲、功耗、確定性及安全需求相互連結。 Arm 雲端 AI 產品解決方案副總裁 Dermot O’Driscoll 表示，Arm 希望邀集全球機器人開發團隊與社群共同參與，透過開放協作逐步完善產業共通標準。
