十余年來，云計算依托抽象化架構(gòu)實現(xiàn)規(guī)?；瘮U(kuò)展。標(biāo)準(zhǔn)化服務(wù)器、虛擬化資源與通用型基礎(chǔ)設(shè)施，讓超大規(guī)模云服務(wù)提供商得以在同質(zhì)化硬件基礎(chǔ)上持續(xù)疊加軟件創(chuàng)新，實現(xiàn)高速增長。而這個時代，已然落幕。

人工智能 (AI) 徹底改寫了這一格局?，F(xiàn)代 AI 工作負(fù)載對數(shù)據(jù)中心的業(yè)務(wù)格局、供電保障與系統(tǒng)設(shè)計提出的要求，已遠(yuǎn)超基于傳統(tǒng) x86 架構(gòu)的通用基礎(chǔ)設(shè)施所能承載的限度。由此，行業(yè)正迎來一場根本性變革：從由通用部件組裝而成的通用型基礎(chǔ)設(shè)施，轉(zhuǎn)向為 AI 端到端量身設(shè)計的定制化融合型系統(tǒng)。

這絕非小修小補(bǔ)的局部優(yōu)化，而是全球頂尖計算平臺在設(shè)計、部署與規(guī)?；瘜用娴慕Y(jié)構(gòu)性變革。

AI 促使對數(shù)據(jù)中心設(shè)計的重新思考

這場變革的規(guī)模之大，再怎么強(qiáng)調(diào)都不為過。這種增長絕非依靠能效優(yōu)化或擴(kuò)大采購規(guī)模就能消化的漸進(jìn)式提升。

AI 工作負(fù)載 —— 尤其是大規(guī)模訓(xùn)練與快速增長的推理場景 —— 對基礎(chǔ)設(shè)施提出了本質(zhì)上截然不同的需求：

訓(xùn)練負(fù)載需要極致計算密度、先進(jìn)散熱方案，以及高度協(xié)同的系統(tǒng)。

支撐實時 AI 應(yīng)用的推理負(fù)載，對延遲高度敏感，規(guī)?；渴饡r能耗高，且正愈發(fā)趨向靠近用戶的分布式部署。

據(jù)麥肯錫預(yù)測[1]，到 2030 年，推理將超越訓(xùn)練，成為主要的 AI 工作負(fù)載，占比將超過 AI 總算力的一半，貢獻(xiàn)數(shù)據(jù)中心總需求的 40% 之多。僅這一轉(zhuǎn)變，就足以徹底重塑基礎(chǔ)設(shè)施的設(shè)計邏輯。

與此同時，《麻省理工科技評論》指出[2]，超大規(guī)模 AI 設(shè)施正越來越多地被打造為專用超級計算機(jī)，搭載定制芯片、專用散熱系統(tǒng)，乃至量身定制的供電方案。如今，部分超大型計算設(shè)施的耗電量已突破一吉瓦，相當(dāng)于一座城市的整體用電需求。

結(jié)論顯而易見：基于傳統(tǒng)架構(gòu)、高能耗的通用型基礎(chǔ)設(shè)施，已然無法滿足新時代的需求。

為何通用方式已難以滿足新時代需求

過去，云服務(wù)提供商主要通過組裝定制化配置形成差異化優(yōu)勢 —— 將現(xiàn)成的 CPU 與加速器、網(wǎng)絡(luò)及存儲設(shè)備，按適配特定工作負(fù)載的方式進(jìn)行優(yōu)化。當(dāng)性能提升主要來自于軟件和規(guī)模時，這種方法是有效的。

然而 AI 打破了這一模式。它將傳統(tǒng)云端工作負(fù)載進(jìn)一步融入 AI 業(yè)務(wù)本身?，F(xiàn)代 AI 系統(tǒng)要求計算、內(nèi)存、網(wǎng)絡(luò)、電力及軟件之間實現(xiàn)高度協(xié)同。訓(xùn)練過程中的功耗波動可在毫秒內(nèi)達(dá)到 30% 至 60%，這就需要穩(wěn)定的電力傳輸與容錯設(shè)計；與此同時，推理負(fù)載必須在大規(guī)模場景下（往往是在嚴(yán)格的能耗限制下），提供穩(wěn)定、低時延的性能表現(xiàn)。

隨著 AI 系統(tǒng)不斷擴(kuò)展，通用計算處理正日益與推理并行運(yùn)行，處于訓(xùn)練流水線的上游，以及調(diào)度工作負(fù)載、遷移數(shù)據(jù)、執(zhí)行安全策略并保障復(fù)雜系統(tǒng)可靠運(yùn)行的編排層之下。

簡而言之，隨著 AI 基礎(chǔ)設(shè)施日益系統(tǒng)化運(yùn)行，CPU 正變得更加核心。在 AI 工作負(fù)載需持續(xù)供給、協(xié)同、保障安全并實現(xiàn)規(guī)?；瘮U(kuò)展的當(dāng)下，通用計算正從一個相對獨(dú)立的層級，演進(jìn)為將整個 AI 平臺緊密聯(lián)結(jié)的關(guān)鍵紐帶。

正如麥肯錫在其 AI 工作負(fù)載報告中所指出的，這一趨勢正推動超大規(guī)模云服務(wù)提供商轉(zhuǎn)向?qū)Ｓ眉軜?gòu)，包括更多采用定制芯片、專用加速器，以及圍繞每瓦性能優(yōu)化的 Arm 架構(gòu)。

這種轉(zhuǎn)變并非為了定制而定制，而是體現(xiàn)了一種深刻認(rèn)知：尤其是在推理規(guī)?；瘓鼍跋?，AI 經(jīng)濟(jì)邏輯如今由能效、利用率與系統(tǒng)級優(yōu)化所決定。

定制化正逐漸成為行業(yè)標(biāo)準(zhǔn)

這一趨勢在整個云生態(tài)系統(tǒng)中已初現(xiàn)端倪。據(jù)麥肯錫報告顯示，如今 70% 的新建核心云計算園區(qū)，正將通用計算與 AI 推理整合在同一物理空間內(nèi)，而非將 AI 系統(tǒng)孤立部署在獨(dú)立設(shè)施中。超大規(guī)模云服務(wù)提供商也正從以往分散的節(jié)點(diǎn)，加速整合為統(tǒng)一、面向 AI 優(yōu)化的園區(qū)模式，預(yù)計到 2030 年，該模式將占全部部署量的 70%。

德勤的研究[3]同樣印證了這一趨勢。隨著企業(yè)從 AI 試驗階段快速邁向規(guī)?；涞兀珹I 已成為基礎(chǔ)能力，基礎(chǔ)設(shè)施策略也隨之轉(zhuǎn)向混合式、按工作負(fù)載優(yōu)化的架構(gòu)，以便在云端、本地和邊緣環(huán)境之間平衡性能、成本與能效。

與此同時，“融合型 AI 數(shù)據(jù)中心”的興起 —— 即專為 AI 處理而設(shè)計的集成化環(huán)境 —— 進(jìn)一步凸顯出一個行業(yè)共識：要實現(xiàn) AI 的可持續(xù)擴(kuò)展，就必須從一開始就圍繞 AI 需求設(shè)計系統(tǒng)，而不是在傳統(tǒng)架構(gòu)上進(jìn)行改造。

定制化系統(tǒng)需要系統(tǒng)級的協(xié)同設(shè)計

定制化并不意味著“單一用途”，而是指以明確目標(biāo)為導(dǎo)向的架構(gòu)設(shè)計，讓系統(tǒng)中的每一層都能協(xié)同強(qiáng)化。

隨著 AI 基礎(chǔ)設(shè)施從獨(dú)立的工作負(fù)載，邁向高度集成的系統(tǒng)架構(gòu)，CPU 在硬件層面的戰(zhàn)略價值愈發(fā)凸顯。CPU 不再僅服務(wù)于通用計算，更是控制層面的核心樞紐：負(fù)責(zé)協(xié)調(diào)日益復(fù)雜的運(yùn)行環(huán)境、調(diào)度與均衡 AI 及通用計算負(fù)載、管理全系統(tǒng)數(shù)據(jù)遷移，并在大規(guī)模部署中保障安全與隔離能力。

智能體 AI (Agentic AI) 的崛起，正是這一系統(tǒng)級變革的典型體現(xiàn)。與傳統(tǒng) AI 流水線不同，這類系統(tǒng)從架構(gòu)設(shè)計層面就依賴異構(gòu)計算。在這種模式中，CPU 作為高性能頭節(jié)點(diǎn)，承擔(dān)規(guī)劃與系統(tǒng)編排、通過小語言模型進(jìn)行模式識別、管理上下文與內(nèi)存，以及系統(tǒng)各部分的具體執(zhí)行等任務(wù)。與此同時，加速器則專注發(fā)揮所長，為大語言模型與多模態(tài)工作負(fù)載提供高吞吐推理能力。

在這一層級的系統(tǒng)編排中，任何單一組件或企業(yè)都無法孤立運(yùn)作。專為 AI 打造的平臺，唯有讓硬件、軟件及生態(tài)伙伴整體設(shè)計、協(xié)同運(yùn)轉(zhuǎn)，才能真正釋放價值。

Arm Neoverse 平臺正是這一模式的典范。它依托貫通云端到邊緣側(cè)的統(tǒng)一架構(gòu)，將 CPU 創(chuàng)新、系統(tǒng) IP、軟件賦能及全球合作伙伴生態(tài)深度融合，支撐 AI 工作負(fù)載的規(guī)模化部署。Neoverse 不追求一刀切的通用方案，而是支持面向特定市場與場景的定制化設(shè)計，無論是超大規(guī)模云端推理、企業(yè)級 AI，還是邊緣側(cè)部署，均可精準(zhǔn)賦能。

在 AI 工作負(fù)載日趨多元化的當(dāng)下，這種靈活性至關(guān)重要。輕量化、高能效的模型快速普及，推理環(huán)節(jié)愈發(fā)貼近用戶終端設(shè)備；與此同時，從機(jī)器人到自主設(shè)備等全新物理 AI 系統(tǒng)，對實時性、功耗與安全性都提出了更高要求。定制化平臺能夠系統(tǒng)性地滿足這些需求，同時避免軟件生態(tài)的碎片化。

一系列合作伙伴及生態(tài)發(fā)展表明，整個行業(yè)正向定制化解決方案邁進(jìn)。各個超大規(guī)模云服務(wù)提供商，正將基于 Neoverse 的計算平臺，作為平衡性能、能效及實現(xiàn)規(guī)?；臉?biāo)準(zhǔn)路徑：

Amazon Graviton CPU：目前在 EC2 前 1000 大的客戶中采用率達(dá) 98%，新增 CPU 算力中超 50% 基于 Graviton。如今已迭代至第五代的基于 Arm 架構(gòu)的 Graviton，正成為行業(yè)整體變革的重要一環(huán)；Arm 也日益成為定義 AI 時代各類平臺的核心支撐。在 Amazon Trainium3 UltraServers 中，Trainium3 加速器、Graviton CPU 與 Amazon Nitro 卡深度協(xié)同，基于 Arm 的定制化芯片是其核心基石。

Microsoft Azure Cobalt 處理器 (Cobalt 100 /Cobalt 200)為優(yōu)化 Microsoft Azure AI 數(shù)據(jù)中心提供算力支撐。

Google Axion 處理器憑借更豐富的虛擬機(jī)選項，進(jìn)一步提升云端與 AI 工作負(fù)載的性能表現(xiàn)。

NVIDIA Grace Blackwell 與最新的NVIDIA Vera Rubin 平臺則將 Arm CPU 與 AI 加速器結(jié)合，賦能全球領(lǐng)先的 AI 系統(tǒng)及超級計算機(jī)。

各大主流云服務(wù)提供商紛紛推出基于 Arm 架構(gòu)的自研 CPU，這并非碎片化，而是行業(yè)在定制化模式上的高度收斂：在現(xiàn)代 AI 基礎(chǔ)設(shè)施中，能效比、可預(yù)期的擴(kuò)展能力、與加速器的深度協(xié)同，遠(yuǎn)比一刀切的通用兼容性更重要。

更值得關(guān)注的是，這些方案并非路線各異，而是高度趨同：Amazon Graviton、Microsoft Azure Cobalt、Google Axion 以及 NVIDIA Grace、Vera Rubin 均為獨(dú)立研發(fā)，卻最終指向同一結(jié)論 —— 基于 Neoverse 的定制化計算，正在重新定義現(xiàn)代 AI 數(shù)據(jù)中心；而通用 x86 處理器，已無法適配現(xiàn)代 AI 基礎(chǔ)設(shè)施的規(guī)?；渴鹋c成本效益需求。

從通用到定制化：未來邁向何方

電力供應(yīng)已成為戰(zhàn)略性制約因素，向定制化基礎(chǔ)設(shè)施轉(zhuǎn)型，不再只是技術(shù)選擇，更是經(jīng)濟(jì)層面的必然決策。AI 已成為數(shù)字基礎(chǔ)設(shè)施的核心重心。在此背景下，能效比、可預(yù)期的擴(kuò)展能力及系統(tǒng)級效率，早已不是附加選項，而是核心競爭優(yōu)勢。

在此背景下，行業(yè)已轉(zhuǎn)向全新模式，即采用專為規(guī)?；?、可持續(xù)、高效釋放 AI 性能而打造的 Arm 定制化平臺。這場轉(zhuǎn)型仍在推進(jìn)，但方向已然清晰。云端 AI 的未來，不在于堆砌更多硬件組件，而在于構(gòu)建更優(yōu)的系統(tǒng)，將 AI 作為核心需求，而非事后附加功能的系統(tǒng)。

定制化基礎(chǔ)設(shè)施，正是行業(yè)通往這一未來的路徑。