鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

从可穿戴、智能家居到具身智能,边缘AI猛踩油门,Arm软硬生态大招铺路

编程导航
编程导航
2025-10-31 12:30
阅读 196
编程导航
2025-10-31 12:30
阅读 196

智东西(公众号:zhidxcom)
作者 | 云鹏
编辑 | 漠影

当前,随着AI技术与各类设备的加速融合,AI早已不再局限于云端,而正在向边缘和端侧加速落地。据SHD Group预测数据,到2030年,边缘AI SoC市场营收或达千亿美元规模。

从可穿戴、智能家居到具身智能,边缘AI猛踩油门,Arm软硬生态大招铺路

从应用层面来看,边缘AI能带来时延、安全、能效、成本和稳定性等多方面优势,但也在技术和生态层面带来诸多挑战。

从可穿戴、智能家居到具身智能,边缘AI猛踩油门,Arm软硬生态大招铺路

举例来说,智能摄像头正通过本地运行更复杂的计算机视觉算法,工业传感器也更多在本地处理更复杂的AI模型,这类设备的本地运行模式,确实能带来更低时延与成本;但随着设备侧数据量持续攀升,工作负载达到新量级,数据安全的重要性也被提升到了空前高度。

在这样的背景之下,物联网厂商迫切需要新的AI算力底座帮助他们进行快速创新和扩展,行业正呼唤技术层面更高效、生态层面更完善的新解法。

近年来,作为计算平台领域重要玩家之一的Arm,对AI的发展一直保持着敏锐嗅觉,其诸多重要策略均直指AI给各领域带来算力挑战。从数据中心、汽车、手机、PC到IoT,基于Arm生态的AI计算平台已经无处不在。

聚焦边缘AI领域,Arm于今年二月发布了全球首个专为物联网及边缘AI工作负载优化的Armv9边缘AI计算平台,推动物联网行业加速迈入AI时代。如今,该计算平台将正式通过Arm技术授权订阅模式中的Arm Flexible Access模式开放获取,为边缘AI产业发展进一步注入新动力。

一、底层架构创新下放,Arm新平台直指物联网AI融合痛点

纵观当前AI技术的发展,AI大模型“小型化”趋势突出,越来越多的优秀小模型开始拥有更为出色的AI性能;与此同时,Agent智能体浪潮涌起,Agent成为各类垂类专业模型的“大管家”,调度各类设备、统筹各类边缘和端侧数据,高效处理复杂的现实任务。

物联网设备的AI化已经成为一种必然,正如Arm所指出的,下一波AI计算创新浪潮将在边缘侧展开,在那些让智能更贴近数据产生源头的设备、接口与系统中蓬勃发展。

在这样的确定性之下,如何让物联网设备可以更好地在边缘侧落地AI,已成为十分迫切的问题。整体来看,Armv9在物联网领域的下放,提供了智能边缘设备大规模部署所需的高性能与高能效,其内置的安全机制还能兼顾数据安全,而架构本身的灵活性与可扩展性,更为后续发展预留了充足空间。

首先,AI时代最核心的是AI性能。Arm最新的边缘AI计算平台将性能拉满——通过集成增强的Armv9的Neon和SVE2向量处理技术,在ML性能方面,Cortex-A320相较于前代超高效CPU(Cortex-A35)提升了高达10倍的ML计算能力,标量性能提升了30%;相较于去年推出的基于Cortex-M85的平台,新平台的ML性能提高了8倍之多。目前新边缘AI计算平台已经可以支持参数量超10亿的端侧AI模型。

Arm物联网事业部硬件产品管理高级总监Lionel Belnet在与智东西等媒体的交流中提到,Arm在边缘AI的Armv9产品矩阵可从超高能效的Cortex-A320一路展开到最新发表的超高性能C1-Ultra,达到边缘AI全场景的覆盖。

从可穿戴、智能家居到具身智能,边缘AI猛踩油门,Arm软硬生态大招铺路

能效方面,Arm架构本身以低功耗著称,而Armv9边缘AI计算平台中包含了Armv9架构的超高能效CPU——Arm Cortex-A320,它的能效比较Cortex-A520(Arm的高效Armv9.2 CPU)提升了50%,进一步降低了功耗。

需要指出的是,能效对应的是企业成本,这对物联网这种对功耗要求严苛的行业至关重要,这也是Arm架构在该领域广受欢迎的原因。

另外一个至关重要的点是安全性。为了应对大量数据在边缘侧的采集、计算带来的数据隐私安全的风险,Arm将Armv9的一系列先进安全技术下放到边缘AI市场,如指针验证(PAC)、分支目标识别(BTI)和内存标记扩展(MTE),给边缘侧的关键应用与数据安全提供了扎实的防护。

从可穿戴、智能家居到具身智能,边缘AI猛踩油门,Arm软硬生态大招铺路

值得一提的是,在出色AI能力、高安全性的基础上,Armv9架构的高扩展性、灵活性同样给物联网厂商们带来了开发层面的极大便利。

此外,边缘AI普及面临的最主要障碍之一就是软件开发和部署的复杂性,这正是Armv9边缘AI计算平台软件生态系统发挥优势的关键所在。

今年初Arm将开源AI库Arm KleidiAI扩展到了物联网领域,迄今已与几乎所有主流物联网AI框架进行集成。简单来说,Arm KleidiAI可以让开发者无缝地利用到Armv9架构的先进功能和灵活性,简化边缘AI开发流程。

根据官方数据,在Llama.cpp上运行微软Tiny Stories数据集,KleidiAI的集成给新的Cortex-A320可以带来70%的性能提升,同时KleidiAI兼容Linux、Zephyr等操作系统,灵活性大幅提升。

从可穿戴、智能家居到具身智能,边缘AI猛踩油门,Arm软硬生态大招铺路

可以说,从性能、能效、安全到开发生态,新的Armv9边缘AI计算平台给物联网拥抱AI提供了新解法,让物联网赛道的厂商和开发者们能够更快抓住AI新机遇,加速边缘AI的落地。

二、进一步降低技术落地门槛,Arm生态“朋友圈”加速扩容

做好了物联网边缘AI落地一揽子解决方案还不够,Arm还进一步降低先进技术获取门槛,直接将Armv9边缘AI计算平台,Cortex-A320与Ethos-U85,正式引入Arm技术授权订阅模式中的Arm Flexible Access方案之中。

从可穿戴、智能家居到具身智能,边缘AI猛踩油门,Arm软硬生态大招铺路

直观来看,Arm从市场切入路径、成本结构、创新效率等方面给厂商带来价值,让技术更好地“落到实处”,让所有中小企业能更好获益,加速实现AI普惠。

凭借这一模式,Synaptics、树莓派、Weeteq、Hailo及SiMa.ai等合作伙伴已成功打造出具有开创性的边缘AI技术,在物联网诸多细分领域加速落地。

根据官方数据,目前基于Arm Flexible Access方案的合作伙伴已经实现超400次成功流片,活跃成员数量超过300家。在落地中国后,已有超过70家国内客户采用了该技术授权模式,进行产品创新开发。

结语:边缘AI风暴狂涌,Arm技术生态迸发巨大潜力

当前,边缘AI的发展,促使行业对硬件和软件异构性、顺畅开发和规模化安全性三方面的需求猛涨,边缘AI计算创新势在必行。

Armv9架构的诸多特性、出色的AI能力基础、完善的软件和生态支撑,都给行业各路玩家带来了新的可能性,新的Arm边缘AI计算平台无疑会成为新一轮物联网创新的催化剂。

展望未来,AI向边缘、端侧的转移已经成为行业确定趋势,边缘AI正在加快各种技术设备的数字化转型。在这一未来趋势下,Arm依靠硬核技术创新底色、灵活的技术获取模式以及深厚的开放软件生态系统,无疑展现出巨大潜力,成为物联网玩家在AI时代搏浪的坚实基座。

原文链接: 从可穿戴、智能家居到具身智能,边缘AI猛踩油门,Arm软硬生态大招铺路
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手