在上海和深圳舉行的兩場 Arm Create 活動中，開發者深入探討了從基礎設施、模型選擇、部署、優化和驗證等各個環節的關鍵決策，共同尋找將 AI 模型轉化為現實軟體應用的最佳路徑。
一個性能出色的模型只是開始。構建人工智慧(AI)應用，還需要圍繞模型架構做出一系列關鍵決策。當延遲、成本、隱私、功耗以及部署場景等因素開始影響設計時，這些決策往往決定了應用最終的表現。
在 2026 Arm Create 上海站與深圳站的活動現場，開發者通過聆聽主題演講、合作夥伴分享、技術深度解析，以及參與動手實踐環節，圍繞雲、邊緣、移動端、圖形處理以及物理 AI 等領域，共同探討了這些相關設計決策。
Arm 最新發布的一系列軟硬體成果，也是討論的核心議題之一。Arm AGI CPU 與全新的 Neoverse CSS N4 為雲基礎設施提供更多選擇;Arm 第二代移動終端計算子系統(CSS for Mobile 2)為移動端帶來全新的端側 AI 體驗;Arm Mali G2-Ultra NX 則將神經處理能力引入移動端。與此同時，全新推出的 Arm AI Portal 幫助開發者發現經過驗證並針對 Arm 平台優化的模型，了解其與目標平台的適配情況，並獲取相關代碼和部署工作流。
然而，對於開發者而言，關鍵並不在於各個平台或工具具備哪些功能，而在於它們能否幫助開發者做出決策、開展實驗與測試，並持續優化軟體。
在 Arm Create 上海站主題演講中，Arm 圍繞這一行業挑戰提出四個關鍵問題：
- 哪種智能能力適配對應任務?
- 工作負載應當部署在何處?
- 各個組件如何實現系統級協同?
- 應用在真實目標硬體上能否達到預期性能?
隨後，通過技術分享與實操實驗，進一步總結出開發者構建和部署 AI 的五大關鍵啟示。
一、確定智能體應用所需的基礎設施
當應用具備智能體能力後，模型僅僅是挑戰的一部分。智能體可動態生成代碼、調用工具並執行動作，因此對底層基礎設施提出了新的要求。
在 Arm Create 上海站活動中，騰訊雲開源 AI Agent 安全沙箱 Cube Sandbox 帶來了真實實踐案例。現場圍繞隔離、並發、安全、狀態管理、資源管理、成本等關鍵問題展開討論，並探討了如何在平台層面實現不同工作負載的合理分配，幫助開發者將更多精力聚焦於應用創新本身。
開發者從中得到的啟示在於，智能體應用需要在模型之外搭建一個受控執行環境，從而隨著應用規模增長，持續對工具調用、操作執行、狀態資訊和計算資源進行一致管理。
二、匹配工作負載，選擇合適模型
模型選型要以工作負載為出發點，不能只看模型規模。移動應用中的即時響應功能、能夠對海量文檔進行雲端推理的智能體，以及邊緣視覺工作負載，都可能將模型選型引向截然不同的方向。
在 Arm Create 深圳站活動中，來自阿里巴巴通義千問、面壁智能、騰訊混元及 Ultralytics 的嘉賓共同參與專題討論。討論重點不再局限於模型之間的比較，而是聚焦於應用適配性：工作負載的需求、運行部署的位置，以及部署之後的實際表現。核心原則十分明確：讓模型匹配任務，讓任務運行在最合適的位置。
Arm AI Portal 正是圍繞這一需求打造。它幫助開發者發現經過驗證並針對Arm平台優化的模型，評估模型與目標硬體的適配性，並獲取代碼與部署資訊，從而縮短從模型評估到實際落地的周期。
三、評估並優化整個應用
當 AI 應用出現響應延遲、效率不佳等問題時，模型並非唯一的排查方向。運行時環境、數據傳輸、預處理流程、應用邏輯或底層計算，同樣會消耗時間與資源。例如，語音助手的性能瓶頸可能出現在音頻預處理環節;移動端 AI 功能持續運行時，則可能觸及內存上限或散熱限制。
因此，覆蓋整個系統的性能分析與優化已成為開發流程的一部分。Arm 提供多款工具與技術支撐該流程：Arm Performix 和 Arm Performance Studio 可幫助開發者了解工作負載在何處消耗時間與資源;第二代 Arm 可伸縮矩陣擴展技術(SME2)和神經圖形工具則提供了在基於 Arm 架構平台上提升性能的不同途徑。真正有效的優化，應建立在工作負載分析所得數據的基礎之上，並圍繞最關鍵的約束條件展開，包括響應時延、功耗、成本、持續性能等方面。
對於雲端工作負載而言，優化可能是定位 CPU 或內存熱點，進而提升工作負載對現有計算資源的利用效率;對於移動 AI，這意味著在響應速度與功耗之間取得平衡;而對於圖形工作負載，則需要在保持圖像質量的同時兼顧畫面流暢度和熱裕量。
四、確定每項工作負載的最佳運行位置
並非所有 AI 應用組件都應該部署在同一位置。開發者需要判斷：哪些工作負載應當在設備本地運行;哪些適合依託就近的邊緣基礎設施;哪些需要藉助雲端的規模化能力和共享服務。
計算能力決定了工作負載「能夠」運行在何處，而產品需求則決定了它「應該」運行在何處。延遲、隱私保護、離線運行能力、本地控制、成本以及可用算力，都會影響這一部署選擇。單個應用可把工作拆分至多個不同位置執行。目標並非為整個應用尋找單一部署地點，而是在每個功能模組的需求基礎上，將其放置在最適合的位置。
Arm 計算平台覆蓋雲端、邊緣、移動設備和圖形計算等多種部署場景，而 Arm AI Portal 則幫助開發者將模型選擇與具體的 Arm 目標平台及部署路徑關聯起來。
五、保持工作流可移植性，並在真實目標平台上驗證
AI 應用很少會始終停留在同一個環境中。團隊可能在本地完成原型開發，在雲端開展測試，將部分工作負載遷移至設備端，再針對移動、邊緣、圖形或物理 AI 目標做優化。如果模型、運行時、工具鏈和性能工作流每次都要徹底更換，這種遷移就會帶來更多工作量。
在 Arm Create 上海站對話環節中，阿斯頓·馬丁沙特阿美 F1 車隊的 Eric Ernst 與來自宇樹科技的陳小立以 F1 賽車與人形機器人為例，探討了一個工程挑戰：軟體、硬體、數據、傳感器以及控制系統必須在複雜的真實物理環境中協同工作，而這些環境中的實際情況往往無法完全預測。
這也使得可移植性與驗證成為緊密關聯的問題。如果模型、運行時環境、工具鏈和性能工作流不斷變化，那麼每一次在雲端、邊緣側、移動端、圖形和物理 AI 之間的遷移，都會帶來額外的複雜性。因此，開發者需要儘可能採用能夠隨應用遷移而保持一致的工具、模型、庫文件和工作流。同時，無論前期仿真和測試多麼完善，最終驗證仍然必須在產品實際運行的目標環境中完成。Arm Create 的物理 AI 動手實踐課程進一步延伸了這一理念，涵蓋從仿真到機器人的工作流、應用部署、信任機制、遙測能力、設備發現等主題開展實踐。
在這一過程中，SME2、KleidiAI、Arm Performix、Arm 模型上下文協議(MCP)伺服器、神經圖形工具、Arm Device Connect 和 Arm AI Portal 分別支持工作流中的不同環節，幫助開發者完成從模型發現、工作負載優化和性能評測，到智能軟體與設備連接的各項關鍵任務。
歸根結底，核心實踐經驗是：儘早考慮可移植性;在部署選擇變化時儘可能保持工作流一致;並在最終目標平台上對完整系統進行驗證。
為下一代創新而構建
展示 AI 開發的實際方法與最佳實踐，正是 Arm Create活動的意義所在。在上海和深圳兩場活動中，開發者從主題演講中的理念出發，進一步參與技術深度解析、現場演示、動手實踐課程以及與 Arm 工程師和生態合作夥伴的直接交流。這種沉浸式實踐體驗也為開發者後續的開發工作提供了清晰路徑。在 Arm Create 上海站活動調查中，97% 的受訪者表示，活動加深了他們對於如何在 Arm 平台上構建、優化和部署 AI 應用的理解。
隨著 AI 應用覆蓋越來越廣泛的目標場景，開發者關注的目標已不再只是針對單一平台進行優化，而是在不同部署場景之間保障代碼、工具、技能以及性能工作流的連續性。開發者需要的是一種能夠伴隨應用一起遷移的工作流，而不是每次切換部署場景都從頭開始。統一的 Arm 架構和軟體基礎，正幫助開發者將已有成果持續延伸至雲端、邊緣、移動設備、圖形計算和物理 AI 等不同應用部署場景。
