本质上，AI 重新定义了“优秀”基础设施的标准。相应地，平台设计的重心也从注重单一的芯片或服务器，转向了打造机架级、可扩展的系统，在功耗和预算有限的前提下，实现高效扩展。而这一转变背后的原因在于，推理与智能体 AI 工作负载持续增长且不间断运行，对高密度、全天候在线的算力需求正快速提升。

Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，把这一转变称为迈向“系统级协同”。设计的关键不再是堆多少算力，而是平台能不能有效地把加速器、CPU、内存、网络和软件协同起来。

正因如此，业界正加速迈向定制化机架级系统设计：即围绕 AI 负载特性、功耗波动和持续利用率来进行端到端设计的平台。越来越多的架构师开始重新思考计算底层设计，选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。

AI 促使行业重构：转向定制化机架级系统

这一转变的核心原因，并非通用型标准化基础设施无法承载 AI，而是碎片化的系统设计，在 AI 规模化部署时，终将转化为真实可感的成本代价。

AI 工作负载在计算、内存、网络、存储及软件各环节紧密耦合。CPU 拖后腿，昂贵的加速器就会空等；功耗和散热波动，利用率就会下滑；数据管道、调度、编排未能针对平台调优，吞吐量就不可预测。峰值性能依然重要，但稳定性、每瓦性能和系统整体平衡性更关键。

Futurum 指出，超大规模云服务提供商正进行结构性调整，旨在实现算力的指数级增长，同时避免能耗的同步激增。Futurum 引用 Arm 的数据指出，到 2025 年末，出货到头部超大规模云服务提供商的算力中，有近 50% 是基于 Arm 架构。

架构师现在不再只看纸面跑分，而是更关心 AI 平台在实际应用中能否长期可靠地运行智能体 AI 和连续推理工作负载，比如：

长时间高负载下，系统表现如何？

在实际环境中，功耗限制和散热条件如何影响性能曲线？

在机架级系统中，计算层如何确保加速器能持续获得稳定的数据供给，而非仅停留在纸面参数上？

当能效、可扩展性与系统平衡性成为首要原则时，重新审视 CPU 底层架构就成了必然。也正因为此，Arm 凭借领先的架构和完善的生态，正是这场行业变革的核心所在。

在数据中心领域，Arm Neoverse 平台是推动这一转型的核心引擎。亚马逊云科技、Google、微软、NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。Arm 的模式既能支持定制化系统设计，又能保持跨平台、跨生态、跨软件的一致性。对于想要构建高集成度平台、又不愿被单一技术路径绑定的团队而言，这种灵活性至关重要。

智能体 AI 与持续推理，

重塑规模化算力的经济逻辑

随着 AI 与通用计算工作负载的融合，AI 工作负载正在发生变化，基础设施也需随之调整，以支持多样化的工作负载特性。

行业重心正在转向智能体 AI，而智能体 AI 本质上就是一个连续推理系统。智能体并不是简单地给出一个答案， 而是会规划、调用工具、检索数据、验证结果，如此循环往复。由此便形成了连续推理模式：稳定不间断的词元 (token) 生成任务，请求类型趋于多元化，围绕加速器的编排和数据迁移任务变得更繁重。

在智能体 AI 里，CPU 不再是配角， 而是整个 AI 系统的控制中枢。CPU 负责协调控制、调度任务、管理 IO、处理网络与存储服务、执行安全策略，并在模型、上下文及工具链不断演进的过程中，维持整个系统的平衡。

以承载大语言模型 (LLM) 的服务为例，它可能同时处理成百上千的并发请求。就算加速器负责核心计算，CPU 也要承担请求权限控制、分词和预处理、批处理和队列调度、数据迁移编排，以及针对模型权重与 KV 缓存的数据路径协调等。到了智能体工作流，CPU 的工作负担进一步扩展，还要承担工具调用、检索流程、结构化输出验证、多步调度等持续运行的任务。

这一切都表明，CPU的重要性远超许多团队的预期。如果 CPU 跟不上编排节奏，数据迁移、处理流程和加速器都会被“卡住”，面临结构性的闲置风险。

融合型 AI 数据中心的建设，彰显了 Arm 架构的强劲势头

Arm 的发展势头正在加快。在业内领先的集成式 AI 系统中，基于 Neoverse 平台的 CPU 被广泛用于智能体推理密集型系统的编排层，尤其适合追求高能效、可预测扩展能力和大规模部署的应用场景。

独立测试也印证了现代 CPU 基础平台在“AI 相关”工作负载中的价值。Futurum 旗下 Signal65 的独立基准测试对比了基于 Arm Neoverse 平台的 Amazon Graviton4 与同级的 AMD和 IntelEC2 实例，结果显示：在生成式 AI (Llama-3.1-8B)、数据库 (Redis)、机器学习(XGBoost)、网络 (Nginx) 等测试的各种工作负载中，基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。

测试结果直接反映了智能体 AI 数据中心的现状：LLM、检索层、缓存、Web/API、传统机器学习等全都处于智能体系统的关键路径上，只有当 CPU 兼具速度与能效时，整体才能更好地扩展。

最新的机架级 AI 系统在架构设计上，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，由后者承担调度编排、数据迁移与智能体推理预处理等关键任务。NVIDIA Grace Hopper、Grace Blackwell 等系列产品，将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。而其最新机架级平台 Vera Rubin NVL72，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，专为交互式、深度推理型智能体 AI 优化，显著降低推理成本。

亚马逊云科技也在走同样的系统级路线：Amazon Trainium3 UltraServer 把 Trainium3 加速器芯片与 Graviton CPU 结合，强化了“融合型”设计理念：将加速器与定制的高性能、高能效 CPU 相匹配，以实现高效扩展。

“提供更优选择”不再是偏好，而是硬性要求

AI 系统迭代太快，固定架构已无法适配其发展节奏，因此为客户提供更优选择已成为风险管理的必要举措。

系统架构师想要的是：

平台能适应不同代的硬件、多样的工作负载配置及各异的部署环境；

软件可移植，以降低系统变更成本。

与此同时，系统架构师希望避免因过度依赖单一厂商，而导致在模型组合变化、业务规模扩张或新需求出现时陷入被动。在智能体时代尤其如此：推理形态不断变化，上下文更长、工具调用更多、多模态输入更频繁、全天候工作负载更普遍，效率和平衡远比峰值跑分重要。

Arm 架构在提升系统性能的同时，保持跨平台一致性。Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，而且拥有强大的软件生态支持。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，既加速了芯片开发，又保留了合作伙伴间的差异化与选择权。对于所有基于 Arm 架构的平台，一致性贯穿始终，云工作负载迁移至 Arm 平台也极为便捷。同时，在软件层面，Arm 生态助力团队在不同环境与平台间拥有一致连贯的基础，从而加速开发进程，无需重写所有代码。

智能体 AI 经济重塑 CPU 选择格局，Arm Neoverse 平台成头部厂商首选

系统架构师之所以倾向于 Arm 平台，因为它精准匹配定制AI 系统的核心需求：能效、可扩展性及每瓦性能。能效重要，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，因为加速器闲置成本极高；一致性重要，因为 AI 基础设施变化快、跨环境部署日益增多。

在融合型智能体 AI 数据中心里，面对持续推理的应用需求，上述优先事项变成了上线即需满足的硬性指标。智能体系统不只需要能生成词元的加速器，更需要以 CPU 为核心的编排能力，在网络、存储、调度、安全层面，持续、高效、大规模地把资源利用起来。

Arm 如今的强劲增长正源于此：Neoverse 正成为智能体时代的 CPU 基础平台，作为计算头节点，是让 AI 系统保持高效、一致并面向未来的核心控制中枢。

男女混合

决赛当中，中国队派出了全红蝉/白钰鸣参加比赛，第一轮，全红蝉在三米板选择的是难度系数2.7的405C(向内翻腾两周半抱膝)，得到了63.45分排名第一位。

第二轮，白钰鸣在十米台选择的是难度系数3.3的207C(向后翻腾三周半屈体)，得到了64.35分，轮次排名第一位，总成绩127.80分排名第一位。

第三轮，全红蝉在三米板选择的是难度系数2.0的103B(向前翻腾一周半屈体)，这一跳她只得到了47.00分，轮次排名第11位，总成绩174.80分排名第一，领先优势被缩小到了13.60分。

第四轮，白钰鸣在十米台选择的是难度系数3.2的6243D(臂立向后翻腾两周转体一周)，这一跳他得到了88.00分的高分，轮次排名第一位，总成绩262.80分排名第一位。

第五轮，全红蝉在三米板选择的是难度系数2.0的5231D(向后翻腾一周半转体半周)，这一跳她只得到了47.00分，轮次排名第10位，总成绩309.80分排名第一位。

最后一轮，白钰鸣在十米台选择的是难度系数3.4的307C(反身翻腾三周半抱膝)，这一跳他得到了81.00分，并列排名轮次第一，总成绩391.40分夺得冠军。这是中国跳水队在本届世锦赛的第五枚金牌，更是世锦赛历史上的第100枚金牌，也是全红蝉个人世锦赛首枚金牌。法国组合吉尔特/扬达尔德总成绩358.50分获得银牌，英国组合斯莱克斯/海特利总成绩357.60分获得铜牌。

女子单人一米板

决赛当中，李亚杰第一轮选择的是难度系数3.4的403B(向内翻腾一周半屈体)，得到了57.60分排名第一位。

第二轮，李亚杰选择的是难度系数2.6的105B(向前翻腾二周半屈体)，这一跳她得到了62.40分，轮次排名第二位，总成绩120.00分排名第二位;加拿大选手瓦勒总依靠着405C上的66.65分，总成绩121.25分排名第一。

第三轮，李亚杰选择的是难度系数3.3的203B(向后翻腾一周半屈体)，这一跳她出现了失误，只得到了49.45分，轮次排名第8位，总成绩169.45分排名第二位;瓦勒在305C上得到55.50分，轮次排名第二位，总成绩178.75分排名第1位。

第四轮，李亚杰选择的是难度系数3.0的305C(反身翻腾两周半抱膝)，这一跳她得到了69.00分，轮次排名第一位，总成绩238.45分反超排名第一。

最后一轮，李亚杰选择的是难度系数2.6的5333D(反身翻腾一周半转体一周半)，这一跳她得到了62.40分，轮次排名第一位，总成绩300.85分夺得冠军，这是中国跳水队在本届世锦赛上夺得的第6枚金牌!美国选手巴孔在最后一轮依靠着105B的稳健发挥，总成绩276.65分获得银牌，瓦勒最后一轮的5134D出现重大失误，总成绩276.60分获得铜牌。

混合双人三米板

决赛当中，中国队派出了朱子锋/林珊参加比赛，第一轮，他们选择的是难度系数2.0的401B(向内翻腾半周屈体)，得到了54.60分，排名第一位。

第二轮，朱子锋/林珊选择的是难度系数2.0的301B(反身翻腾半周屈体)，这一跳他们得到了52.20分，轮次排名第一位，总成绩106.80分排名第一位。

第三轮，朱子锋/林珊选择的是难度系数3.0的205B(向后翻腾二周半屈体)，这一跳他们得到了72.00分，轮次排名第一位，总成绩178.80分排名第一位。

第四轮，朱子锋/林珊选择的是难度系数3.1的107B(向前翻腾三周半屈体)，这一跳他们出现了小失误，得到了69.75分，轮次并列排名第一位，总成绩248.55分排名第一位。

最后一轮，朱子锋/林珊选择的是难度系数3.0的5152B(向前翻腾两周半转体一周屈体)，这一跳他们得到了75.60分排名第一位，总成绩324.15分夺得金牌，这是中国跳水队在本比赛日收获的第三金!意大利组合和英国组合分别排名第二位和第三位。

公开水域

男子10公里决赛，意大利名将帕尔特里宁游出了1小时50分56秒8的成绩夺得金牌，他的同胞阿塞伦扎以1小时50分58秒2的成绩获得银牌，德国名将威尔布洛克以1小时51分11秒2的成绩获得铜牌。中国选手张子扬游出了2小时00分54秒7的成绩，排名第33位。

女子10公里决赛，荷兰选手范罗文达尔游出了2小时02分29秒2的成绩夺得金牌，德国选手贝克易2小时02分29秒7的成绩获得银牌，巴西选手索阿雷斯以2小时02分30秒7的成绩获得铜牌。中国选手孙嘉珂游出了2小时05分23秒6的成绩，排名第20位，辛鑫游出了2小时06分48秒0的成绩，排名第24位。

总奖牌榜方面，美国队获得17金13银16铜共46枚奖牌排名第一位，中国队获得12金2银6铜共20枚奖牌排名第二位，意大利队获得8金9银6铜共20枚奖牌排名第三位，澳大利亚队和加拿大队分别排名第四位和第五位。