Arm 憑借在技術生態系統中所處的獨特地位，對全球半導體供應鏈有著全盤了解，并在數據中心、物聯網、汽車、智能終端等各類市場深入布局。基于此，Arm 對未來技術的發展方向及可能出現的趨勢有著廣泛而深刻的洞察。我們將分三期內容為你詳細列舉從人工智能(AI)到芯片設計，再到不同技術市場的主要趨勢，帶你深入了解 2025 年的產業發展方向！

2025 及未來行業技術趨勢預測

人工智能

芯片設計

技術市場

本期我們將聚焦 AI 領域的 11 個未來趨勢，其中包含大規模投資高性能和高能效的 AI 技術；AI 推理持續發展；AI 時代中的異構計算優勢；邊緣側 AI 嶄露頭角；小語言模型加速演進；多模態 AI 模型涌現；智能體應用不斷拓展；更強大、更直觀、更智能的應用；醫療服務將成為關鍵 AI 用例；推動實現“綠色 AI”，以及可再生能源與 AI 融合發展，帶你深入洞察 AI 的發展方向，把握行業前沿脈動！

大規模投資高性能和高能效的 AI 技術

在 AI 時代如何有效管理日益增長的電力和計算需求，已成為政府、行業及整個社會優先關注的重要議題。在不影響性能的前提下，限制大型數據中心的能耗至關重要。全球數據中心每年消耗約 460 太瓦時 (TWh) 的電力，相當于德國全國的用電量，因此找到解決這一問題的方法勢在必行。

實現高性能和高能效的 AI 需要整個系統層面的協同設計以及對軟硬件的投資。從硬件方面來看，底層處理器技術和 CPU 架構的進一步發展將確保 AI 得到盡可能高效的處理。專用硬件將利用這些技術進步來有效應對數據中心支持密集型 AI 工作負載的各個維度，包括網絡、存儲、安全和數據管理。同時，創新的軟件將優化 AI 工作負載，使其在更少的資源下正常運行，同時保持或提升性能表現。

AI 推理持續發展

在未來一年里，AI 推理工作負載將繼續增加，這將有助于確保 AI 的廣泛和持久普及。這一趨勢的發展得益于具備 AI 功能的設備和服務數量的增加。事實上，大部分日常 AI 推理，如文本生成和摘要，都能在智能手機和筆記本電腦上完成，為用戶提供了更快速、更安全的 AI 體驗。為了支持這一增長，此類設備需要搭載能夠實現更快的處理速度、更低的延遲和高效電源管理的技術。而 Armv9 架構的SVE2和SME2兩大關鍵特性，共同作用于 Arm CPU，使其能夠快速高效地執行 AI 工作負載。

AI 時代中的異構計算優勢

顯然，沒有單一的硬件或計算組件可以解決所有工作負載的問題。尤其是當 AI 推理日益滲透到從智能恒溫器到數據中心等各種設備的計算領域，這點尤為突出。我們觀察到，AI 加速器在 2024 年顯著增長，包括來自領先的云服務提供商的加速器。然而，要有效利用這些加速器進行 AI 工作負載的處理，需要一個 CPU 平臺。Arm Neoverse 提供高度靈活的計算能力，使 Arm CPU 能夠與加速器無縫結合，實現新的工程創造力和開發。例如，NVIDIA Grace Blackwell 超級芯片將 NVIDIA 的 Blackwell GPU 架構與基于 Arm Neoverse 的 Grace CPU 相結合。Arm CPU 作為全球應用最為廣泛的計算平臺，我們預計在 2025 年將會看到更多此類異構計算的協作。

邊緣側 AI 嶄露頭角

2024 年，許多 AI 工作負載已經轉向在邊緣側運行，而不是在大型數據中心進行處理。這種轉變不僅能為企業節省電力和成本，還能為消費者帶來隱私和安全方面的保障。

到了 2025 年，我們很可能會看到先進的混合 AI 架構，這些架構能夠將 AI 任務在邊緣設備和云端之間進行有效分配。在這些系統中，邊緣設備上的 AI 算法會先識別出重要的事件，然后云端模型會介入，提供額外的信息支持。決定在本地還是云端執行 AI 工作負載，將取決于可用能源、延遲需求、隱私顧慮以及計算復雜性等考慮因素。邊緣側 AI 工作負載代表著 AI 去中心化的趨勢，使設備能在數據源附近實現更智能、更快速且更安全的處理，這對于需要更高性能和本地化決策的市場，如工業物聯網和智慧城市，尤為關鍵。

小語言模型加速演進

隨著技術的進步，規模更小、構造更緊湊、壓縮率更高、量化程度更高、參數更少的模型正在快速演進。典型的例子包括 Llama、Gemma 和 Phi-3，這些模型不僅具備更高的成本效益和效率，也更容易在算力資源有限的設備上部署。Arm 預計，2025 年這類模型的數量將繼續增加。這類模型能夠直接在邊緣側設備上運行，不僅提升了性能，還增強了隱私保護。

Arm 預計，越來越多的小語言模型將用于端側的語言和設備交互任務，以及基于視覺的任務，如事件解讀和掃描。未來，小語言模型將從大模型中提煉出更多經驗和知識，以便開發本地專家系統。

多模態 AI 模型涌現

當前，GPT-4 這樣的大語言模型 (LLM) 是基于人類文本進行訓練的。當這些模型被要求描述某個場景時，它們只會以文字形式回應。但現在，包含文本、圖像、音頻、傳感器數據等多種信息的多模態 AI 模型開始出現。這些多模態模型將通過能夠聽到聲音的音頻模型、能夠看到的視覺模型、以及能夠理解人與人之間、人與物體之間關系的交互模型，來執行更復雜的 AI 任務。這將賦予 AI 感知世界的能力，就像人類一樣，能聽、能看、能體驗。

智能體應用不斷拓展

如今，當用戶與 AI 交互時，通常是在與一個單一的 AI 進行交互，這個 AI 會盡力獨立完成用戶要求的任務。然后，通過智能體，在用戶指定需要完成的任務時，這個智能體會將任務委托給由眾多智能體或 AI 機器人組成的網絡，類似 AI 的零工經濟。目前，客服支持和編程輔助等行業已開始使用智能體。隨著 AI 的互聯性和智能程度不斷提高，Arm 預計在未來一年，智能體將在更多行業取得顯著發展。這將為下一個階段的 AI 革新奠定基礎，使我們的生活和工作變得更加高效。

更強大、更直觀、更智能的應用

在 AI 的推動下，設備上將涌現更加強大和個性化的應用。例如更智能、更直觀的個人助理，甚至私人醫生。應用的功能將從簡單地響應用戶請求轉變為根據用戶及其所處環境主動提供建議，實現 AI 的超個性化。這將導致數據的使用、處理和存儲數量呈指數級增長，因此業界和政府需要采取更嚴格的安全措施并提供監管指導。

醫療服務將成為關鍵 AI 用例

醫療服務似乎已成為 AI 的主要用例之一，而這一趨勢將在 2025 年加速發展。AI 在醫療領域的用例包括：預測性醫療、數字記錄存儲、數字病理學、疫苗開發和基因療法等，以幫助治療疾病。2024 年，DeepMind 的創始人因與科學家合作，利用 AI 預測復雜的蛋白質結構，且準確率高達 90%，被授予諾貝爾化學獎。同時，研究證明，使用 AI 可以將藥物研發周期縮短 50%。這些 AI 創新為社會帶來了顯著好處，加速了救命藥物的研發和生產。此外，通過將移動設備、傳感器和 AI 相結合，用戶將能夠獲得更優質的健康數據，從而對個人健康做出更明智的決策。

推動實現“綠色 AI”

AI 將加速融入可持續實踐。除了使用高能效技術，“綠色 AI”策略也將受到越來越多的關注。例如，為了應對日益增長的能源需求，AI 模型訓練可能會來越多地選擇在碳排放較低的地區和電網負荷較低的時間段進行，這可能會成為未來的標準操作。通過平衡電網上的能源負載，這種方法將幫助緩解峰值需求壓力，減少總體碳排放量。因此，Arm 預計會有更多云服務提供商推出針對能效優化的模型訓練調度服務。其他方法還包括：優化現有 AI 模型以提高能效，重復使用或重新定位預訓練的 AI 模型，以及采用“綠色編碼”以盡可能減少能源消耗。在“綠色 AI”浪潮中，我們可能還會看到自發性標準的引入，隨后逐步形成正式標準，以促進 AI 的可持續發展。

可再生能源與 AI 融合發展

可再生能源與 AI 的結合有望推動整個能源行業的創新。目前，可再生能源在可靠性和靈活性方面存在不足，難以平衡峰值負載，這限制了電網脫碳進程。Arm 預計，AI 將能夠更準確地預測能源需求，實時優化電網運行，并提高可再生能源的效率，從而幫助解決這些問題。電能儲存解決方案也將受益于 AI，AI 能夠優化電池性能和壽命，這對于平衡可再生能源的間歇性特性至關重要。

引入 AI 不僅有助于解決預測和平衡峰值需求的難題，還能預見性地識別維護需求，從而減少能源供應中斷。智能電網則可利用 AI 進行實時電能流動的實時管理，有效降低能源損耗。AI 與可再生能源的深度融合，預計將極大地提高能源系統的效率和可持續性。

在下一篇文章中，我們將聚焦芯片設計，深入探討該領域的技術發展趨勢。持續關注 Arm 社區，了解更多前沿技術發展動向！