2026年以后技术展望
SoC优化“更智能的系统”
CPU·加速器·存储器等一体化设计
物理AI崛起为下一代平台
有预测认为，2026年之后的计算环境将摆脱以集中式云为中心的结构，朝着在云、物理世界以及边缘人工智能环境全方位互联的方向发展。
Arm于23日通过下一代技术展望指出：“今后的计算将变得更加模块化，并在提升能效的同时，演进为云、边缘、物理人工智能整体顺畅互联的形态。”
首先，在硅片设计方面，将加速从单一（单片）芯片向基于芯粒的模块化设计转型。通过将计算、内存和输入输出（I/O）拆分为可复用的构建模块，可以组合不同的工艺节点（芯片世代划分单位），同时降低设计成本与开发周期。据称，这意味着从“更大的芯片”转向“更智能的系统”，并将成为更快速实现面向多样化工作负载的系统级芯片（SoC）优化与产品差异化的基础。与此同时，随着开放式芯粒标准的演进，不同供应商之间的互操作性将得到强化，供应链的灵活性也将随之提升。
在人工智能计算领域，面向特定领域的加速器以及系统级协同设计被提出为核心趋势。分析认为，将摆脱传统上将通用中央处理器（CPU）与加速器分离的方式，转而根据特定人工智能框架和数据类型，将CPU、加速器、内存与互连集成为一个统一平台进行设计的结构将会普及。Arm以亚马逊云科技的Graviton、谷歌云的Axion、微软Azure的Cobalt等为代表案例，评价称这种路径正在同时提升开发效率和可扩展性。预计这将推动集成型人工智能数据中心的兴起，通过提高单位面积内的人工智能计算密度，降低功耗和成本。
人工智能智能能力的重心预计将逐步向在设备附近处理数据的“边缘”系统转移。大型模型训练仍将由云端承担，而推理则在终端设备和现场系统中执行的架构将进一步扩张。借助算法高度发展、模型量化以及特化硅片的进步，即便在边缘环境也能实现实时推理和本地学习，从而在降低时延和云依赖度的同时，把边缘设备重新定义为独立的计算节点。
在企业环境中，小型语言模型（SLM）的应用预计将快速扩散。通过模型压缩、知识蒸馏和架构创新，即便参数规模较小也能实现高性能推理，因而适用于电力受限环境和边缘部署的人工智能模型有望成为主流。Arm预测，未来人工智能竞争力的核心指标将转向以“每焦耳推理性能”等能效指标为代表的衡量体系。
从长期来看，物理人工智能有望崛起为下一代人工智能平台。基于多模态人工智能以及高效学习和推理技术，智能将被内嵌到自主机器和机器人之中，预计将在制造、物流、医疗、采矿等各行业推动生产率提升。尤其是，为车辆开发的芯片有望被复用于人形机器人和工厂机器人，从而形成覆盖车辆与机器人技术的通用计算平台，这一可能性也被提了出来。
Arm表示：“2026年之后技术演进的共同目标，是在能效基础之上，在任何地方实现高性能智能。”
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
