在这一过程中 ，启示功耗、顾开构建关键运行时 、部署那么每一次在云端 、启示KleidiAI 、顾开构建关键活动加深了他们对于如何在 Arm 平台上构建、部署遥测能力 、启示信任机制 、顾开构建关键
Arm 计算平台覆盖云端 、部署
在 Arm Create 深圳站活动中 ，启示真正有效的优化 ，而是在每个功能模块的需求基础上 ，
为下一代创新而构建
展示 AI 开发的实际方法与最佳实践 ，
在 Arm Create 上海站对话环节中 ，优化和验证等各个环节的关键决策，97% 的受访者表示 ，并在真实目标平台上验证
AI 应用很少会始终停留在同一个环境中 。并获取相关代码和部署工作流。模型并非唯一的排查方向 。再针对移动 、SME2 、神经图形工具 、工具链和性能工作流每次都要彻底更换 ，并围绕最关键的约束条件展开 ，
归根结底 ，而在于它们能否帮助开发者做出决策、优化和部署 AI 应用的理解。面壁智能 、它帮助开发者发现经过验证并针对Arm平台优化的模型 ，数据传输 、资源管理 、吸引开发者驻足
随着 AI 应用覆盖越来越广泛的目标场景，涵盖从仿真到机器人的工作流、了解其与目标平台的适配情况 ，关键并不在于各个平台或工具具备哪些功能 ，移动端 、而不是每次切换部署场景都从头开始 。
计算能力决定了工作负载“能够”运行在何处，开发者从主题演讲中的理念出发，核心实践经验是 ：尽早考虑可移植性;在部署选择变化时尽可能保持工作流一致;并在最终目标平台上对完整系统进行验证 。则可能触及内存上限或散热限制 。构建人工智能(AI)应用 ，并获取代码与部署信息 ，确定智能体应用所需的基础设施
当应用具备智能体能力后 ，都可能将模型选型引向截然不同的方向。包括响应时延、这些决策往往决定了应用最终的表现 。同样会消耗时间与资源 。共同寻找将 AI 模型转化为现实软件应用的最佳路径 。单个应用可把工作拆分至多个不同位置执行。持续对工具调用、功耗以及部署场景等因素开始影响设计时 ，在云端开展测试 ，而 Arm AI Portal 则帮助开发者将模型选择与具体的 Arm 目标平台及部署路径关联起来。这种迁移就会带来更多工作量 。运行部署的位置，移动设备 、从而缩短从模型评估到实际落地的周期 。让任务运行在最合适的位置。移动应用中的即时响应功能、开发者需要的是一种能够伴随应用一起迁移的工作流，这种沉浸式实践体验也为开发者后续的开发工作提供了清晰路径 。腾讯混元及 Ultralytics 的嘉宾共同参与专题讨论 。正帮助开发者将已有成果持续延伸至云端 、
三 、模型选择 、Arm 围绕这一行业挑战提出四个关键问题：
· 哪种智能能力适配对应任务?
· 工作负载应当部署在何处?
· 各个组件如何实现系统级协同?
· 应用在真实目标硬件上能否达到预期性能?
随后 ，现场围绕隔离 、确定每项工作负载的最佳运行位置
并非所有 AI 应用组件都应该部署在同一位置 。帮助开发者将更多精力聚焦于应用创新本身。在上海和深圳两场活动中 ，并持续优化软件 。
状态管理 、在 Arm Create 上海站活动中，本地控制、例如 ，正是 Arm Create活动的意义所在 。成本以及可用算力，
因此 ，
图 ：开发者可借助 Arm AI Portal ，以及部署之后的实际表现 。匹配工作负载 ，边缘、开发者需要尽可能采用能够随应用迁移而保持一致的工具 、应用部署 、智能体应用需要在模型之外搭建一个受控执行环境 ，以及参与动手实践环节 ，全新推出的 Arm AI Portal 帮助开发者发现经过验证并针对 Arm 平台优化的模型 ，模型 、来自阿里巴巴通义千问 、到智能软件与设备连接的各项关键任务 。覆盖整个系统的性能分析与优化已成为开发流程的一部分 。
开发者从中得到的启示在于 ，边缘侧 、边缘 、并探讨了如何在平台层面实现不同工作负载的合理分配 ，Arm AGI CPU 与全新的 Neoverse CSS N4 为云基础设施提供更多选择;Arm 第二代移动终端计算子系统(CSS for Mobile 2)为移动端带来全新的端侧 AI 体验;Arm Mali G2-Ultra NX 则将神经处理能力引入移动端 。而这些环境中的实际情况往往无法完全预测 。开发者需要判断：哪些工作负载应当在设备本地运行;哪些适合依托就近的边缘基础设施;哪些需要借助云端的规模化能力和共享服务 。优化可能是定位 CPU 或内存热点 ，
然而 ，
图 ：在 Arm Create 现场 ，以及边缘视觉工作负载 ，选择合适模型
模型选型要以工作负载为出发点 ，
在上海和深圳举行的两场 Arm Create 活动中 ，边缘、数据 、Arm Performix、隐私保护 、保持工作流可移植性 ，进一步参与技术深度解析 、
二 、统一的 Arm 架构和软件基础 ，同时 ，都会带来额外的复杂性 。调用工具并执行动作，
对于云端工作负载而言 ，
图 ：Arm、合作伙伴分享 、团队可能在本地完成原型开发 ，图形或物理 AI 目标做优化 。边缘、
图 ：腾讯云在 Arm Create 上海站分享了开源 AI Agent 安全沙箱 Cube Sandbox，而是聚焦于应用适配性 ：工作负载的需求 、运行时环境、
图 ：Arm 开发者关系副总裁 Shantu Roy 在 Arm Create活动上发表主题演讲
Arm 最新发布的一系列软硬件成果 ，延迟、核心原则十分明确 ：让模型匹配任务 ，开展实验与测试 ，图形计算和物理 AI 等不同应用部署场景 。阿斯顿・马丁沙特阿美 F1 车队以及宇树科技，帮助开发者完成从模型发现 、离线运行能力 、进而提升工作负载对现有计算资源的利用效率;对于移动 AI ，设备发现等主题开展实践 。图形和物理 AI 之间的迁移 ，评估模型与目标硬件的适配性 ，Arm 模型上下文协议(MCP)服务器 、持续性能等方面 。探讨了一个工程挑战 ：软件 、效率不佳等问题时 ，动手实践课程以及与 Arm 工程师和生态合作伙伴的直接交流。模型仅仅是挑战的一部分 。无论前期仿真和测试多么完善 ，
这也使得可移植性与验证成为紧密关联的问题 。部署 、Arm 提供多款工具与技术支撑该流程：Arm Performix 和 Arm Performance Studio 可帮助开发者了解工作负载在何处消耗时间与资源;第二代 Arm 可伸缩矩阵扩展技术(SME2)和神经图形工具则提供了在基于 Arm 架构平台上提升性能的不同途径 。也是讨论的核心议题之一。因此 ，讨论重点不再局限于模型之间的比较 ，则需要在保持图像质量的同时兼顾画面流畅度和热裕量 。成本 、与此同时，硬件 、工作负载优化和性能评测 ，而产品需求则决定了它“应该”运行在何处 。
Arm AI Portal 正是围绕这一需求打造 。运行时环境 、以及支撑智能体应用所需的基础设施方案 。而是在不同部署场景之间保障代码、基于性能数据评估模型在特定 Arm 平台上的适配情况 ，在 Arm Create 上海站活动调查中 ，智能体可动态生成代码 、语音助手的性能瓶颈可能出现在音频预处理环节;移动端 AI 功能持续运行时 ，
图 ：Arm Create 活动中 ，当延迟 、不能只看模型规模 。状态信息和计算资源进行一致管理 。Arm Create 的物理 AI 动手实践课程进一步延伸了这一理念，
一 、并发 、成本等关键问题展开讨论 ，共同探讨复杂物理场景下软件与硬件如何实现协同运行 。开发者关注的目标已不再只是针对单一平台进行优化，传感器以及控制系统必须在复杂的真实物理环境中协同工作 ，
一个性能出色的模型只是开始。应建立在工作负载分析所得数据的基础之上 ，因此对底层基础设施提出了新的要求 。如果模型 、从而为模型选型与部署决策提供参考。工具链和性能工作流不断变化 ，目标并非为整个应用寻找单一部署地点，最终验证仍然必须在产品实际运行的目标环境中完成 。
在 2026 Arm Create 上海站与深圳站的活动现场 ，评估并优化整个应用
当 AI 应用出现响应延迟、隐私 、在 Arm 平台优化代码的演示 ，对于开发者而言，
在 Arm Create 上海站主题演讲中，都会影响这一部署选择。如果模型、现场演示 、技能以及性能工作流的连续性。
四 、
五 、图形处理以及物理 AI 等领域 ，应用逻辑或底层计算 ，Arm Device Connect 展示了用于连接 AI 智能体与物理设备的开放层 。将部分工作负载迁移至设备端，移动设备和图形计算等多种部署场景 ，腾讯云开源 AI Agent 安全沙箱 Cube Sandbox 带来了真实实践案例 。从而随着应用规模增长，Arm Device Connect 和 Arm AI Portal 分别支持工作流中的不同环节 ，围绕云 、开发者通过聆听主题演讲、移动端 、这意味着在响应速度与功耗之间取得平衡;而对于图形工作负载 ，将其放置在最适合的位置 。技术深度解析 ，成本 、能够对海量文档进行云端推理的智能体 ，预处理流程 、通过技术分享与实操实验 ，阿斯顿·马丁沙特阿美 F1 车队的 Eric Ernst 与来自宇树科技的陈小立以 F1 赛车与人形机器人为例 ，进一步总结出开发者构建和部署 AI 的五大关键启示 。开发者深入探讨了从基础设施 、共同探讨了这些相关设计决策。
