关注Arm生态的读者，对其CSS（Compute SubSystem）解决方案应该不会陌生——尤其此前小米玄戒O1发布时，CSS这个名字也为更多人所知。
最近的媒体活动上，Arm高级副总裁兼终端事业部总经理Chris Bergey在答记者问时说，CSS平台上，Arm不仅基于传统IP授权模式提供RTL选择，也可为客户提供用于参考的物理实现方案（physical implementation），乃至与客户合作产出可用于量产的设计方案。这在大约5年前，于传统意义上的软IP供应商，还是不可想象的一件事。
尤其在越来越多的系统企业——如数据中心、手机、汽车等领域的OEM厂商——都倾向于自己设计芯片时，Arm CSS表现出很高的价值。“要将Arm的CPU, GPU等组成部分组合起来是非常重要的工作，但对他们（系统企业）而言并非业务核心。”
Chris说，所以他们从CSS平台看到了价值，因为相较于由客户去雇佣大量专家将Arm的技术融合到一起，尔后基于应用负载增加差异化方案，Arm CSS就可以以较低的成本为他们赋能，并借此实现他们的专业和差异化。这实际上也更符合如今“应用导向的芯片设计”时代背景下，EDA/IP厂商都倾向于为客户提前解决更多共性问题的大趋势。
Arm到目前为止在全球范围内已经有“超过16个CSS技术授权许可，半数是在过去12个月内发生的”——这的确也为Arm创造了新的营收增长点。
Arm在面向不同的应用方向时，有着不同的CSS方案，比如面向数据中心的Neoverse，面向汽车的Zena，面向PC的Niva，面向IoT的Orbis，以及最近Arm Unlocked 2025上海站活动上，刚刚更新的面向移动（Mobility）市场的Lumex。
本次发布的Arm Lumex CSS主要面向手机、平板、可穿戴设备等移动设备，“提供旗舰级CPU和GPU性能”；是基于Armv9架构的最新演进——所以我们也有机会真正认识Arm的新CPU和GPU IP，及系统解决方案与配套软件。
不过更重要的是，这次的IP与平台更新强调 “AI为先”（AI first）——全天的活动，被提起最频繁的一个词大概就是AI了。其实CPU、GPU加入AI推理加速构成，在这个时代已经不罕见了，毕竟几乎所有垂直领域、大部分主流芯片市场参与者都在谈AI。但Arm针对Lumex CSS平台及其之下的IP构成，对AI的支持也是从软硬件两方面下了不少工夫的。
Part 1，Lumex及其AI为先的思路
以往Arm发布新版CPU, GPU及其他IP时，主要谈的通常都是CPU核心的IPC（每周期指令执行数）提升、通用性能变化，GPU的浮点运算、图形渲染及游戏能效改进等；而这次发布会的大量篇幅都放在了AI上。
开场时Chris就说Lumex是为AI时代打造的（built for the AI era）。Arm终端事业部产品管理副总裁James McNiven则说，AI正在重塑个人设备；且在AI负载从传统ML/CV，走向多模态LLM，到现如今Agentic AI的进化过程中，“我们不仅需要更快的CPU, GPU，还需要重新思考整个计算平台。”
基于带宽、延迟、性能等方面的需求，Lumex CSS平台就是实现了紧密协同设计、协同开发，“系统级优化与整合”的计算IP组合，包括CPU, GPU和其他新的系统IP，以及“与合作伙伴共同打造的软件生态”——整体理念就是以“AI为先”。
“Lumex作为一个平台，在此之前我们从未走得如此之远。为之注入的新特性像是为软件开发者提供帮助的共享遥测（shared telemetry）；我们也调整了缓存层级结构（cache hierarchies），在电源域（power domain）等方面做了很多工作；我们还围绕物理实现（physical implementation）做了扩展；软件方面的工作...”James谈到，“这些都能帮助客户加速构建，并定制SoC，在CSS平台之上专注于他们（更偏业务层面）的创新。”
上面这张图囊括了Lumex CSS平台的主要构成：包括C1 CPU集群——尤其新增SME2扩展大幅提升了CPU的AI性能（达成至多5倍性能提升）；Mali-G1 GPU集群——AI与图形性能都有两位数提升；系统级IP也有了新的互联架构，针对移动平台所做的新版系统MMU（内存管理单元），“特别针对AI加速了内存路径”，达成“整个平台的性能、效率提升”。
Arm在本次媒体会上，就微架构更新细节谈得不多，这里谈谈其中的关键部分。新的系统IP，主要就是SI L1（系统互连）和MMU L1（内存管理单元）。前者是基于集成SLC（系统级缓存，System Level Cache）和NoC（片上网络，Network on Chip）达成的可扩展相干系统互连，James说这也是提升AI效率的组成部分；后者作为系统内存管理单元，用于支持安全Android和Windows设备的虚拟化实现(基于内存地址转换的虚拟化），而且是在尺寸缩减、具备成本效益的基础上所做的投入。
值得一提的是，Arm将Lumex的新版系统互连架构称作为“channelized”（通道化）架构。James没有特别解释具体是怎么做的，只是谈到相较于先前的互连架构，新架构有利于减少数据搬运工作，能够有效改善功耗、节省面积、管理QoS。实际上Arm在以往的某些技术参考手册中也提过这个词——且基于下面这张示意图，我们大致推测它是指并行数据路径，并且做了流量隔离，同时具备可扩展性、QoS的架构方向。
在SI系统互连“更高性能”，MMU“面积更小”，以及更新NoC（S3）——有助于非旗舰设备尤其对于非一致性（non-coherent）内存系统相当友好，这几点的加持下，系统层面整体上实现了更好的可扩展性或可伸缩性，也就是从旗舰设备到可穿戴设备的覆盖。
另外，CSS平台的物理实现交付一直是很多人相当关注的——物理实现交付应该是Arm去年才开始面向客户提供的。“从物理实现角度来看，我们也新增了选项”，在CPU, GPU之外，还涵盖了SLC物理实现，皆为3nm工艺就绪（3nm production ready）。
当然如文首所述，客户也依旧可以选择传统的软IP。Arm现在之所以开始提供物理实现，就是因为芯片设计、制造工艺的复杂性陡增，尤其系统客户不应将太多时间放在共性技术上，故而由Arm来解决问题——当然这也是新的盈利增长点。“我们的RTL团队和物理实现团队花了很多时间，一起在产品上达成最好的PPA，不管合作伙伴想要自己做实现，亦或直接用我们的物理实现。”
软件和工具方面的更新，主要是面向Android 16做出支持的软件栈，以及后文将着重谈到的对SME2做出抽象层支持的KleidiAI，还有新的“自上至下”的遥测（top-down telemetry）特性等。这部分追求的主要是Arm多名发言人提到的“开发者为先（developer-first）”理念，着眼现在半导体行业常说的在pre-silicon阶段，就率先做出软件开发的支持，并且给开发者提供易用性。
Chris在主题演讲中总结Arm Lumex的几大亮点：跨高端设备，扩展设备上的AI能力——主要是通过CPU获得IPC两位数提升 + 集成SME2，实现AI性能的大幅跨越；新一代Mali GPU加上光线追踪和AI加速能力，移动平台上实现了“桌面品质”的游戏和AI体验；“开发者为先”，跨Arm平台来加速真实场景AI部署。
这番总结基本上就是对Lumex平台之上CPU、GPU、软件工具更新的概括了。接下来，我们就以AI为主要依据，着眼这几个方向，来谈谈新平台、新IP的部分高抽象层级信息——虽然绝大部分内容还是不会涉及到这些新产品的微架构层面。
Part 2，新CPU及其通用性能水平
Arm面向移动平台的新CPU IP已不再用Cortex这个更加广为人知的名称，这次全线基于Armv9.3架构的新核心IP就叫C1——不同规模的CPU核心分别叫C1-Ultra, C1-Premium, C1-Pro, C1-Nano。
其中C1-Ultra用于取代此前的Cortex-X系列；而C1-Premium看起来应该是面向次旗舰的新生态位IP；C1-Pro是相对于以往Cortex-A700系列的迭代；C1-Nano自然就是传统意义上的小核，故而取代的是A500系列。Chris说这个新命名法更加简洁明了，应该会得到行业和合作伙伴的支持（sympathized），且会在未来持续。
Arm这次提供核心层面的通用性能提升数据比较粗略：C1-Ultra单线程峰值性能提升25%；而C1-Premium则在相比C1-Ultra小了35%的基础上同样“提供出色的性能”；C1-Pro达成了出色的持续性能，在游戏中的性能提升达到16%；C1-Nano作为高能效核，功耗缩减了26%；
另外还有C1-DSU（DynamIQ Shared Unit，用于实现核间通信、L3 cache管理、QoS与隔离、性能伸缩等）将这些核心连起来：Arm提供的数据是，搭配C1-Nano，日常使用最多降低26%的功耗；当然它也是覆盖旗舰手机到可穿戴设备、达成不同应用市场可伸缩性的基础。
总体上C1 CPU平均性能提升15%、平均功耗降低12%（从PPT来看，前面这两项是面向真实应用场景的系统表现，包括视频流播、社交网络、网页浏览等）；而Benchmark基准测试的平均成绩提升有30%。虽然就通用计算性能层面来看，这些数字还不够明朗，但明年的新机应该是可以期待一下的。
单独看C1-Ultra，核心性能微观层面尤为值得一提的是IPC的提升。Arm终端事业部产品管理总监Ronan Naughton说自Cortex-X1到C1-Ultra的这6年里，Arm CPU的IPC连续实现两位数提升——关注CPU技术的读者应该知道，这在业内并不容易达成。而和Cortex-X1相比，C1-Ultra的IPC性能提升了超过75%。
C1-Ultra峰值性能相比Cortex-X925提升了25%，从能耗曲线可见相同性能水平下（基于Geekbench 6.3），C1-Ultra节省了28%的功耗（而且从曲线来看应该是在Cortex-X925的峰值性能点）。就通用性能角度看，这个核心的代际提升表现还是相当不错的。
而C1-Premium如前所述，是个全新定位的核心IP，介于传统意义上大核心与中核心之间的“次旗舰”（sub-flagship）定位。从系统层面来看，Arm预期将其应用在追求能效和面积效益的AP SoC中：采用这类AP SoC的终端设备可构成“次旗舰”。
比如采用2个C1-Premium核心 + 6个C1-Pro核心这种组合方式，相比2 C1-Ultra + 6 C1-Pro的组合，面积节省超过35%——似乎主要是通过精简矢量单元、L2 cache及优化物理实现达成的（只不过没说性能损失），而其单线程性能又比C1-Pro高出至多35%，可以说是个追求面积效益与性能平衡点的核心了。
定位中核心的C1-Pro，Arm明确其能效和持续性能释放水平较高，毕竟就像上代Cortex-A700系列，这类核心的发热量也不会太大。此处Arm给出了两组数据，在相同频率下，C1-Pro相比Cortex-A725核心提升至多16%的性能（尤指RHI thread：图形引擎的Render Hardware Interface是很多低层级图形API的一个抽象层，RHI thread就是负责给GPU提交渲染指令的专用线程）；而在相同性能下，在诸如视频流播、网页浏览、社交网络等负责中则可实现12%的能效提升。
Arm给出C1-Pro的能效曲线，也是全性能段领先Cortex-A725（如上图）：每瓦性能至多提升11%，同性能则至多降低了26%的功耗——这两个值应当都是基于SME2的引入，在特定负载下达成的。
基于Arm的“第二代面积优化配置”方案，C1-Pro在不增加面积的情况下实现了性能提升：在保持Cortex-A78核心面积的基础上，以Cortex-A78为单位性能（100%），Cortex-A720的Geekbench 6.1和SPEC2K17性能分别为105%和110%，而C1-Pro则达到了113%和119%；而且需要再度明确的是，这是在加入SME2构成还保持相同面积的前提下——而GB6.1和SPEC2K17则并非偏AI的测试项。
最后是替代Cortex-A500系列的小核心C1-Nano，从能效角度应该也是Lumex体系之中最出色的核心，据说也是Arm现在最高效的小核心；搭配C1-DSU，相较Cortex-A520在相同制造工艺的情况下，能效提升幅度26%；同时SPECint2017性能还高出5.5%；Ronan提到C1-Nano的取指能力得到提升，通过解耦预测与取指管线，在取指敏感型负载中能够达成超过10%的性能提升。
将所有核心“串联”起来的C1-DSU相较上一代降低了11%的典型功耗，同时令RAM在Quick nap（也就是浅睡模式，核心存储单元保持供电，但外围逻辑单元关闭，可确保快速唤醒）之时的功耗降低7%。从可扩展性、效率、带宽的角度，都“对许多设备的日常使用很重要”，包括部分生成式AI负载。
Ronan还特别提到了如果中核+小核组合起来，本代（C1-Pro + C1-Nano）相比上代（Cortex-A725 + Cortex-A520）的计算密度提升了至多2倍——特指SME2加持下的AI性能提升。即便是小核心，也都贯彻了SME2的设计，也是Lumex整体设计以“AI为先”在CPU核心中的体现。
另外就是从AP SoC组合核心的角度来看，从低成本、入门级，到主流、次旗舰、旗舰的不同选择皆有：包括2个C1-Nano核心可面向可穿戴和其他边缘设备；高至2个C1-Ultra + 6个C1-Pro面向旗舰手机。
中间档位的4Nano、2Pro+4Nano、2Pro+6Nano、4Pro+4Nano、1Premium+3Pro+4Nano、2Premium+6Pro等......其间的性能差值有17倍，面积差值25倍，体现的还是面向不同客户需求的配置伸缩性。
Part 3，CPU划重点：SME2加持下的AI能力
以上主要谈到的都是CPU的常规性能提升部分，实际上Arm这次在CPU的技术讲解中，有一半时间是特别给到了AI的：包括本代CPU的AI性能至多提升5倍，能效提升3倍；背后的最大功臣当然就是这次的大热门——SME2了，而且因为全系C1都配了SME2，也就实现了覆盖不同定位设备的可扩展性——包括可能会用上C1-Nano的可穿戴设备。
Chris在谈CPU的时候说，预计到2030年，SME与SME2扩展将为超30亿台设备增加超100亿TOPS的算力，”实现端侧AI能力的指数级飞跃”。所以有必要单独用一个章节来谈属于C1 CPU的AI加成。
从CPU扩展指令集来看Arm对于AI的支持，实际是可以追溯到Armv8-A的SMLAL（Signed Multiply-Accumulate Long）的，往后分别又相继出现了INT8点积（SDOT & UDOT）、矩阵乘（SMMLA & BFMMLA），以及后来更加广为人知的SVE（scalable vector extension）。
Armv9-A开始应用SME（scalable matrix extension）矩阵扩展初代，一直到这次基于Armv9.3-A的C1问世全系搭载了SME2。这些都可以视作指令集层面对于AI计算的加速。上面这张图右下角的表格给出了SME2相较初代SME的差异——不过现在SME2应当已经作为SME的超集（superset）存在了。
Ronan总结说SME2带来了诸如多矢量加载（multi vector load）、多矢量存储（store）和多矢量乘的能力，简单来说就是以更少的指令完成更多的工作——也是扩展指令的常见思路；另外James在问答环节提到SME2对更小数据类型2 bit、4bit整数做出了支持，James说这对高度量化模型的移动生态非常重要。
就CPU的AI性能，Arm并没有给出特别明确的算力数字，大方向只提到5倍性能提升、3倍能效提升。不过James有在问答环节大致提到，基于芯片的不同规格，SME2可给到的AI算力在2-6TOPS区间。无论这是说INT8还是INT4，就可实践“AI民主”的CPU扩展指令加速来看，2-6TOPS都还是比较理想的数字；对于小语言模型推理，和常见的CV、语音识别类的工作负载还是很有价值的。
在更具体的工作负载上，Ronan给出了几组数字，包括做语音识别（Whisper Base模型）的延迟从1495ms降低到315ms，性能提升4.7倍；LLM模型推理方面，基于Gemma3模型的编码性能从84 tokens/s提升到398 tokens/s，提升幅度4.7倍；还有Stability AI的音乐生成用例（基于Stable Diffusion的模型），生成音乐、音效的时间从将近半分钟缩减到9.7s。
上面这张图展示了不同负载之下，SME2可达成的性能提升：包括生成式AI、传统感知AI，还有非AI负载（比如这里没有展示出来的C1-Pro借助SME2，相比SVE2/Neon可达成libyuv图像处理性能的3倍提升），性能的平均提升幅度为3.7倍。
能效对比方面，James给出的是在跑Geekbench的对象检测子项时，有无SME的功耗与性能差异：这个测试项中，CPU功耗整体降低28%，性能提升12%——是功耗降低同时的性能提升——虽然没有提供绝对值数据还是有些可惜。
事实上所有CPU厂商在推扩展指令集时，都面临开发者的接受程度及生态培养问题——尤其这种偏专用的扩展指令集，真正能动员起开发者响应，才有其存在价值。比如PC领域内，前些年唱衰AVX512的声音就不断，但这两年声势就又起来了，根源就是开发者的接受与否。
所以这里也简单淡淡SME2生态及Arm面向开发者准备的中间件。这次的技术主题演讲中，Arm花了大篇幅去谈KleidiAI，毕竟新CPU的AI加速就依托于它为上层应用服务：当然不止是SME2，应该还包括其他所有AI加速的相关指令。上面这些性能提升数字与KleidiAI也是分不开的。
Arm KleidiAI是介于底层处理器与上层AI框架之间的中间抽象层、软件库，James说过去10年的Arm CPU在包括Neon、SVE2和如今SME2扩展指令之上的加速都靠它。对于很多只涉足AI框架的开发者而言，KleidiAI是不可见的，所以绝大部分开发者不需要关注KleidiAI这一层——实际上KleidiAI支持了业界大部分主流AI框架，包括PyTorch、LiteRT、ONNX、腾讯混元、阿里MNN等。
Chris和James在主题演讲中都特别提到了谷歌LiteRT，由于KleidiAI整合进了XNNPACK（谷歌的神经网络推理库，作为LiteRT的后端存在），故而也就相当于Android的大量AI应用已经用上SME2，或者其他属于Arm CPU的AI加速。当然还有Windows on Arm生态下，KleidiAI融入进了ONNX Runtime，该生态达成Arm CPU的AI加速也就水到渠成了。
事实上James展示了不少SME2扩展指令集通过KleidiAI实现AI应用加速的案例，受限于篇幅不做展开。不过有一点给我们留下深刻印象的，即对于不同AI模型推理，开关SME2前后的AI性能变化——但这还不是重点，注意下面这张图。
在这些测试项目里，SME2加持的C1-Pro相比关闭SME2的版本，性能提升3-6倍；更重要的是前两个小型网络（MobileNetv2和ResNetv2）中的性能表现甚至超过了GPU（Mali G1-Ultra），虽然绝大部分对比项都是FP32精度，且随网络规模扩大，具备更高并行计算能力的GPU还是能保持领先：这其中自然也有KleidiAI效率上的帮助。
有关生态建设、SME2应用的具体成果，Arm Unlocked 2025上海站活动上参与站台的至少包括了阿里云、支付宝、网易伏羲，以及作为OEM厂商的vivo宣布其加速平台全面支持SME2，和“vivo即将发布的全新X旗舰系列产品”会加入支持；加上Meta、谷歌等国际企业，作为所谓“Day 1”的支持，还真是相当契合当代软件开发“左移”的时代特征。
Ronan说现阶段Arm还在与更多第三方应用合作，包括AI翻译、语音识别等，乃至和游戏引擎合作，丰富SME2加速的AI生态。
CPU部分的最后，谈谈为什么要在CPU之中加入指令集层面的AI加速，而不是完全仰仗GPU, NPU之类更擅长并行计算能力的加速器的问题。这也是个老生常谈的话题了。我们总结了三点：（1）CPU的AI加速具备了最出色的灵活性和可编程性，尤其是对不同数据类型的支持是相当灵活的，且开发者要启用AI加速的编程负担低得多；
（2）对低延迟有要求的小型AI负载还是明显更适用CPU来做AI加速的，比如音乐生成、语音识别、个性化商品的实时推荐等，毕竟启用独立加速器的延迟会明显高一个量级——这就像游戏的AI超分也倾向于用GPU内置的张量加速单元，而不是去选择外部NPU，这是一个道理；
（3）CPU之中加入AI加速，也更有利于所谓的“AI民主”，也就是普及AI技术。不仅是GPU、NPU作为加速器加入SoC之中会增加成本，是某些入门级应用无法承担的；而且GPU和NPU也很大程度面临一定的市场碎片化问题，尤其NPU连行业标准都不存在，这就给AI在终端应用的普及，以及开发者聚集力量去融入AI加速造成了影响。
于是CPU成为其中的最优解，即便在特定负载类型下其效率和性能都未必比GPU、NPU好。
所以Arm对于CPU, GPU, NPU在AI加速上扮演的角色差异认知也很明确，一个词总结就是基于不同类型的AI负载“各司其职”。这也是Intel、苹果、NVIDIA等参与AI竞争的所有企业的共识。
Part 4，GPU同时强化图形与AI性能
基于手游用户对画质要求的提高，以及如虚幻引擎5移动版每个版本更新也在加强图形负载，手游的图形复杂度在不断提升，Arm认为GPU IP还是需要持续强化图形渲染能力。另一方面，如CPU部分提到的，旗舰移动设备的AI加速需求也在提升，GPU始终作为AI加速的重要载体，正在为个人设备提供AI算力，所以加强AI性能也是必须的。
不过随Lumex新平台一同更新的Mali G1 GPU能谈的内容不多，因为Arm并未花太多篇幅去聊这次新IP的架构改进。从PPT来看，Mali G1有3个不同档位：Mali G1-Ultra（10核或更多+RTUv2第二代光追单元）、Mali G1-Premium（6-9核）、Mali G1-Pro（1-5核）。
首先从命名来看，Arm已经确定舍弃此前所用Immortalis这一高端品牌名，所以现在旗舰款的GPU IP同样名为Mali。微架构层面，目前仅知的信息是，虽然前两个月Arm宣布了Arm Neural Technology（神经技术）及对应的NSS（Neural Super Samping）超分即将到来，以及未来Mali GPU的shader核心内部将因此新增AI加速单元，但尚未出现在本次更新的Mali G1之中。
总体上来看，Arm给出Mali G1-Ultra的性能数字包括：14核Mali G1-Ultra比较前代14核Immortalis-G925，图形基准测试与游戏性能提升20%、每一帧的能耗降低9%、光追性能提升2倍，AI/ML推理性能提速20%。
游戏与图形性能方面，在包括《原神》《堡垒之夜》《暗区突围》几款游戏中的性能提升幅度分别为17%、11%、25%，以及在Arm自己的概念演示场景《Mori》之中的性能提升幅度26%。PPT大致提到了几个部分的提升：IRD（Index-Driven Rendering，最小化内存带宽的一种技术）, tiler提升；IDVS（Index-Driven Vertex Shading，前述IRD在顶点着色阶段的具体实施）及其计算调度优化......
图形性能部分尤为值得一提的是RTUv2光追单元的更新，James特别在媒体会上演示了3DMark Solar Bay Extreme光追基准测试——关注游戏的读者应该知道，这是个相当复杂的光追重载场景测试，而相比RTUv1的2倍光追性能提升在James看来是能够大幅推升未来手机游戏的视觉体验的。
有关RTUv2，虽然现在可知的细节信息仍然不多，但首先它和RTUv1一样也是位于shader核心内部的光追加速单元——也就能随shader核心数量变化做伸缩。另外RTUv2从所谓packed ray model（成组的光线模型）转向了single ray model（单一光线模型）。
前者是指多个光线以batch的方式做并行处理，只不过它会带来光线之间依赖性的复杂度提升；而后者就是指每个RTU管线只处理一条光线，它的价值在于没有依赖性问题，而且实现了细粒度控制且在shader核心之间能做更好的调度——据说是特别适配移动应用这类功耗和带宽敏感型场景的。James说这种新的处理方式也会让画质更好、更真实。
在Arm自己的Lumilings光追测试（基于UE5桌面渲染器）中，同样是画质全开的硬件加速光追、再搭配ASR超分，Mali G1-Ultra相比Immortalis-G925可提升40%的帧率，达到37.5fps的平均帧。这个测试主要用上了虚幻引擎5.5的MegaLights技术，其直接光照路径重在处理大量动态光线，展示的主要是这一代GPU的实时光照与阴影呈现能力。未来的移动光追游戏还是可以期待一下的。
另外在面向开发者时，James提到新的开发工具为开发者提供了细节化的每个帧区域的GPU性能数据，包括基于tile的硬件计数器——每个tile四个硬件计数器，“如此一来开发者对于性能有了更好的可视性”，包括发现画面中的hotspot和瓶颈，以实现进一步的游戏性能优化。另外未来的Android版本会有Vulkan扩展对RenderDoc这一debug工具做出更好的支持。
而在AI性能方面，上面这张图给出了FP32精度下包括图像分类、图像增强、语言处理、语音识别、语义分割等不同AI模型的推理负载上，Mali G1 GPU带来不同程度的性能提升。
架构方面还可以增加一些信息：问答环节，James有提过一句为GPU增加了指令支持，以加速16bit浮点数据的计算；微架构层面对FP32的处理工作进行了优化，某些负载的性能提升2倍（如上图中的语音识别负载）；我们猜测核心规模应当也有增大——因为James提到了CPU和GPU都在扩增，“我们在其中做平衡”——具体的，Arm未来应该会公布更多信息。
在我们看来，Arm Lumex整体算得上是移动计算思路的转变：无论是可扩展的C1 CPU核心全系加入了SME2，并借助KleidiAI中间层，达成AI性能5倍提升、能效3倍提升；还是GPU强调图形性能、2倍光追性能提升的基础上，也提升了AI性能；
以及系统层面包括SLC、系统互连、MMU等组成部分皆以“AI优先”的设计思路；还有CSS平台面向芯片设计客户提供RTL或3nm ready物理实现交付的选择；都能体现Chris所说的“Lumex不仅是一组IP 模块，更是专为 AI 从底层打造的全栈式旗舰平台”。
Arm宣传说移动计算的未来都将建基于Arm Lumex（The future of Mobile Compute is built on Arm Lumex）就是以这些新设计为基础的。显然明年的手机和更多移动设备预计会看到更多属于AI的基因。
