<p>Arm 在 2025 年 NeurIPS 大会上的参与标志着行业的一个关键转折点：焦点正从单纯的模型规模转向架构效率和理论基础的 AI 研究。会议强调，智能计算的未来依赖于更智能的工程和更紧密的系统级设计，而不是对万亿参数模型的无尽追求。这一演变对于在多样化的计算环境中使 AI 更加可及和可持续至关重要。</p>
<p>几篇获奖论文突出了这一趋势，特别是在理解和改善 AI 模型行为方面。“人工蜂群” 研究揭示了 AI 输出中令人担忧的同质性，表明共享训练数据和对齐技术导致模型趋向于相似的解决方案，这挑战了多样化集成的概念。该研究由 Jiang 等人完成，介绍了一个重要的框架，用于诊断和缓解这一效应，为更强大的生成 AI 铺平了道路。同样，Qiu 等人的 “针对 LLM 的门控注意力” 展示了简单的 sigmoid 门等增量架构改进可以显著增强大型语言模型的训练稳定性和扩展性，在大规模数据集上超越标准注意力机制。</p>
<h2>实用 AI 的驱动</h2>
<p>在 2025 年 NeurIPS 大会上展示的研究还揭示了推动 AI 进步的基本机制。例如，Bonnaire 等人对扩散模型的研究解释了这些模型为何能够有效地进行泛化而不记忆训练数据。他们的发现识别了不同的训练阶段，为开发更可靠和保护隐私的生成系统提供了明确的理论基础。这些突破共同强化了 Arm 的战略方向，优先考虑在云、边缘和物理计算平台上实现高效、可扩展和可信赖的 AI。</p>
<p>Arm 在 2025 年 NeurIPS 大会上与 Graphcore Research 和卡内基梅隆大学等合作伙伴的互动集中在关键未来技术上。讨论围绕小型语言模型（SLMs）的崛起，这些模型能够以最小的计算能力在设备上提供先进的推理能力，得益于蒸馏和压缩技术。“世界模型” 的出现为物理 AI 提供了丰富的虚拟环境，以在实际部署之前模拟 AI 性能，也是一个重要的讨论点。此外，“每焦耳推理” 的基准测试，可能会标准化 FP8 精度等实践，标志着向实用、节能的 AI 开发迈进。</p>
<p>Arm 自身的技术进步，例如未来 GPU 中专用的神经加速器用于移动 AI 图形，以及用于 CPU 基于矩阵密集工作负载加速的 Arm 可扩展矩阵扩展 2（SME2），与这些行业变化直接相关。这些创新经过多年的开发，预见了对专用硬件的需求，以提高效率和性能，而不妥协于功率限制。该公司与研究社区的深度合作承诺确保其架构和工程努力始终处于推动可持续、可扩展和智能 AI 的前沿。根据公告</p>

<p>Arm 在 2025 年 NeurIPS 会议上的参与突显了人工智能研究向架构效率而非模型规模的转变。关键讨论包括小型语言模型、物理 AI 的世界模型以及节能的 AI 训练。Arm 的创新，如神经加速器和 SME2，与这些趋势相一致，强调可持续和可扩展的 AI 发展。获奖论文探讨了 AI 模型行为和训练稳定性，进一步巩固了 Arm 在各计算平台上对高效、可信赖 AI 的战略重点</p>

<p>Arm’s presence at NeurIPS 2025 signals a critical industry pivot: the focus is shifting from sheer model size to architectural efficiency and theoretical grounding in AI research. The conference underscored that the future of intelligent computing hinges on smarter engineering and tighter system-level design, rather than an endless pursuit of trillion-parameter models. This evolution is crucial for making AI more accessible and sustainable across diverse computing environments.</p>
<div class="lb-trans"><p>Arm 在 2025 年 NeurIPS 大会上的参与标志着行业的一个关键转折点：焦点正从单纯的模型规模转向架构效率和理论基础的 AI 研究。会议强调，智能计算的未来依赖于更智能的工程和更紧密的系统级设计，而不是对万亿参数模型的无尽追求。这一演变对于在多样化的计算环境中使 AI 更加可及和可持续至关重要。</p>
</div><p>Several award-winning papers highlighted this trend, particularly in understanding and improving AI model behavior. The “Artificial Hivemind” research revealed concerning homogeneity in AI outputs, suggesting that shared training data and alignment techniques are leading models to converge on similar solutions, challenging the notion of diverse ensembles. This work, by Jiang et al., introduces a vital framework for diagnosing and mitigating this effect, paving the way for more robust generative AI. Similarly, Qiu et al.’s “Gated Attention for LLMs” demonstrated that incremental architectural refinements, like simple sigmoid gates, can significantly enhance training stability and scaling for large language models, outperforming standard attention mechanisms across massive datasets.</p>
<div class="lb-trans"><p>几篇获奖论文突出了这一趋势，特别是在理解和改善 AI 模型行为方面。“人工蜂群” 研究揭示了 AI 输出中令人担忧的同质性，表明共享训练数据和对齐技术导致模型趋向于相似的解决方案，这挑战了多样化集成的概念。该研究由 Jiang 等人完成，介绍了一个重要的框架，用于诊断和缓解这一效应，为更强大的生成 AI 铺平了道路。同样，Qiu 等人的 “针对 LLM 的门控注意力” 展示了简单的 sigmoid 门等增量架构改进可以显著增强大型语言模型的训练稳定性和扩展性，在大规模数据集上超越标准注意力机制。</p>
</div><h2>The Drive for Practical AI</h2>
<div class="lb-trans"><h2>实用 AI 的驱动</h2>
</div><p>The research presented at NeurIPS 2025 also shed light on the fundamental mechanisms driving AI’s progress. Bonnaire et al.’s work on diffusion models, for instance, explained why these models generalize effectively without memorizing training data. Their findings identify distinct training phases, offering a clear theoretical basis for developing more reliable and privacy-preserving generative systems. These breakthroughs collectively reinforce Arm’s strategic direction, which prioritizes efficient, scalable, and trustworthy AI across cloud, edge, and physical computing platforms.</p>
<div class="lb-trans"><p>在 2025 年 NeurIPS 大会上展示的研究还揭示了推动 AI 进步的基本机制。例如，Bonnaire 等人对扩散模型的研究解释了这些模型为何能够有效地进行泛化而不记忆训练数据。他们的发现识别了不同的训练阶段，为开发更可靠和保护隐私的生成系统提供了明确的理论基础。这些突破共同强化了 Arm 的战略方向，优先考虑在云、边缘和物理计算平台上实现高效、可扩展和可信赖的 AI。</p>
</div><p>Arm’s engagement at NeurIPS 2025 with partners like Graphcore Research and Carnegie Mellon University focused on key future technologies. Discussions revolved around the rise of Small Language Models (SLMs) that offer advanced reasoning capabilities on-device with minimal compute, enabled by distillation and compression techniques. The emergence of “world models” for physical AI, promising rich virtual environments for simulating AI performance before real-world deployment, was also a significant talking point. Furthermore, the benchmark of “reasoning per joule” for ultra-efficient AI training, likely to standardize practices like FP8 precision, signals a move towards practical, energy-conscious AI development.</p>
<div class="lb-trans"><p>Arm 在 2025 年 NeurIPS 大会上与 Graphcore Research 和卡内基梅隆大学等合作伙伴的互动集中在关键未来技术上。讨论围绕小型语言模型（SLMs）的崛起，这些模型能够以最小的计算能力在设备上提供先进的推理能力，得益于蒸馏和压缩技术。“世界模型” 的出现为物理 AI 提供了丰富的虚拟环境，以在实际部署之前模拟 AI 性能，也是一个重要的讨论点。此外，“每焦耳推理” 的基准测试，可能会标准化 FP8 精度等实践，标志着向实用、节能的 AI 开发迈进。</p>
</div><p>Arm’s own technological advancements, such as dedicated neural accelerators in future GPUs for mobile AI graphics and the Arm Scalable Matrix Extension 2 (SME2) for CPU-based acceleration of matrix-heavy workloads, are directly aligned with these industry shifts. These innovations, developed over years, anticipate the need for specialized hardware that enhances efficiency and performance without compromising on power constraints. The company’s commitment to deep collaboration with the research community ensures its architecture and engineering efforts remain at the forefront of enabling sustainable, scalable, and intelligent AI for everyone. According to the announcement</p>
<div class="lb-trans"><p>Arm 自身的技术进步，例如未来 GPU 中专用的神经加速器用于移动 AI 图形，以及用于 CPU 基于矩阵密集工作负载加速的 Arm 可扩展矩阵扩展 2（SME2），与这些行业变化直接相关。这些创新经过多年的开发，预见了对专用硬件的需求，以提高效率和性能，而不妥协于功率限制。该公司与研究社区的深度合作承诺确保其架构和工程努力始终处于推动可持续、可扩展和智能 AI 的前沿。根据公告</p>
</div>

Arm at NeurIPS 2025: Efficiency Over Scale in AI

- Arm 在 NeurIPS 2025 的参与标志着行业重心从模型规模转向架构效率。  
- 研究表明，AI 的未来依赖于更智能的工程和系统设计，而非追求超大模型。  
- Arm 的技术进步与小型语言模型和高效训练基准的讨论相结合，推动可持续 AI 发展。  

Arm 在 NeurIPS 2025 大会上：在人工智能领域，效率胜过规模