<p>全球关于人工智能的讨论已经从关注其理论潜力转向应对其实际的现实约束。在 2026 年达沃斯世界经济论坛（WEF）年会上，科技领袖们聚焦于一个关键问题：世界能否可持续地扩展人工智能的爆炸性增长？Arm 首席执行官 Rene Haas 在接受《金融时报》独家采访时确认，行业正面临计算能力、内存以及最紧迫的人工智能能耗等关键瓶颈，迫使其进行根本性的架构转变。这一认识推动了对更智能、更高效的计算的需求，这种计算分布在云端、边缘和物理环境中，标志着仅依赖云的人工智能范式的结束。</p>
<p>Haas 对人工智能发展仍处于生命周期 “前 10 分钟” 的评估凸显了未来巨大的扩展挑战。当前的超大规模数据中心虽然是基础，但无法无限期地吸收复杂人工智能工作负载的指数增长，而不致于使基础设施和电网瘫痪。WEF“争夺计算” 小组中强调的行业共识是，单靠庞大的集中基础设施在经济和环境上都是不可持续的，迫切需要进行架构上的变革。这一转变是由于对性能的需求，要求在成本和效率之间取得平衡，尤其是在企业从实验阶段转向关键任务的人工智能部署时。</p>
<p>人工智能的直接未来取决于将智能分布到离使用点更近的地方——边缘、设备以及机器人和自动驾驶汽车等物理系统。这种分布不仅仅是将数据中心的负担转移，而是要实现集中系统无法匹敌的每瓦性能效率，以满足低延迟、实时应用的需求。边缘人工智能的突破即将到来，这得益于新的内存技术和先进的封装创新，使复杂的工作负载能够在设备本身上高效运行。Arm 凭借其覆盖数十亿设备的普遍 CPU 架构，独特地处于这一效率需求的前沿，涵盖从 Stargate 等大型项目到最小的可穿戴设备的整个计算范围。</p>
<h2>内存与电力：扩展人工智能的隐性约束</h2>
<p>除了原始电力需求外，内存瓶颈正成为扩展人工智能工作负载的最关键技术约束，直接影响人工智能的能耗。Haas 特别强调了高带宽内存（HBM）的局限性，表明内存创新不再是处理器速度的次要问题。训练和运行大型语言模型（LLMs）所需的数据量庞大，要求架构优先考虑数据本地性并最小化数据移动，这本质上是耗电的。高效的人工智能能耗与内存的访问和管理方式密切相关，要求新的硅设计和先进的封装，以将数据更靠近计算单元。</p>
<p>分布式计算的必要性同时解决了电力和延迟危机。通过在设备上本地处理数据——无论是工厂机器人还是下一代智能手机——不断将庞大的数据集来回传输到云的需求大大减少。这种数据移动的减少直接转化为更低的能耗，并解锁了物理人工智能系统所需的实时响应能力。这一转变验证了 Arm 设计全球最具能效的 CPU 架构的传统，使其技术成为下一代计算的基础，必须在严格的功率限制内运行。</p>
<p>对于从人工智能实验转向关键任务部署的企业而言，对计算的需求正在转向平衡性能、成本和效率的方向。这种分布式模型解锁了在仅依赖云的范式下曾经不可能实现的低延迟体验，特别是在工业物联网、医疗诊断和自主系统中。行业现在专注于从硅开始构建韧性和可持续的人工智能生态系统，其中效率是成功的主要指标，而不仅仅是原始的浮点运算能力。能源和内存的约束正在成为强大的催化剂，以前所未有的速度推动芯片设计和系统架构的创新。</p>
<p>2026 年达沃斯的讨论确认，下一时代的人工智能将以智能交付为特征，而不仅仅是粗暴的规模。管理人工智能能耗和克服内存约束的迫切性正在加速向分布式计算的转变，验证了 Arm 长期以来对能效的关注。这一基础架构的转变确保了人工智能能够负责任地扩展，并在全球经济中成为一种切实的现实，将智能更靠近行动的发生点。根据公告，这一转变将塑造一个更可持续和韧性的全球人工智能生态系统。</p>

半导体 ETF - VanEck Vectors

半导体 3 倍做多 - Direxion

全球科技股指数 ETF - iShares

2 倍做多 ARM ETF - T-Rex

2 倍做多 ARM ETF - Leverage Shares

标普半导体 ETF - SPDR

费城交易所 半导体 ETF - iShares

ARMW

动态半导体 ETF - Invesco

<p>2026 年世界经济论坛强调了由于能源消耗和内存限制，人工智能发展的一个关键转变，即向边缘计算的转变。Arm 首席执行官 Rene Haas 强调了高效、分布式计算的必要性，以应对人工智能工作负载的指数增长，逐步摆脱仅依赖云计算的模式。这一转变旨在提高每瓦特性能的效率，特别是针对实时应用。内存和芯片设计的创新对于创建可持续的人工智能生态系统至关重要，以确保人工智能技术在各个行业的负责任扩展</p>

<p>The global conversation around artificial intelligence has decisively shifted from focusing on its theoretical potential to grappling with its practical, real-world constraints. At the World Economic Forum (WEF) Annual Meeting in Davos 2026, technology leaders converged on a defining question: can the world sustainably scale the explosive growth of AI? Arm CEO Rene Haas confirmed during an exclusive Financial Times interview that the industry is hitting critical bottlenecks in compute capacity, memory, and, most urgently, AI energy consumption, forcing a fundamental architectural pivot. This realization is driving a mandate for smarter, more efficient compute distributed across the cloud, edge, and physical environments, signaling the end of the cloud-only AI paradigm.</p>
<div class="lb-trans"><p>全球关于人工智能的讨论已经从关注其理论潜力转向应对其实际的现实约束。在 2026 年达沃斯世界经济论坛（WEF）年会上，科技领袖们聚焦于一个关键问题：世界能否可持续地扩展人工智能的爆炸性增长？Arm 首席执行官 Rene Haas 在接受《金融时报》独家采访时确认，行业正面临计算能力、内存以及最紧迫的人工智能能耗等关键瓶颈，迫使其进行根本性的架构转变。这一认识推动了对更智能、更高效的计算的需求，这种计算分布在云端、边缘和物理环境中，标志着仅依赖云的人工智能范式的结束。</p>
</div><p>Haas’s assessment that AI development is still in the “first 10 minutes” of its lifecycle underscores the massive scaling challenge ahead. Current hyperscale data centers, while foundational, cannot indefinitely absorb the exponential growth of complex AI workloads without crippling infrastructure and power grids. The industry consensus, highlighted in the WEF “Racing for Compute” panel, is that relying solely on massive centralized infrastructure is economically and environmentally untenable, necessitating immediate architectural changes. This shift is driven by the need for performance that balances cost and efficiency, especially as enterprises move from experimentation to mission-critical AI deployments.</p>
<div class="lb-trans"><p>Haas 对人工智能发展仍处于生命周期 “前 10 分钟” 的评估凸显了未来巨大的扩展挑战。当前的超大规模数据中心虽然是基础，但无法无限期地吸收复杂人工智能工作负载的指数增长，而不致于使基础设施和电网瘫痪。WEF“争夺计算” 小组中强调的行业共识是，单靠庞大的集中基础设施在经济和环境上都是不可持续的，迫切需要进行架构上的变革。这一转变是由于对性能的需求，要求在成本和效率之间取得平衡，尤其是在企业从实验阶段转向关键任务的人工智能部署时。</p>
</div><p>The immediate future of AI hinges on distributing intelligence closer to the point of use—the edge, devices, and physical systems like robotics and autonomous vehicles. This distribution is not merely about offloading data centers; it is about achieving performance-per-watt efficiency that centralized systems cannot match for low-latency, real-time applications. Edge AI breakthroughs are imminent, enabled by new memory technologies and advanced packaging innovations that allow complex workloads to run efficiently on the device itself. Arm, with its ubiquitous CPU architecture spanning billions of devices, is uniquely positioned to capitalize on this mandate for efficiency across the entire compute spectrum, from massive initiatives like Stargate to the smallest wearable.</p>
<div class="lb-trans"><p>人工智能的直接未来取决于将智能分布到离使用点更近的地方——边缘、设备以及机器人和自动驾驶汽车等物理系统。这种分布不仅仅是将数据中心的负担转移，而是要实现集中系统无法匹敌的每瓦性能效率，以满足低延迟、实时应用的需求。边缘人工智能的突破即将到来，这得益于新的内存技术和先进的封装创新，使复杂的工作负载能够在设备本身上高效运行。Arm 凭借其覆盖数十亿设备的普遍 CPU 架构，独特地处于这一效率需求的前沿，涵盖从 Stargate 等大型项目到最小的可穿戴设备的整个计算范围。</p>
</div><h2>Memory and Power: The Hidden Constraints of Scaling AI</h2>
<div class="lb-trans"><h2>内存与电力：扩展人工智能的隐性约束</h2>
</div><p>Beyond raw power requirements, memory bottlenecks are emerging as the most critical technical constraint for scaling AI workloads, directly impacting AI energy consumption. Haas specifically highlighted the limitations of High Bandwidth Memory (HBM), signaling that memory innovation is no longer secondary to processor speed. The sheer volume of data required to train and run large language models (LLMs) demands architectures that prioritize data locality and minimize movement, which is inherently power-intensive. Efficient AI energy consumption is intrinsically tied to how memory is accessed and managed, demanding new silicon designs and advanced packaging to keep data closer to the compute unit.</p>
<div class="lb-trans"><p>除了原始电力需求外，内存瓶颈正成为扩展人工智能工作负载的最关键技术约束，直接影响人工智能的能耗。Haas 特别强调了高带宽内存（HBM）的局限性，表明内存创新不再是处理器速度的次要问题。训练和运行大型语言模型（LLMs）所需的数据量庞大，要求架构优先考虑数据本地性并最小化数据移动，这本质上是耗电的。高效的人工智能能耗与内存的访问和管理方式密切相关，要求新的硅设计和先进的封装，以将数据更靠近计算单元。</p>
</div><p>The necessity of distributed computing addresses both the power and latency crises simultaneously. By processing data locally on the device—whether a factory robot or a next-generation smartphone—the need to constantly shuttle massive datasets back and forth to the cloud is drastically reduced. This reduction in data movement translates directly into lower energy use and unlocks real-time responsiveness essential for physical AI systems. The shift validates Arm’s heritage of designing the most power-efficient CPU architecture on the planet, making its technology foundational for the next generation of compute that must operate within strict power envelopes.</p>
<div class="lb-trans"><p>分布式计算的必要性同时解决了电力和延迟危机。通过在设备上本地处理数据——无论是工厂机器人还是下一代智能手机——不断将庞大的数据集来回传输到云的需求大大减少。这种数据移动的减少直接转化为更低的能耗，并解锁了物理人工智能系统所需的实时响应能力。这一转变验证了 Arm 设计全球最具能效的 CPU 架构的传统，使其技术成为下一代计算的基础，必须在严格的功率限制内运行。</p>
</div><p>For enterprises transitioning from AI experimentation to mission-critical deployment, the demand is shifting toward compute that balances performance, cost, and efficiency. This distributed model unlocks low-latency experiences previously impossible under a cloud-only paradigm, particularly in industrial IoT, healthcare diagnostics, and autonomous systems. The industry is now focused on building resilient, sustainable AI ecosystems from the silicon up, where efficiency is the primary metric of success, not just raw teraflops. The constraints of energy and memory are acting as powerful catalysts, driving innovation in chip design and system architecture at an unprecedented pace.</p>
<div class="lb-trans"><p>对于从人工智能实验转向关键任务部署的企业而言，对计算的需求正在转向平衡性能、成本和效率的方向。这种分布式模型解锁了在仅依赖云的范式下曾经不可能实现的低延迟体验，特别是在工业物联网、医疗诊断和自主系统中。行业现在专注于从硅开始构建韧性和可持续的人工智能生态系统，其中效率是成功的主要指标，而不仅仅是原始的浮点运算能力。能源和内存的约束正在成为强大的催化剂，以前所未有的速度推动芯片设计和系统架构的创新。</p>
</div><p>The Davos 2026 discussions confirm that the next era of AI will be defined by intelligent delivery, not just brute scale. The imperative to manage AI energy consumption and overcome memory constraints is accelerating the move to distributed compute, validating Arm’s long-standing focus on power efficiency. This foundational architectural pivot ensures that AI can scale responsibly and become a practical reality across the global economy, moving intelligence closer to the point of action. According to the announcement this shift will shape a more sustainable and resilient AI ecosystem globally.</p>
<div class="lb-trans"><p>2026 年达沃斯的讨论确认，下一时代的人工智能将以智能交付为特征，而不仅仅是粗暴的规模。管理人工智能能耗和克服内存约束的迫切性正在加速向分布式计算的转变，验证了 Arm 长期以来对能效的关注。这一基础架构的转变确保了人工智能能够负责任地扩展，并在全球经济中成为一种切实的现实，将智能更靠近行动的发生点。根据公告，这一转变将塑造一个更可持续和韧性的全球人工智能生态系统。</p>
</div>

AI Energy Consumption Forces Shift to Edge Compute

- 世界经济论坛 REW 2026 上，科技领袖关注 AI 可持续扩展的问题。  
- Arm CEO Rene Haas 强调计算能力和能源消耗的瓶颈迫使架构革命。  
- AI 的发展需要将智能分布到接近使用点，以满足实时应用需求。

人工智能的能源消耗推动向边缘计算的转变