La poussée de l’IA en périphérie d’Arm relie les centres de données aux appareils, mais les logiciels doivent suivre

Arm a étendu sa stratégie en matière d’IA à trois marchés de l’informatique le 8 septembre, reliant les serveurs cloud, les appareils en périphérie et les machines physiques au moyen d’une même architecture. Cette poussée de l’IA en périphérie d’Arm comprend de nouvelles conceptions pour centres de données, une plateforme informatique mobile, des logiciels pour développeurs et un programme de partenariats dans la robotique.

Cette annonce est importante, car Arm ne présente plus des récits distincts pour les serveurs, les smartphones et les systèmes embarqués. L’entreprise veut que les développeurs les considèrent comme les éléments d’un même continuum informatique. Un agent IA pourrait s’entraîner ou récupérer des informations dans le cloud, prendre des décisions privées sur un téléphone et agir par l’intermédiaire d’un robot.

Cette vision remet en question le modèle centré sur le cloud qui a défini le premier essor de l’IA générative. Nvidia reste au cœur du calcul accéléré, tandis qu’AMD et Intel rivalisent dans les serveurs et les ordinateurs personnels. Qualcomm, Apple, MediaTek et d’autres titulaires de licences Arm poursuivent déjà l’IA sur appareil. Arm veut désormais que son architecture et sa couche logicielle relient ces marchés sans évincer les partenaires qui fabriquent les puces finales.

L’IA en périphérie d’Arm devient une stratégie à l’échelle de la plateforme

L’annonce d’Arm fait de l’IA en périphérie, auparavant une fonctionnalité d’appareil, un élément d’une plateforme coordonnée du cloud à l’appareil.

L’entreprise a présenté plusieurs produits et initiatives lors de son événement Arm Everywhere en Chine. Ensemble, ils couvrent l’infrastructure cloud, l’informatique mobile, les outils pour développeurs et les systèmes d’IA physique.

Pour les centres de données, Arm a annoncé Neoverse Compute Subsystems N4, ou CSS N4. Un sous-système de calcul regroupe des cœurs de processeur, des interfaces mémoire et d’autres composants validés que les concepteurs de puces peuvent configurer pour leurs produits.

CSS N4 prend en charge jusqu’à 128 cœurs par puce, la mémoire LPDDR6 et la connectivité PCIe Gen 7. Arm affirme qu’il offre jusqu’à deux fois les performances de CSS N3. L’entreprise revendique également jusqu’à 1,25 fois les performances par watt et 1,75 fois la bande passante mémoire.

Ces chiffres sont des mesures d’Arm, et non des évaluations indépendantes en production. Leur importance tient à la position du produit. CSS N4 donne aux entreprises cloud et aux fournisseurs de semi-conducteurs une voie supplémentaire vers une infrastructure Arm personnalisée, sans avoir à concevoir eux-mêmes chaque composant.

Le sous-système s’ajoute à Arm AGI CPU, le processeur fini pour centres de données présenté en mars 2026. Arm a conçu AGI CPU pour les tâches d’orchestration entourant les accélérateurs IA. Ces tâches incluent la planification du travail, le déplacement des données, l’exploitation de bases de données et la coordination de groupes d’agents logiciels.

Arm indique qu’OpenAI, Meta, Cloudflare, Oracle, SAP, Lenovo, Supermicro et Verda développent des solutions autour d’AGI CPU. Volcano Engine de ByteDance prévoit de proposer des environnements isolés pour agents à l’aide de ce processeur. Les environnements isolés pour agents sont des espaces cloisonnés dans lesquels les agents logiciels peuvent exécuter des outils et du code avec un accès contrôlé.

La partie périphérie s’appuie sur CSS for Mobile 2. Cette plateforme combine le cluster CPU C2 d’Arm, le processeur graphique Mali G2-Ultra NX, des composants système, des conceptions physiques et des logiciels de support.

La conception Mali ajoute des accélérateurs neuronaux dédiés aux graphismes assistés par IA. Le CPU C2 Ultra comprend Scalable Matrix Extension 2, ou SME2, qui accélère les opérations matricielles utilisées par de nombreux modèles d’IA.

Arm a également annoncé un AI Portal qui répertorie des modèles optimisés, des informations de performance, des exemples de code et des flux de déploiement. Le portail est lancé avec des modèles, notamment Qwen d’Alibaba, Gemma de Google et Ultralytics YOLO.

La proposition d’IA en périphérie d’Arm qui en résulte va donc au-delà d’un nouveau processeur. Arm veut qu’un modèle sélectionné dans le cloud dispose d’un chemin d’optimisation concret vers les téléphones, les ordinateurs, les caméras, les véhicules et les robots.

Cette continuité crée la tension centrale. Une architecture commune peut réduire la duplication des efforts d’ingénierie, mais l’architecture seule ne garantit pas des performances cohérentes sur des appareils radicalement différents.

Pourquoi l’IA agentique s’étend au-delà du cloud

L’IA agentique renforce la valeur du calcul local, car l’envoi continu de chaque observation et décision vers un centre de données pose des problèmes de latence, de confidentialité et de coût.

L’IA générative a initialement concentré la demande dans les centres de données cloud. L’entraînement de grands modèles nécessitait des grappes d’accélérateurs, tandis que la plupart des applications grand public envoyaient des requêtes à des services d’inférence distants.

Les systèmes agentiques modifient ce schéma. Un agent fait davantage que produire du texte ou une image. Il peut récupérer des dossiers, appeler des outils logiciels, surveiller des entrées, mettre à jour un plan et se coordonner avec d’autres agents.

Chaque action crée une charge informatique supplémentaire. Les CPU cloud doivent gérer le stockage, le réseau, les bases de données, les contrôles de sécurité et les accélérateurs. Les processeurs en périphérie doivent décider quelles tâches nécessitent le cloud et lesquelles peuvent rester locales.

L’annonce d’Arm concernant son infrastructure cloud soutient qu’aucune configuration de processeur unique ne convient à toutes les charges de travail. CSS N4 vise les clients qui développent du silicium personnalisé, tandis qu’AGI CPU propose un matériel prêt pour la production.

Cette distinction reflète un marché des centres de données fragmenté. Les grands opérateurs cloud conçoivent des processeurs personnalisés autour de leur propre infrastructure. D’autres acheteurs préfèrent des serveurs assemblés à partir de composants standardisés parce qu’ils ne disposent pas des capacités d’ingénierie nécessaires pour concevoir du silicium.

La périphérie crée encore davantage de variations. Un smartphone haut de gamme, une caméra de sécurité et un robot industriel sont soumis à des contraintes différentes. La capacité de la batterie, la chaleur, la mémoire, le temps de réponse et la sécurité physique peuvent tous déterminer où l’inférence s’exécute.

Le traitement sur appareil peut fournir des réponses immédiates sans connexion réseau. Il peut également éloigner des données audio, images ou données commerciales sensibles d’un service distant. Cependant, les modèles locaux fonctionnent souvent avec moins de mémoire et de capacité de calcul.

Un agent pratique répartira donc son travail. Un téléphone pourrait reconnaître la parole localement, récupérer des informations complexes auprès d’un service cloud et résumer la réponse sur l’appareil. Un robot pourrait traiter le contrôle du mouvement localement tout en utilisant une infrastructure distante pour l’apprentissage à l’échelle de la flotte.

L’opportunité d’Arm découle de sa présence existante dans les appareils contraints en énergie. L’entreprise peut offrir une continuité architecturale à mesure que ces appareils prennent en charge davantage de tâches d’IA. Son expansion dans les centres de données donne à ce récit un second point d’ancrage.

La stratégie exerce une pression plus directe sur les piles logicielles exclusivement cloud que sur un fabricant de puces en particulier. Les développeurs s’attendront à ce que les applications passent entre exécution distante et locale sans exiger une réécriture complète.

Elle pousse également les fournisseurs de processeurs à prendre en charge plus que les scores de pointe des benchmarks. Ils ont besoin de compilateurs, d’environnements d’exécution, de bibliothèques de modèles, d’outils de débogage et de systèmes de déploiement qui fonctionnent dans plusieurs catégories d’appareils.

Nvidia a abordé ce problème grâce à une plateforme matérielle et logicielle étroitement intégrée. Qualcomm conçoit des systèmes Snapdragon complets pour les téléphones et les ordinateurs. Apple contrôle le silicium, le système d’exploitation et les appareils au sein de sa propre gamme de produits.

Arm suit une voie différente. L’entreprise fournit des technologies à de nombreuses sociétés concurrentes. Son échelle lui confère une vaste portée, mais son modèle de licences limite son contrôle direct sur l’expérience utilisateur finale.

Le véritable mécanisme est le logiciel partagé

Le principal avantage d’Arm ne réside pas dans une spécification de processeur, mais dans la possibilité de réutiliser des logiciels sur une base matérielle exceptionnellement vaste.

Arm indique que son écosystème compte plus de 22 millions de développeurs. Ce chiffre représente une portée potentielle, même s’il ne montre pas combien de développeurs optimisent activement les charges de travail d’IA pour chaque nouvelle plateforme Arm.

Le nouveau portail de modèles IA est conçu pour faciliter la navigation dans cet écosystème. Les développeurs peuvent rechercher des modèles adaptés à des tâches spécifiques, comparer les exigences de latence et de mémoire, et accéder à des exemples de déploiement.

Le portail prend en charge les charges de travail liées au langage, à la parole, à la vision par ordinateur et aux graphismes neuronaux. Il comprend des environnements d’exécution tels que ExecuTorch, LiteRT et ONNX Runtime. Un environnement d’exécution fournit les logiciels nécessaires pour exécuter un modèle entraîné sur un matériel particulier.

Arm indique que les développeurs peuvent accéder à des modèles optimisés via Hugging Face. Les agents de codage peuvent également accéder aux ressources du portail via le Model Context Protocol, une norme destinée à relier les systèmes d’IA à des outils et informations externes.

Cette approche lisible par machine correspond à la thèse d’Arm sur l’informatique agentique. Un agent logiciel pourrait identifier un modèle approprié, examiner les exigences de l’appareil et récupérer un flux d’optimisation sans dépendre entièrement de recherches manuelles.

Arm a communiqué deux premiers résultats d’optimisation. Qwen3-TTS aurait fonctionné plus de quatre fois plus vite sur un smartphone Vivo X300 après l’application d’une quantification mixte et de l’accélération SME2. La quantification réduit la précision numérique des calculs du modèle afin de réduire l’utilisation de mémoire et les besoins en calcul.

Arm affirme également qu’Ultralytics YOLO26n a amélioré ses performances de plus de 40 %. L’entreprise a testé le modèle de vision par ordinateur sur un Vivo X300 et un Raspberry Pi 5 en utilisant des formats de moindre précision.

Ces résultats démontrent ce que peut produire une optimisation ciblée sur du matériel sélectionné. Ils n’établissent pas des gains équivalents pour chaque modèle, système d’exploitation ou puce basée sur Arm.

Cette limite explique pourquoi le logiciel est le mécanisme essentiel. Deux processeurs peuvent implémenter le même jeu d’instructions tout en offrant des capacités mémoire, du matériel graphique, des accélérateurs neuronaux et des limites thermiques différents.

Les développeurs doivent toujours choisir quel processeur prend en charge chaque tâche. Ils doivent tester la précision après quantification, mesurer les performances soutenues et tenir compte des charges de travail en arrière-plan. Un modèle qui fonctionne lors d’une brève démonstration peut se comporter différemment en utilisation continue.

La plateforme d’informatique mobile tente de réduire cette variabilité en regroupant davantage d’éléments de conception. CSS for Mobile 2 fournit CPU, GPU, composants système, implémentations et logiciels sous la forme d’une plateforme coordonnée.

La famille de CPU C2 d’Arm comprend plusieurs configurations adaptées à différents besoins en matière de performance et d’efficacité. Le modèle phare C2 Ultra ajoute SME2, tandis que Mali G2-Ultra NX intègre une accélération neuronale dédiée au sein du GPU.

Cette conception permet au travail d’IA de circuler entre plusieurs moteurs de calcul. Un CPU peut gérer du code fortement axé sur le contrôle. Un GPU peut traiter des opérations graphiques et de modèles très parallèles. Un accélérateur dédié peut exécuter efficacement les charges de travail neuronales prises en charge.

Cette répartition est importante pour une IA en périphérie soutenue. Faire passer chaque tâche par un seul processeur gaspillerait de l’énergie et créerait des goulets d’étranglement.

Pourtant, le succès de la plateforme dépend de la prise en charge par les applications. Les développeurs ont besoin d’outils qui exposent le matériel sans les obliger à maintenir des implémentations distinctes pour la puce de chaque fournisseur.

Arm AI Portal est donc stratégiquement plus important que son interface modeste ne pourrait le laisser penser. Il relie les annonces matérielles d’Arm au travail quotidien nécessaire au déploiement des modèles.

La vaste portée d’Arm crée également sa contrainte la plus difficile

Arm doit coordonner un écosystème qu’elle ne contrôle pas pleinement, tandis que plusieurs partenaires rivalisent au moyen de matériels et de logiciels propriétaires.

Arm concède sous licence des conceptions de processeurs et la technologie de jeux d’instructions à des entreprises de semi-conducteurs. Ces entreprises combinent des composants Arm avec leurs propres processeurs graphiques, moteurs neuronaux, modems, systèmes mémoire et logiciels.

Ce modèle a aidé Arm à se répandre dans les smartphones et les appareils embarqués. Il permet aussi aux partenaires de se différencier. Cette même flexibilité peut produire des capacités, des calendriers de mises à jour et des expériences développeur incohérents.

Un modèle optimisé pour un smartphone haut de gamme peut ne pas fonctionner efficacement sur un appareil plus abordable. Des fonctionnalités accessibles via le processeur neuronal d’un fournisseur peuvent exiger un autre chemin de code ailleurs. La prise en charge par le système d’exploitation peut ajouter une couche supplémentaire de variation.

Le problème devient plus complexe lorsque les applications traversent le cloud et l’edge. Les formats de données, les politiques de sécurité, les versions de modèles et les résultats d’inférence doivent rester compatibles entre plusieurs systèmes.

L’architecture partagée d’Arm réduit une partie de cette charge. Elle n’élimine pas la nécessité de tester chaque cible de déploiement.

La concurrence ajoute une autre complication. Qualcomm conçoit des processeurs Snapdragon basés sur Arm, mais se différencie grâce à ses cœurs CPU Oryon, ses graphismes Adreno, son traitement neuronal Hexagon et ses logiciels. Apple conçoit ses propres processeurs compatibles Arm au sein d’une pile de produits fermée.

Nvidia utilise des CPU Arm aux côtés de ses processeurs graphiques et de ses logiciels CUDA. L’entreprise peut relier des produits pour centres de données, stations de travail, robotique et automobile au moyen d’une plateforme sous un contrôle interne plus étroit.

Intel et AMD conservent d’importantes bases logicielles x86 sur les serveurs et les ordinateurs personnels. Les deux entreprises intègrent également des capacités graphiques et d’accélération de l’IA dans leurs processeurs clients. Les développeurs n’ont pas besoin d’abandonner ces plateformes pour exécuter de l’IA locale.

RISC-V offre une autre option aux entreprises recherchant une base de jeu d’instructions plus ouverte. Son environnement logiciel d’IA reste moins mature sur les appareils grand public, mais les fournisseurs d’accélérateurs personnalisés peuvent l’adopter sans dépendre de licences Arm.

Arm doit donc démontrer que son socle commun permet d’économiser davantage de travail d’ingénierie que la fragmentation de l’écosystème n’en crée. Cette preuve doit venir d’appareils commercialisés et de mesures reproductibles.

Le discours sur les centres de données mérite une prudence similaire. Arm a cité IDC en affirmant que les serveurs à l’échelle du rack basés sur Arm ont dépassé x86 dans l’informatique accélérée. Cette catégorie inclut des systèmes d’IA coûteux, où des CPU Arm accompagnent des GPU et d’autres accélérateurs.

Cela ne signifie pas qu’Arm a dépassé x86 sur l’ensemble des livraisons de serveurs. Une analyse indépendante des serveurs a relevé que les systèmes Intel Xeon et AMD EPYC restent dominants en volume de processeurs.

Les comparaisons de revenus peuvent également être biaisées par la valeur élevée des systèmes accélérés complets. Un rack contenant de nombreux GPU haut de gamme génère bien plus de revenus qu’un serveur conventionnel, même si chacun comprend un seul CPU hôte.

Les différences entre charges de travail comptent également. Des tests universitaires sur des processeurs cloud ont identifié des cas où les instances Arm sont moins performantes que des alternatives x86. Une étude sur les performances cloud a signalé des résultats plus faibles pour les systèmes Arm lors d’une charge de travail cryptographique spécialisée.

Cette étude ne tranche pas le débat plus large sur les architectures. Elle montre pourquoi les acheteurs doivent évaluer leur propre code plutôt que d’extrapoler à partir d’une affirmation d’efficacité à l’échelle d’une plateforme.

Les chiffres de performance d’Arm pour CSS N4 et l’IA mobile restent des affirmations de l’entreprise tant que les partenaires n’ont pas commercialisé de produits et que des testeurs indépendants ne peuvent pas les reproduire. Le silicium final peut varier en fréquence d’horloge, configuration mémoire, refroidissement et logiciels fournis par le constructeur.

L’incertitude principale concerne l’exécution, non la plausibilité architecturale. Arm dispose d’une voie crédible entre le cloud et l’edge computing. L’entreprise doit la transformer en produits cohérents sans compromettre la diversité des partenaires qui a fait sa portée.

L’IA physique étend le pari aux machines

Les robots et les véhicules rendent tangible la stratégie cloud-to-edge d’Arm, car ils exigent des décisions locales tout en dépendant encore de données distantes et de systèmes de développement.

Arm appelle cette catégorie l’IA physique. Le terme couvre les machines qui perçoivent leur environnement, interprètent les événements et accomplissent des actions grâce à des moteurs ou à d’autres composants physiques.

L’entreprise a annoncé Arm Total Design for Physical AI, avec plus de 80 organisations participantes. Parmi les membres cités figurent AWS, Hugging Face, Liquid AI, NXP, QNX, Siemens, Unitree Robotics et plusieurs entreprises de technologies automobiles.

Arm Total Design aidait auparavant les partenaires à développer du silicium personnalisé autour de sous-systèmes validés. L’extension à l’IA physique ajoute une collaboration couvrant les modèles, les logiciels, les capteurs, les processeurs et les machines complètes.

Les premiers projets du programme comprennent un Robotics Capability Framework. Arm le décrit comme un langage commun permettant de comparer les capacités des machines autonomes.

Un tel cadre pourrait répondre à un véritable problème du secteur. Les démonstrations de robots mettent souvent en avant une tâche réussie dans des conditions contrôlées. Les acheteurs ont besoin de moyens plus clairs pour comparer la perception, la mobilité, la manipulation, l’autonomie et la sécurité.

Cependant, un vocabulaire partagé ne crée pas une norme de certification. Il ne prouve pas non plus que deux robots affichant des capacités similaires seront aussi performants dans un environnement non contrôlé.

Le programme d’IA physique d’Arm réunit des entreprises issues de plusieurs niveaux du marché. Cette ampleur peut aider à aligner les interfaces, mais elle peut aussi ralentir les accords lorsque les membres ont des intérêts commerciaux différents.

Les robots illustrent pourquoi l’edge computing ne peut pas simplement copier le cloud. Une machine d’entrepôt ne peut pas attendre un service distant avant de s’arrêter près d’une personne. Un véhicule ne peut pas dépendre d’une connectivité continue pour prendre des décisions immédiates de direction.

Les processeurs locaux gèrent la perception et le contrôle sensibles au temps. Les systèmes cloud peuvent entraîner les modèles, distribuer les mises à jour, coordonner les flottes et analyser les données opérationnelles à long terme.

Les deux environnements présentent également des coûts de défaillance différents. Une réponse tardive d’un chatbot est gênante. Une action robotique tardive peut endommager des équipements ou blesser quelqu’un.

Cette réalité relève le niveau d’exigence pour la stratégie d’IA edge d’Arm. Les assistants mobiles peuvent tolérer des erreurs occasionnelles de modèle. Les systèmes physiques exigent une temporisation prévisible, des mises à jour sécurisées, des contrôles redondants et une validation approfondie.

L’héritage d’Arm en matière d’efficacité énergétique convient aux robots alimentés sur batterie et aux contrôleurs embarqués. Son architecture est également présente dans des produits automobiles et industriels soumis à de strictes contraintes thermiques.

Pourtant, l’IA physique dépend de bien plus que des processeurs. Les capteurs doivent fournir des informations fiables. Les modèles doivent gérer des conditions inconnues. Les systèmes mécaniques doivent exécuter les commandes avec précision. Les logiciels de sécurité doivent pouvoir neutraliser un agent lorsque son comportement devient dangereux.

Arm a raison de présenter son rôle comme un socle commun plutôt que comme une solution robotique complète. L’entreprise peut réduire le travail d’intégration, mais les fabricants restent responsables des performances à l’échelle du système.

L’avantage stratégique est la portée. Si les serveurs cloud, ordinateurs de développement, appareils mobiles et robots basés sur Arm partagent des outils compatibles, les développeurs peuvent réutiliser davantage de code et de connaissances opérationnelles.

Le risque est que « compatible » devienne un terme trop large pour signifier prévisible. Un écosystème performant a besoin de profils documentés, de paquets de modèles testés et de limites de support claires pour chaque catégorie de matériel.

Trois signaux mettront à l’épreuve l’ambition d’Arm dans l’IA

La prochaine phase se mesurera à travers les produits commercialisés, les performances durables des applications et la preuve que les développeurs réutilisent des logiciels entre catégories de matériel.

Le premier signal est le silicium commercial basé sur CSS for Mobile 2. Arm a annoncé la plateforme, mais les fabricants d’appareils déterminent sa forme finale.

Les lecteurs devraient surveiller les processeurs, smartphones, ordinateurs et autres produits nommés utilisant les nouveaux designs CPU et GPU. Les calendriers de commercialisation, les configurations mémoire et les performances thermiques soutenues compteront davantage que les spécifications de pointe.

Des benchmarks indépendants devraient tester de véritables modèles sur plusieurs environnements d’exécution. Les mesures utiles incluent la latence de réponse, la consommation énergétique, les besoins en mémoire, la précision des modèles et les performances lors de sessions prolongées.

De solides résultats sur plusieurs appareils étayeraient l’affirmation d’Arm selon laquelle sa plateforme rend les agents locaux pratiques. De grandes différences entre fournisseurs montreraient que la fragmentation domine encore l’expérience.

Le deuxième signal est l’adoption en production de AGI CPU et CSS N4. Arm a répertorié un groupe important de partenaires logiciels, cloud et serveurs. Le marché a désormais besoin de détails sur les déploiements.

Les sandbox d’agents de Volcano Engine offrent un premier test. Les acheteurs devraient surveiller si d’autres fournisseurs cloud proposent des instances AGI CPU, des services gérés ou des données de performance publiques.

Les fournisseurs de serveurs doivent également livrer des systèmes à une échelle utile. Les études de cas clients devraient identifier les charges de travail réelles plutôt que de répéter des affirmations générales sur l’IA agentique.

La position d’Arm dans les centres de données paraîtra plus solide si des organisations déploient ses processeurs pour les bases de données, l’exécution d’outils, la récupération d’informations et la coordination d’accélérateurs. Des pilotes limités affaibliraient l’argument plus large en faveur de la plateforme.

Le troisième signal est le comportement des développeurs autour d’Arm AI Portal. Un catalogue ne crée de valeur que lorsque ses modèles restent à jour, reproductibles et faciles à déployer.

Arm devrait publier davantage de résultats couvrant différents fournisseurs et catégories d’appareils. Les développeurs auront également besoin de données transparentes sur la précision après quantification, d’un versionnage clair et de flux de travail intégrés aux systèmes de build courants.

La preuve la plus convaincante serait une application passant entre le cloud, le mobile et du matériel physique avec peu de travail spécifique à chaque plateforme. Cela validerait la thèse de l’entreprise sur le continuum informatique.

Les développeurs devraient suivre si les ressources du portail s’étendent au-delà des modèles de démonstration. La prise en charge des modèles propriétaires, promise à une étape ultérieure, sera particulièrement importante pour l’adoption en entreprise.

Les entreprises devraient également surveiller le Robotics Capability Framework. Des méthodes de mesure précises et une large participation des partenaires le rendraient utile. Un vocabulaire sans résultats de test comparables aurait une valeur limitée pour les achats.

L’annonce d’Arm établit une direction cohérente. L’entreprise relie son expansion dans les centres de données au marché de l’edge qui a rendu son architecture omniprésente.

Elle n’a pas encore démontré qu’une couche de développement unique peut maîtriser chaque différence entre serveurs cloud, téléphones et robots. C’est le test central pour l’IA edge d’Arm.

Pour les développeurs, la tâche immédiate consiste en une évaluation rigoureuse. Consignez les versions de modèles, le matériel ciblé, les environnements d’exécution, les changements de précision, la latence et la consommation énergétique. Les équipes qui comparent de nombreuses annonces peuvent conserver ces conclusions dans une base de connaissances consultable.

La question n’est plus de savoir si le calcul d’IA se répandra au-delà des centres de données. C’est déjà le cas. La question est de savoir si Arm peut donner à ce monde distribué l’impression de former une seule plateforme tout en préservant les choix attendus par ses partenaires.