摘要
第一，9月8日上海Arm Everywhere China大会发布第二代移动计算子系统CSS for Mobile 2，C2 CPU集群配双SME2，官方口径最新小语言模型速度最高提升70%，C2-Ultra较C1-Ultra AI性能最高1.7倍、单线程最高15%、同性能功耗最高降38%。
第二，Mali G2-Ultra NX是首款内置专用神经加速器的Mali GPU，NSS超分、NFRU插帧、NSSD光追降噪三件套进图形管线；官方演示神经图形每瓦最高4倍效率，部分Neural Dawn场景外部内存流量最多降70%，传统游戏内容较上代最高提14%。
第三，同场Neoverse CSS N4与Arm AGI CPU不归移动端，前者单die最高128核、LPDDR6、PCIe Gen7，后者面向云端Agent沙箱和低延迟编排；手机SoC看CSS for Mobile 2，机架和Agent服务端看Neoverse/AGI，两条线别混。
一、C2集群：CPU从“跑模型”变“管Agent”
智能体在手机里不是只做一次推理。语音转写、记忆检索、工具调用、应用操作、网页抓取、再回到模型总结，整个流程CPU要维持上下文、派发任务、在NPU/GPU/系统内存之间做仲裁。C2集群把C2-Ultra性能核和C2-Pro能效核放在一起，两个SME2单元承担可伸缩矩阵运算，让部分小模型、语音、检索重排不一定要扔给独立NPU。
官方给的分项数据比“综合跑分”更有用：Moonshine、Parakeet等语音转文本在C2-Ultra+SME2上较C1-Ultra延迟最高降40%；记忆检索和搜索较上代最高提41%；小语言模型结合检索生成结构化指令平均提速约25%，整体端到端Agent工作流较上代快约24%。“最高70%小模型提速”是SME2翻倍后的重点宣传值，不等于所有APP都吃满；低比特权重、长上下文、系统调用频繁时，收益取决于框架是否用到SME2和KleidiAI等优化库。
| 指标 | C1-Ultra参照 | C2-Ultra / C2集群 | 实际意义 |
|---|---|---|---|
| 小语言模型速度 | 基线 | 最高+70%（双SME2） | 端侧Agent草稿、摘要、分类更跟手 |
| 单线程性能 | 基线 | 最高+15% | 应用启动、JS、单流推理受益 |
| 同性能功耗 | 基线 | 最高-38% | 长会话、后台Agent更不易发热降频 |
| 语音转文本延迟 | 基线 | 最高-40% | 唤起到首字更短 |
| 检索/搜索吞吐 | 基线 | 最高+41% | 本地记忆、知识库、RAG更顺 |
表：C2 CPU集群相对C1代主要AI工作流改进（综合Arm新闻稿与中文发布会材料）
端侧Agent耗时分布（定性，SME2介入后）语音/预处理 ██████ 延迟改善最明显检索/向量过滤 ████████ 内存与SME2双受益小模型推理 ██████████ 双SME2主战场应用/系统调用 █████ 取决于OS调度，不全靠CPU峰值说明：NPU仍做大模型解码主力，C2价值在“协调+轻模型+低延迟前处理”，不是替代NPU。
二、Mali G2-Ultra NX：神经加速器进着色器管线
过去移动端做AI超分，常见办法是GPU渲染后再送NPU或独立模块处理，数据要在不同单元和内存之间来回搬。G2-Ultra NX把专用神经加速器直接放在GPU着色器核心附近，和常规光栅、计算、光线追踪共用显存和一致性缓存。它的三块能力要分开看。
NSS神经超级采样：低分辨率渲染后由神经网络重建高分辨率，例如540p输入重建1080p输出，减少全像素传统着色。特定超分场景帧率可接近翻倍，但是否“2倍FPS”取决于原生分辨率、画质模型、游戏引擎和带宽压力。
NFRU神经帧率提升：在两帧之间生成中间帧，30帧可目标插到60帧、配合其他技术支撑更高帧率；它省的是“每显示帧都全量渲染”的成本，但快速运动、遮挡变化大的场景需要额外运动矢量和质量校验。
NSSD神经超分降噪：面向光追，少打一些光线、用AI补噪声和细节，配合第三代RTU光追单元处理复杂光照。Arm与Sumo Digital用虚幻引擎做Neural Dawn/《光影新生》演示，NFRU+NSSD相对传统渲染最高4倍性能效率，外部内存流量最多降70%，并把MegaLights这类大量动态光源压到移动功耗区间。
传统图形也没躺平。新执行引擎是Mali七代来最大的ISA改动，单线程束寄存器最多翻倍、动态分配；较G1-Ultra基准最高提24%，非AI游戏最高提14%，RTUv3在光追基准里DRAM流量最多降13%，OMM不透明微贴图处理植被/毛发/透明几何的演示中帧率可提30%、光追负载最多降70%。最高120fps是持续高帧目标，不是所有游戏默认满帧。
| 渲染方式 | 计算主体 | 画质策略 | 带宽/功耗取舍 |
|---|---|---|---|
| 传统光栅 | Shader核心 | 全像素着色、贴图、后处理 | 简单稳定，重负载下带宽吃紧 |
| 光追RTUv3 | RT单元+Shader | 动态光源、反射、软阴影 | 真实感强，但需OMM/降采样控成本 |
| NSS/NFRU/NSSD | 神经加速器+Shader | 低分渲染超分、插帧、光追降噪 | 省渲染和DRAM，依赖模型与训练数据 |
表：Mali G2三种图形路径分工
移动GPU负载节省潜力（定性）纯传统1080p高画质 █████░ 稳定但带宽高NSS超分到2K ███████░ 省全像素着色，画质看模型NFRU插帧60→120 ████████ 省渲染帧，运动复杂要校验NSSD复杂光追 ██████████ 少打光、AI降噪，外部流量降幅最大说明：神经图形不是“画质免费提升”，需要游戏接入Arm Neural Graphics SDK、提供运动矢量/深度/历史帧。
三、SI L2与整体子系统：把CPU、GPU、系统IP绑成平台
CSS for Mobile 2不是“新U+新卡”打包，真正变化在系统层。C2、Mali G2、系统MMU、系统缓存、SI L2互连、物理实现和软件工具一起交付，芯片厂拿到的不是散件而是可定制的子系统。SI L2承担CPU集群、GPU、系统IP之间的低延迟一致性访问，对Agent工作流尤其重要：小模型权重、检索结果、图形纹理、NPU中间张量如果反复跨片搬运，省下的核心算力会被总线吃掉。
对手机SoC厂商，价值是缩短旗舰定制周期；对APP开发者，价值是统一KleidiAI、Arm Neural Technology、Neural Graphics Development Kit，Unity中国团结合作、腾讯游戏MagicDawn、网易《燕云十六声》、叠纸《无限暖暖》等接入NSS/NSSD后，不需要每款游戏自己写超分模型。vivo等旗舰引入Arm神经网络技术，也说明SME2不再只是CPU特性，而是和端侧Agent框架、相册、语音、系统搜索联动。
四、Neoverse N4与AGI CPU：别和手机CSS混着看
同场发布的Neoverse CSS N4单die最高128核，支持LPDDR6、PCIe Gen7，较CSS N3最高2倍性能、1.25倍每瓦、1.75倍内存带宽，定位数据中心DPU、网络、定制AI基础设施，鸿钧微电子等国内伙伴基于N4做差异化服务器芯片。Arm AGI CPU走“量产就绪”而不是“只卖IP”，面向Agent编排、工具执行、沙箱、检索服务这类响应敏感负载；OpenAI、Meta、Oracle、Cloudflare、SAP、联想、Supermicro等围绕它做方案，火山引擎在国内把基于AGI CPU的Agent沙箱推到市场，联想展HR650a V3双路AGI服务器。
关系可以这样切：手机上CSS for Mobile 2负责端侧小模型、语音、图像、游戏超分；云端AGI/Neoverse负责多Agent调度、长上下文检索、工具服务、数据库和横向扩展。端侧省电、低延迟、隐私好；云端要的是高密度、大内存、PCIe和生态兼容。智能体产品如果只盯“Arm发了AI芯片”就全量迁移，会忽略端云任务切分。
五、落地与边界
芯片厂明年旗舰可关注C2+SME2+Mali G2的CSS配置，但是否全开NSS/NFRU要看功耗预算和游戏合作；中端机若只上部分C2-Pro和裁剪GPU，小模型70%提速不会完全复现。
开发者接神经图形别只开开关。NSS要定输入分辨率、目标分辨率、画质阈值；NFRU对竞技高帧游戏要做输入延迟测试，避免插帧增加操作模糊；NSSD需要引擎输出深度、法线、运动矢量，光追少采样后由模型降噪，画风强风格化游戏要单独微调模型。
端侧Agent别把SME2当万能。大参数模型仍走NPU或云端，C2适合做语音前端、检索重排、工具路由、结果摘要、系统调用；SME2收益前提是用支持Armv9/SME2的运行时，KleidiAI、ONNX Runtime、TFLite、PyTorch端侧路径要按目标机型实测温控。
最后一句边界：70%小模型、1.7倍AI、4倍神经图形效率、70%外部流量下降、128核Neoverse，都是“最高/特定场景”口径；实机表现看SoC配置、散热、游戏接入深度、模型量化、系统调度和厂商驱动版本。