Arm 架构(Arm architecture)是 Arm 公司设计的精简指令集计算(RISC)架构,以低功耗、高能效比著称,广泛应用于移动设备、嵌入式系统和 IoT 芯片。Arm 采用 IP 授权商业模式:芯片设计公司支付授权费后,可将 Arm 处理器核集成到自研 SoC 中;也可选择架构授权,基于 Arm 规范自行设计微架构。目前 Arm 按应用场景划分出 Cortex-A / Cortex-X(应用与客户端)、Cortex-R(实时)、Cortex-M(微控制器)和 Neoverse(服务器与基础设施)等多个处理器系列,并配套 Mali / Immortalis GPU、Ethos AI 加速器等 IP。
Arm 架构的核心设计理念包括:
Load/Store 架构:只有加载(Load)和存储(Store)指令可访问内存,所有运算均在寄存器中完成。
条件执行:在 A32(32 位)指令集中,大多数指令可附带条件码,由标志位决定是否执行;进入 A64(64 位)后条件执行被大幅精简,仅保留条件分支与条件选择类指令,转而依靠分支预测降低开销。
Thumb / Thumb-2 指令集:A32 指令的 16 位及 16/32 位混合长度压缩编码,用于提升代码密度;A64 采用固定 32 位指令,不再使用 Thumb。
Advanced SIMD(NEON):SIMD(单指令多数据)向量处理单元,适用于多媒体和 AI 推理加速;Armv9-A 起将 SVE2 纳入基线,Armv9.2-A 进一步引入矩阵扩展 SME(如 SME2 在后续版本继续增强)。
TrustZone 安全扩展:硬件级隔离技术,将系统划分为安全世界和普通世界,保护敏感数据和代码;Armv9 的 CCA(机密计算架构)在此基础上增加了 Realm 世界。
Arm 处理器核采用多级流水线,Cortex-M 系列为 3 级左右,高性能的 Cortex-A / Cortex-X 系列可达十余级,并支持乱序执行、分支预测和超标量发射等微架构技术。
思尔芯数字前端 EDA 方案覆盖基于 Arm 架构的 SoC 设计与验证。
芯神匠 Genesis:可在 RTL 编码前搭建 Arm SoC 虚拟原型,加载 Linux、Android 等操作系统的启动与驱动负载,评估处理器配置和总线拓扑对系统性能的影响。
芯神驰 PegaSim:可在 RTL 仿真中运行 Arm 处理器核的软件负载,覆盖 TrustZone 安全模式切换、NEON 向量指令、多核启动与中断处理等场景。
芯神鼎 OD:硬件仿真以设计容量大、可扩展性好、全可视的特点,适合大型 Arm SoC 的系统级深度验证;对包含 ACE/CHI 一致性互连的多核子系统,可运行长激励并捕获缓存一致性状态机异常、多核死锁、总线超时、DDR 控制器协议违规、访问时序窗口错误、总线超时等深层次问题。
芯神瞳 Prodigy:作为 FPGA 原型验证平台,运行速度快、性能高,支持 Arm SoC 的软硬件协同验证,可在流片前运行完整的操作系统和应用软件。
Arm 架构是全球应用最广泛的指令集架构之一。根据 Arm 公司公开数据,截至 2025 年基于 Arm 架构的芯片累计出货量已超过 3100 亿颗,覆盖智能手机、平板电脑、服务器、汽车和 IoT 等领域;在智能手机市场,Arm CPU 占有率超过 99%。近年来 Arm 进入服务器和 PC 市场,AWS Graviton 基于 Arm Neoverse 平台,Apple Silicon 则依托架构授权自研微架构,两者共同证明了 Arm 在高端市场的竞争力。主流 EDA 厂商均提供 Arm 架构的设计验证支持,思尔芯的数字前端 EDA 方案覆盖 Arm SoC 从架构探索到原型验证的完整路径。以汽车领域为例:
软件定义汽车时代,整车代码量逼近十亿行,算力需求激增,E/E 架构向“中央+区域”全面重构。思尔芯联合 Arm、Xylon 及知从科技推出汽车 MCU 混合原型解决方案,基于芯神瞳原型验证系统构建,可精准分析架构负载,简化向 Arm Cortex-R52+ 的迁移路径。该方案作为面向未来汽车的参考设计,有效降低下一代汽车 MCU 的开发风险与时间成本,助力芯片设计团队在汽车领域进行差异化创新。
最后更新:2026-10-15
A:Arm 采用 RISC 架构,指令精简、能效比高,适合移动和嵌入式场景;x86 采用 CISC 风格的外部指令集,单核性能强、软件生态成熟,适合桌面和服务器。商业模式上,Arm 通过 IP 授权向多家厂商开放,x86 主流处理器则由 Intel 与 AMD 供应。
A:可以。芯神驰 PegaSim 与芯神鼎 OD 都能运行包含 ACE/CHI 一致性互连的 Arm 多核子系统,覆盖缓存一致性状态机的各种状态转换与一致性事务。其中多核并发、长激励类场景更适合放在硬件仿真上运行。