在Computex 2018展前活動中，Arm除了再次重申日前對外揭曉的Cortex-A76 CPU架構、新款Mali-G76 GPU設計，以及針對影像運算處理需求提出的新款Mali-V76 VPU，並且強調導入與台積電合作的7nm製程量產規格，讓行動裝置能發揮等同筆電般的運算效能，另一方面則是回應行動裝置端的深度學習運算將可帶來更大應用效益。
Arm處理器部門行銷副總裁Nandan Nayampally表示，在行動裝置端的深度學習運算並非沒有意義，藉由裝置端的預先學習預測運算，將能進一步縮減大量需要反覆傳送數據的運算模式所需時間，藉此加快整體運算原本所需速度，不但可讓手機裝置能有更多使用效率之外，同時也能加快各類物聯網裝置的連接使用速度。
Nandan Nayampally說明，確實複雜且大量學習運算依然基於雲端平台完成，裝置端學習運算效果雖然有限，卻能協助縮減部分前期運算所需花費時間，同時一旦學習模型訓練完成，自然也能將傳統雲端平台運算為主的模式，轉移到終端裝置縮減整體運算所需時間，進而可讓裝置的運算反應速度加快，如此一來即可讓使用者感受更快的連網服務運作效率，尤其在未來5G聯網應用逐漸成形情況下，未來透過連網使用各類服務的比例將會大幅提昇，因此加強裝置端的學習運算能力並非毫無意義。
例如裝置可以學習使用者通常會使用哪些App，或是進一步學習利用這些App完成哪些事情，以及在每天什麼情況下最常開啟特定App內容，進而藉由預先將App資料寫入裝置記憶體內加快啟用速度，或是預先搜尋使用者可能希望使用內容，藉此達成用更快速度找到預期使用檔案等內容理想。
而類似應用也會進一步帶動物聯網應用效率，藉此以更快速度對應使用者操作需求，例如透過學習使用者每天出門或返家時間，進而可在各類感測元件識別使用者正準備離開或進入家門時，用更快速度將家中電器裝置電源關閉或開啟，甚至能在預測使用者即將回到家裡時，預先開啟家中空調讓室內達到合適溫度，而非像傳統偵測使用者打開家門才開始一連串的自動化操作，導致使用者依然要等待一些時間才能感受到合適室溫。
就Arm的看法認為，未來裝置端的學習應用規模將會持續擴展，甚至應用到更廣泛的裝置，未來或許就連手錶都能更輕易學習使用者配戴使用狀況，進而與更多裝置產生連動。
