COMPUTEX 2026 全产品解析：Arm SoC 挑战 x86 的时代正式来临

在深入阅读之前，先明确从本文能获得什么：

你将掌握的关键认知

• NVIDIA RTX Spark 全规格：20 核 Grace CPU（MediaTek 定制设计）+ 6144 CUDA 核心 Blackwell GPU + 128GB LPDDR5X 统一内存（800 GB/s）+ 1 petaflop FP4 AI 算力——这是 NVIDIA 首次为 Windows PC 打造的完整 SoC
• Arm 对 x86 的正面挑战：RTX Spark 性能对标桌面 RTX 5070，但功耗仅为传统 PC 的十分之一，支持本地运行 1200 亿参数模型
• 四巨头竞逐 AI PC：NVIDIA（Arm + CUDA 生态）、Intel（x86 兼容性 + Arc G3 掌芯片）、AMD（Zen 5 + Ryzen AI PRO 400）、Qualcomm（Snapdragon X 先发优势）
• 架构战争的历史意义：x86 统治 PC 市场 45 年后，Arm 终于在性能、生态、开发者工具三个维度同时具备了正面竞争的能力
• 本地 AI Agent 时代：RTX Spark 的设计目标是让 AI Agent 在设备本地运行，无需云端连接——这是从「云 AI」到「端 AI」的范式转变

本文所有数据来源于 NVIDIA 官方 COMPUTEX 2026 公告、Tom's Hardware、Tom's Guide、NVIDIA 官方博客、AMD 官方公告，可交叉验证。

2026 年 6 月 2 日，COMPUTEX 在台北南港展览馆正式开幕。作为全球最大的 AI 硬件展会，今年的 COMPUTEX 有一个明确的主题：AI PC 架构战争正式打响。

四巨头齐聚台北

NVIDIA、AMD、Intel、Qualcomm——这四家掌握 PC 核心芯片设计能力的公司，全部在 COMPUTEX 2026 上发布了重磅产品：

为什么今年是转折点？

Arm 架构在 PC 市场的竞争经历了三个失败阶段，但 2026 年是第一次真正具备全方位竞争力：

1. 2012-2018 年（Windows RT 时代）：微软首次尝试 Arm PC，但应用生态完全不兼容，体验极差
2. 2019-2023 年（Apple Silicon 冲击期）：苹果 M1/M2 证明了 Arm 在 PC 上的可行性，但 Windows on Arm 仍然落后
3. 2024-2025 年（Snapdragon X 时代）：高通骁龙 X Elite 首次实现了 Arm Windows PC 的良好体验，但性能和生态仍有明显短板

2026 年的不同在于：NVIDIA 带着 30 年的 GPU 和 CUDA 生态入场，Arm PC 不再只是「低功耗替代品」，而是在 AI 算力维度上直接超越 x86 的全新架构。

x86 架构统治 PC 市场已经 45 年。从 1981 年 IBM PC 采用 Intel 8088 处理器开始，x86 就成为了 PC 行业的标准架构。但 2026 年，Arm 架构终于具备了从正面挑战 x86 的全部条件。

x86 的护城河：为什么 Arm 一直无法突破？

x86 在 PC 市场的统治地位建立在三个支柱之上：

1. 软件兼容性：数十年的 Windows 应用、游戏、开发工具都基于 x86 编译
2. 性能优势：长期以来，x86 在单核性能和多线程性能上都领先于 Arm
3. 生态惯性：开发者习惯 x86、企业 IT 基础设施依赖 x86、消费者认知中「PC = x86」

Arm 的突破：三个维度的同时超越

2026 年 Arm 的突破不是单点的，而是系统性的：

关键洞察：Arm 的突破不是在传统 PC 负载上超越 x86，而是在 AI 工作负载上建立全新的优势。RTX Spark 的 1 petaflop AI 算力是传统 x86 PC 的 10 倍以上——这是一个维度上的碾压，而不是同一维度上的追赶。

统一内存的革命性意义

RTX Spark 采用统一内存架构——CPU 和 GPU 共享同一块 128GB LPDDR5X 内存，带宽高达 800 GB/s。这意味着：

• 零数据拷贝：CPU 和 GPU 之间的数据传输不需要经过 PCIe 总线，延迟大幅降低
• 128GB 显存：可以本地运行 1200 亿参数的大模型（如 GPT-4o 级别），无需云端推理
• 功耗效率：统一内存架构的能效比分立 CPU+GPU 高 3-5 倍

这是 MacBook Pro 的成功经验在 Windows PC 上的首次完整复现。Apple 从 M1 开始就使用统一内存，但 NVIDIA 将其扩展到了 128GB——是 M4 Max 的 4 倍。

RTX Spark 是 NVIDIA 为 Windows PC 打造的第一款完整 SoC，代号 N1X，基于 DGX Spark（GB10 超级芯片）的消费级变体。

核心规格

架构设计理念：GPU 中心的 PC

RTX Spark 的设计哲学是让 GPU（而不是 CPU）成为 PC 的中心。这是对传统 PC 架构的根本性颠覆：

传统 PC：CPU 是核心，GPU 是加速器。所有计算从 CPU 发起，GPU 只是协助处理图形和计算密集任务。

RTX Spark PC：GPU 是核心，CPU 是协调器。AI 推理、图形渲染、视频处理全部由 GPU 主导，CPU 负责任务调度和 I/O 管理。

这种设计理念的背后逻辑是：在 AI 时代，GPU 的计算能力和内存带宽比 CPU 的单核性能更重要。一个能够本地运行 1200 亿参数模型的 GPU，比一个单核性能强大的 CPU 更能提升用户体验。

软件生态：CUDA + Windows on Arm

RTX Spark 的软件生态由两个支柱构成：

1. CUDA 生态：30 年积累的 GPU 编程生态，包括 DLSS、TensorRT、OptiX、Reflex 等
2. Windows on Arm：微软与 NVIDIA 合作打造的第一级 Windows on Arm 体验

CUDA 生态是 NVIDIA 最深的护城河。全球超过 400 万开发者在使用 CUDA 进行 GPU 编程，这个数字是任何其他 GPU 编程生态（包括 ROCm、OneAPI）的十倍以上。当 RTX Spark 将 CUDA 生态引入 Windows PC 时，意味着数百万开发者可以直接在 PC 上进行 AI 开发和推理，无需云端 GPU 服务器。

NVIDIA 正在与 Adobe 合作，将 Photoshop 核心重构为 100% GPU 加速的应用——这是 RTX Spark 平台生态建设的重要信号。当专业软件开始专门为 Arm + GPU 架构优化时，生态迁移就进入了不可逆的阶段。

微软的战略赌注

微软在 RTX Spark 上押下了重注。Surface Laptop Ultra 是微软第一款基于 NVIDIA SoC 的 Surface 设备——这标志着微软从「多架构中立」转向「与 NVIDIA 深度合作」。

微软的考量很清晰：

• Copilot+ PC 需要强大的本地 AI 算力：Windows Recall、Click to Do、实时翻译等功能都依赖本地 NPU 或 GPU 推理
• Windows on Arm 需要一个杀手级硬件：高通的 Snapdragon X 系列已经证明了 Arm Windows PC 的可行性，但性能和生态仍有瓶颈。RTX Spark 的 128GB 统一内存 + 1 petaflop AI 算力是突破这些瓶颈的关键
• 对抗 Apple Silicon 的压力：MacBook Pro 凭借 M 系列芯片的统一内存和出色的能效比，在创作者市场中获得了巨大成功。微软需要在 Windows 阵营中找到对标的方案——RTX Spark 就是这个答案

两款配置

NVIDIA 将 RTX Spark 分为两个配置：

首款搭载 RTX Spark 的设备是微软 Surface Laptop Ultra，同时 Dell、HP、ASUS、Lenovo、MSI 等主流厂商均已宣布支持。

面对 NVIDIA RTX Spark 的 Arm 冲击，Intel 的回应很明确：x86 兼容性是无可替代的护城河。

Arc G3 掌芯片

Intel 在 COMPUTEX 2026 上展示了 Arc G3 游戏掌芯片，搭载于 MSI Claw 8 EX AI+ 掌。这款芯片的特点是：

• x86 原生架构：所有 x86 游戏和应用 100% 兼容，无需模拟
• Arc GPU：Intel 最新的 Arc 图形架构，支持 XeSS 超分辨率技术
• 游戏优化：针对掌形态的功耗和散热进行了深度优化

根据 Tom's Guide 的实测，MSI Claw 8 EX AI+ 的游戏性能「令人印象深刻」——在掌形态下能够提供接近入门级桌面 PC 的游戏体验。

Lunar Lake 后续

Intel 还展示了 Lunar Lake 的后续产品，继续深耕低功耗 x86 PC 市场。Lunar Lake 系列是 Intel 对 Arm PC 的直接回应——通过极致优化 x86 的能效比，缩小与 Arm 在功耗上的差距。

Intel 的核心论点

Intel 的核心论点可以概括为：「兼容性比性能更重要」。

在 Intel 看来，Arm PC 的性能优势可以通过 x86 架构的持续优化来缩小，但 Arm PC 的兼容性问题是无法彻底解决的。对于企业用户和专业用户来说，能够 100% 运行现有软件的 PC 永远比需要模拟层的 PC 更有吸引力。

这个论点有其合理性——但前提是 x86 架构的能效比能够在可预见的未来保持竞争力。如果 Arm 在 AI 算力上的优势继续扩大（例如从 1 petaflop 提升到 5 petaflop），兼容性的重要性可能会被 AI 能力的差距所抵消。

Intel 的历史包袱与转型压力

Intel 在 x86 架构上拥有 45 年的技术积累，这是它的优势，也是它的包袱。每一次架构转型都意味着对过去投资的重新评估——这是 Intel 面临的核心困境。

回顾 Intel 的转型历史：

• 2006 年：从 NetBurst 转向 Core 架构，放弃高频率路线，转向多核设计——转型成功
• 2015 年：从 14nm 制程开始，经历了 5 次延期——转型失败，被 AMD 反超
• 2023 年：IDM 2.0 战略，尝试代工业务——仍在进行中

RTX Spark 对 Intel 的冲击，可能比 AMD 的 Zen 架构更大。因为 AMD 只是在 x86 框架内竞争，而 RTX Spark 是在架构层面发起的挑战。如果 Arm PC 在消费者市场取得突破，Intel 的整个商业模式（x86 CPU 销售）将面临系统性风险。

AMD 在 COMPUTEX 2026 上的策略很明确：用 Zen 5 的 CPU 性能优势加上独立 NPU 的 AI 能力，在 x86 阵营中建立 AI PC 的差异化。

AMD 走的是稳健跟随的路线——不追求在 AI 算力上超越 NVIDIA，而是在 x86 框架内建立足够的 AI 能力，保持市场份额。

Ryzen AI PRO 400 系列

AMD 发布了 Ryzen AI PRO 400 系列桌面处理器，这是 AMD 首款获得微软 Copilot+ PC 认证的桌面芯片：

Gorgon Point 架构

AMD 的 Gorgon Point 架构（Ryzen AI 400 系列移动端）是 AMD 在 AI PC 领域的核心武器：

• 12 Zen 5 核心，24 线程
• 36MB L2+L3 缓存
• 60 TOPS NPU 算力（旗舰型号）
• 16 RDNA 3.5 GPU 计算单元
• 首次获得 Copilot+ PC 认证

AMD 的策略与 NVIDIA 和 Intel 都不同：NVIDIA 赌 GPU 中心，Intel 赌 x86 兼容性，而AMD 赌的是 CPU+NPU 的平衡架构。

AMD 的优势与挑战

优势：

1. AM5 平台兼容性：Ryzen AI 400 系列支持 AM5 插槽，现有的 AM5 主板用户可以升级
2. Zen 5 CPU 性能：在纯 CPU 工作负载上，Zen 5 仍然是最强的 x86 架构之一
3. Copilot+ 认证：获得了微软的 Copilot+ PC 认证，可以解锁 Recall、Click to Do 等 Windows 11 独占功能

挑战：

1. NPU 算力差距：AMD 最高 60 TOPS vs NVIDIA RTX Spark 的 1 petaflop（约 2000+ TOPS FP4），差距显著
2. 生态差距：没有 CUDA 生态的加持，AMD 在 AI 开发生态上处于劣势
3. 商务定位：Ryzen AI PRO 400 系列主要面向商务 PC，消费级市场的存在感较弱

AMD 的战略定位分析

AMD 在 AI PC 市场的策略可以概括为稳健跟随——不追求在 AI 算力上超越 NVIDIA，而是在 x86 框架内建立足够的 AI 能力，保持市场份额。

这种策略的优点是风险低、成本可控：AMD 不需要投入巨资研发全新的 GPU 架构，只需要在现有的 Zen 5 基础上增加 NPU 模块。同时，AM5 平台的兼容性保证了现有用户可以平滑升级。

但这种策略的缺点是上限明确：即使 AMD 做到最好的 x86 AI PC，在本地 AI 推理能力上仍然无法与 RTX Spark 竞争。这意味着 AMD 只能守住 x86 阵营的市场份额，而无法在 AI PC 这个新兴市场中占据主导地位。

COMPUTEX 2026 展示了四条截然不同的 PC 架构路线。让我们从技术、生态、市场三个维度进行深度对比。

技术对比

生态对比

市场定位对比

核心洞察

这四条路线不是互相取代的关系，而是覆盖不同的用户群体：

• NVIDIA RTX Spark → AI 开发者和创作者的首选，本地 AI 能力无人能及
• Intel Arc G3 → 游戏玩家和兼容性优先用户的首选，x86 生态无可替代
• AMD Ryzen AI PRO 400 → 商务用户和 AM5 平台升级用户的首选，平衡的 CPU+AI 方案
• Qualcomm Snapdragon X → 移动办公和长续航需求用户的首选，极致能效

真正的赢家不是某一条路线，而是用户——竞争的加剧意味着更好的产品、更低的价格、更多的选择。

架构战争对开发者的影响

这场架构战争对软件开发者的影响是深远的：未来的软件可能需要同时支持 x86 和 Arm 两种架构。这意味着：

1. CI/CD 流水线需要增加 Arm 构建目标：GitHub Actions、Jenkins 等需要支持 Arm 架构的持续集成
2. 依赖库需要跨架构编译：Node.js 原生模块、Python C 扩展等需要同时提供 x86 和 Arm 版本
3. 测试矩阵需要翻倍：每个功能需要在 x86 和 Arm 两种架构上进行测试

对于个人开发者来说，这可能意味着额外的工作量。但对于整个行业来说，跨架构支持正在成为新的技术标准——就像当年 32 位向 64 位过渡一样。

• AMD Ryzen AI PRO 400 → 商务用户和 AM5 平台升级用户的首选，平衡的 CPU+AI 方案
• Qualcomm Snapdragon X → 移动办公和长续航需求用户的首选，极致能效

真正的赢家不是某一条路线，而是用户——竞争的加剧意味着更好的产品、更低的价格、更多的选择。

RTX Spark 的真正意义不在于硬件规格，而在于它开启了一个全新的计算范式：本地 AI Agent 时代。

从「云 AI」到「端 AI」

在 RTX Spark 之前，运行 1200 亿参数模型需要云端 GPU 服务器——这意味着：

• 延迟：每次请求需要网络往返，通常 100-500ms
• 隐私：你的数据必须发送到云端
• 成本：云端 GPU 算力是按需计费的，持续使用成本高昂
• 离线不可用：没有网络连接就无法使用 AI

RTX Spark 将这一切改变——128GB 统一内存 + 1 petaflop AI 算力意味着：

• 零延迟：本地推理，响应时间在毫秒级
• 完全隐私：所有数据留在设备上
• 零边际成本：一次性购买硬件后，推理免费
• 离线可用：不需要网络连接

AI Agent 的本地化

RTX Spark 是 NVIDIA 为本地 AI Agent 设计的硬件平台。黄仁勋在 COMPUTEX 2026 主题演讲中明确表示：

「Token 正在成为新的资产类别，AI Agent 时代已经到来。RTX Spark 让每个开发者都能在本地运行和调试 AI Agent，无需依赖云端。」

这意味着：

1. AI Agent 开发本地化：开发者可以在本地测试和调试 Agent，大幅降低开发成本
2. AI Agent 部署本地化：企业可以将 AI Agent 部署在员工设备上，无需构建云端基础设施
3. AI Agent 使用本地化：个人用户可以在本地运行 AI Agent，处理敏感数据（如财务、医疗）而无需担心隐私泄露

对软件生态的连锁反应

RTX Spark 的本地 AI 能力将对软件生态产生连锁反应：

• Adobe：将 Photoshop 核心重构为 100% GPU 加速，利用 RTX Spark 的 AI 算力实现智能修图、自动抠图、风格迁移等功能
• Microsoft：深度优化 Windows on Arm，将 Copilot 功能与 RTX Spark 的本地 AI 能力结合
• 开发者工具：VS Code、JetBrains 等 IDE 将集成本地 AI Agent，提供实时代码审查、自动补全、架构建议
• 游戏引擎：Unity、Unreal Engine 将利用 RTX Spark 的 AI 算力实现实时 NPC 行为生成、动态场景构建

这是一个从硬件到软件、从基础设施到应用层的全面重构。

这是一个价值万亿美元的问题：Arm 架构能否在 2030 年前终结 x86 在 PC 市场的统治？

乐观情景（Arm 占比 40%+，2030 年）

支持这一判断的理由：

1. AI 工作负载的增长速度远超预期：如果本地 AI 成为 PC 的核心功能，Arm 在 AI 算力上的优势将迅速转化为市场份额
2. NVIDIA 生态加持：CUDA 30 年的积累不是随便可以复制的。当开发者习惯了 CUDA + RTX Spark 的工作流，迁移回 x86 的成本极高
3. 微软的全力支持：微软正在将 Windows on Arm 提升为「一级公民」，这意味着更好的兼容性、更快的更新、更多的原生应用

中性情景（Arm 占比 25-30%，2030 年）

更现实的判断：

1. x86 不会消失：企业 IT 市场的惯性极大，x86 的兼容性护城河在短期内不可逾越
2. Arm 的突破集中在特定领域：AI PC、创作者 PC、开发者 PC——这些细分市场中 Arm 可能占据主导
3. 混合架构可能成为主流：未来的 PC 可能同时包含 x86 CPU（兼容性）+ Arm NPU（AI 算力）

悲观情景（Arm 占比 15-20%，2030 年）

如果发生以下情况，Arm 的增长将放缓：

1. Windows on Arm 的兼容性问题持续存在：某些关键软件（如专业 CAD、EDA 工具）无法在 Arm 上良好运行
2. x86 架构持续创新：Intel 和 AMD 不断缩小能效差距，保持 x86 在主流市场的竞争力
3. RTX Spark 的实际性能低于预期：发布规格与实际产品之间存在差距

AI Master 的判断

我们认为中性情景最有可能实现——到 2030 年，Arm 在 PC 市场的份额将达到 25-30%。

理由如下：

1. AI 工作负载是 Arm 的真正差异化优势。RTX Spark 在 AI 算力上的碾压（1 petaflop vs 传统 x86 的 ~50 TOPS）是真实存在的，不是营销话术
2. 但 x86 的兼容性护城河同样真实。企业用户不会因为 AI 能力强 20 倍就放弃 100% 的软件兼容性
3. 最终的市场格局将是双轨制：Arm 主导 AI PC 和创作者 PC，x86 主导商务 PC 和游戏 PC

最大的变数是 NVIDIA——如果 NVIDIA 能够在未来 12-18 个月内解决 Windows on Arm 的兼容性问题（例如通过更高效的 x86 模拟层、关键软件的 Arm 原生移植），Arm 的增长速度可能超出所有人的预期。

作为开发者和 IT 决策者，你需要一套系统化的方法来评估不同 AI PC 架构的性能和兼容性。以下是一套实用的评估框架和代码示例。

评估维度

评估 AI PC 架构时，需要从以下五个维度进行综合考量：

1. AI 推理性能：本地运行大模型的吞吐量（tokens/s）和延迟（ms）
2. 软件兼容性：关键应用能否正常运行（无需模拟层或模拟层性能损耗可接受）
3. 内存容量和带宽：能否加载目标规模的模型（128GB 统一内存 vs 分立内存）
4. 能效比：相同性能下的功耗差异（AI 推理性能/瓦特）
5. 开发生态：可用的开发工具、SDK 和社区支持

本地模型运行能力评估

以下代码可以帮助你评估不同 PC 架构能否本地运行特定规模的大模型：

#!/usr/bin/env python3
"""
AI PC 本地模型运行能力评估工具
评估不同 PC 架构能否本地运行目标规模的 AI 模型
"""

def estimate_model_memory(params_billions: float, precision: str = "fp4") -> float:
    """
    估算模型参数量所需的内存
    
    Args:
        params_billions: 模型参数量（十亿）
        precision: 精度模式（fp4/fp8/fp16/fp32）
    
    Returns:
        所需内存（GB）
    """
    bytes_per_param = {
        "fp32": 4,
        "fp16": 2,
        "fp8": 1,
        "fp4": 0.5
    }
    params = params_billions * 1_000_000_000
    param_memory = params * bytes_per_param[precision]
    # 加上 KV cache、激活值、中间状态等开销（约 20-40%）
    overhead = 1.3
    total_gb = (param_memory * overhead) / (1024 ** 3)
    return round(total_gb, 1)


# PC 架构内存规格
architectures = {
    "NVIDIA RTX Spark": {"memory_gb": 128, "type": "统一内存", "ai_tops": 1000},
    "Apple M4 Max": {"memory_gb": 36, "type": "统一内存", "ai_tops": 38},
    "Intel Lunar Lake": {"memory_gb": 32, "type": "分立", "ai_tops": 48},
    "AMD Ryzen AI 400": {"memory_gb": 64, "type": "分立", "ai_tops": 60},
    "Qualcomm X Elite": {"memory_gb": 32, "type": "统一内存", "ai_tops": 45},
}

# 测试模型列表
test_models = [
    (7, "Llama 3 7B"),
    (13, "Llama 3 13B"),
    (70, "Llama 3 70B"),
    (120, "GPT-4o 级别"),
    (405, "Llama 3 405B"),
]

print("=" * 70)
print("📊 AI PC 本地模型运行能力评估")
print("=" * 70)

for model_params, model_name in test_models:
    fp4_mem = estimate_model_memory(model_params, "fp4")
    fp8_mem = estimate_model_memory(model_params, "fp8")
    print(f"\n🔹 {model_name} (FP4: {fp4_mem}GB, FP8: {fp8_mem}GB)")
    for arch, specs in architectures.items():
        can_fp4 = "✅" if specs["memory_gb"] >= fp4_mem else "❌"
        can_fp8 = "✅" if specs["memory_gb"] >= fp8_mem else "❌"
        print(f"   {arch:25s} {specs["memory_gb"]:3d}GB {specs["type"]}  "
              f"FP4:{can_fp4} FP8:{can_fp8}")

#!/usr/bin/env python3
"""
AI PC 架构综合评分工具
从五个维度评估不同架构的综合得分
"""

def score_architecture(ai_tops: int, memory_gb: int, 
                        compatibility: float, ecosystem: float,
                        efficiency: float) -> dict:
    """
    综合评分 AI PC 架构
    
    Args:
        ai_tops: AI 算力（TOPS）
        memory_gb: 内存容量（GB）
        compatibility: 软件兼容性得分（0-100）
        ecosystem: 开发生态得分（0-100）
        efficiency: 能效比得分（0-100）
    """
    weights = {
        "ai_performance": 0.30,
        "memory": 0.20,
        "compatibility": 0.20,
        "ecosystem": 0.15,
        "efficiency": 0.15
    }
    
    ai_score = min(ai_tops / 1000 * 100, 100)  # 1000 TOPS = 满分
    mem_score = min(memory_gb / 128 * 100, 100)  # 128GB = 满分
    
    total = (
        ai_score * weights["ai_performance"] +
        mem_score * weights["memory"] +
        compatibility * weights["compatibility"] +
        ecosystem * weights["ecosystem"] +
        efficiency * weights["efficiency"]
    )
    
    return {
        "ai_performance": round(ai_score, 1),
        "memory": round(mem_score, 1),
        "compatibility": round(compatibility, 1),
        "ecosystem": round(ecosystem, 1),
        "efficiency": round(efficiency, 1),
        "total": round(total, 1)
    }

# 四种架构评估（满分 100）
results = {
    "NVIDIA RTX Spark": score_architecture(1000, 128, 60, 95, 85),
    "Intel Arc G3": score_architecture(48, 32, 100, 70, 70),
    "AMD Ryzen AI 400": score_architecture(60, 64, 100, 65, 75),
    "Qualcomm X Elite": score_architecture(45, 32, 70, 60, 90),
}

print("📊 AI PC 架构综合评分")
print(f"{'架构':<25} {'AI':>5} {'内存':>5} {'兼容':>5} {'生态':>5} {'能效':>5} {'总分':>5}")
print("-" * 55)
for arch, scores in sorted(results.items(), key=lambda x: -x[1]["total"]):
    print(f"{arch:<25} {scores['ai_performance']:>5.0f} {scores['memory']:>5.0f} "
          f"{scores['compatibility']:>5.0f} {scores['ecosystem']:>5.0f} "
          f"{scores['efficiency']:>5.0f} {scores['total']:>5.0f}")