四川
自动驾驶雷达捕捉到30米外的物体回波时，传统方案要完成数模转换再送入AI芯片运算，几毫秒的延迟和额外功耗始终是绕不开的短板。而最新出炉的微波神经网络架构，直接把物理过程变成算力，整个识别流程几乎瞬时完成。
常规CMOS微波电路里，非线性效应和低品质因子向来是工程师要花大量精力修正的问题，这些特性会让信号产生不必要的失真。但巴拉却意识到，这些天然的非线性变换，恰恰是神经网络运算最核心的底层能力。
2025年8月，团队就在《自然-电子学》发布了全球首个完全集成的微波“大脑”原型，验证了用物理过程直接完成计算的可行性。这款用标准CMOS工艺制造的芯片，在硅片上排布了一组相互耦合的微波波导，靠非线性动力学完成特征提取。
整颗芯片功耗不到200毫瓦，在数十吉赫兹的工作频段里，多项无线信号分类任务准确率超过88%，还能直接从雷达回波里追踪飞行目标的轨迹，完全不需要经过传统的模数转换步骤。
最新发表在《自然-通讯》的研究，把这套架构的能力从特征提取推到了信息编码与压缩层面。传统数字神经网络要靠CPU或GPU按时钟周期一步步执行乘加运算，所有数据都要完成数字化采样才能进入运算流程。
而微波神经网络里，微波信号进入波导之后，波导之间的耦合关系会跟着信号模式自动变化，相当于输入数据本身就重新编程了神经元之间的连接，运算和信号传播完全同步，几乎没有额外延迟。
更巧妙的是，这套架构的输入速率能达到千兆比特每秒级别，只需要用兆比特每秒级别的慢速控制码流就能完成重新配置，相当于用一根低速缰绳就驾驭住了高速计算的算力单元，省掉了传统方案在高频段做数字采样的巨大功耗。
不同类型的输入信号进入芯片后，会激发出独一无二的输出频谱指纹，不需要采样时域波形再做推理，直接对比频谱就能完成分类。团队还参考大语言模型的Token机制，把连续的射频数据组织成“微波Token嵌入”，每一段分布式频谱脉冲都保留了输入的时序和语义关联。
目前这套微波神经网络还不能直接替代大语言模型的数字推理，它的物理结构决定了参数规模无法支撑数万亿级别的存储调用，热噪声和工艺偏差也让它很难完成高精度的数值预测。但它的核心价值，恰恰不在通用AI推理领域。
它的天然适配场景，是把AI系统的感知前端从数字域直接搬进射频域。微波本身就是无线通信、雷达、遥感的原生信号形态，原始射频信号在物理层就能完成特征提取和粗分类，只需要把关键结果交给下游数字系统处理，整个流程的功耗和延迟都会降到极低水平。
在卫星图像回传、无人机射频态势感知、野外边缘传感信号识别这些功耗预算极其紧张的场景里，这套架构很可能是轻量化部署AI的少数可行路径之一。
更值得关注的是，它还能提供天然的硬件级安全通信能力。每颗微波芯片的物理特性都存在细微差异，生成的Token序列只能由对应配置的同类芯片解码，相当于自带物理指纹的公钥私钥体系，比纯软件加密的抗破解能力更强，特别适配无人机集群这类多智能体协同场景。
过去近八十年里，冯·诺依曼架构的数字计算一直是行业绝对主流，直到AI算力需求爆炸式增长，数据在存储和处理单元之间反复搬运的“内存墙”效应越来越明显，能效提升逐渐摸到了天花板。
近年来光子计算、忆阻计算、神经形态计算这些新的模拟计算路径陆续走进大众视野，而微波神经网络刚好站在了模拟计算和神经形态计算的交叉点上。它的非线性变换不靠数字电路堆砌，完全来自波导之间的物理相互作用，最终的语义空间就是天然的频谱本身。
现在团队已经通过康奈尔技术授权中心的创新加速计划推进商业化，相关国际专利也在申请阶段。后续他们计划把低功耗数模转换模块和轻量级RISC-V微控制器全部集成到单颗芯片上，把整个系统的总功耗控制在1瓦以下。
当全行业都在比拼GPU集群规模和大模型参数量的时候，微波神经网络给出了一个完全不同的思路：智能计算从来不是只能靠晶体管堆叠，很多现成的物理过程都能转化为可用算力。
这些藏在射频角落里的新突破，正在把AI的触手延伸到过去数字算力根本无法抵达的边缘场景里，未来我们能在更多低功耗的无人设备上，看到不需要大算力支撑的实时智能感知能力落地。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
