康奈尔微波神经网络新突破 跳过数模转换 边缘算力迎来新拐点

你有没有想过，芯片里被所有人嫌弃的“天生缺陷”，居然能变成催生下一代AI算力的宝藏？自动驾驶测30米外的障碍物，传统方案还要先做数模转换再送AI芯片算，几毫秒延迟说不定就是大事故，额外功耗还疯狂拖续航。康奈尔大学的研究者愣是把这个行业通病玩成了新突破，直接用微波本身做计算，连数模转换都直接省了。

主导这项研究的康奈尔大学博士生巴拉·戈文德，不是只会待在实验室的纯学术党。他之前在德州仪器做过射频集成电路工程师，还在TDK应美盛搞过MEMS原型工程师，横跨产业界的经历让他看问题和旁人完全不一样。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精力修正的问题，所有人都把它们当要除掉的bug，他却从中瞅见了没人发现的宝藏。

他盯着这些被嫌弃的特性越看越明白，这些会让信号失真的天然非线性变换，恰恰就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，实打实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，靠非线性动力学就能完成特征提取。

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。

放到雷达、卫星这类高频信号场景，采样这一步不光慢得让人着急，还特别费电，早就被从业者吐槽烂了。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。这种速度放到对延迟敏感的自动驾驶场景，简直就是降维打击。

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野马，直接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。相当于建立了一套专属的微波词典，只有配置匹配的同类芯片才能完整解读生成的Token序列。这个设计不光好用，还自带了安全buff，外人截获信号也根本读不懂内容。

实验里团队把千兆比特级别的图像数据灌入芯片，最终输出的概率比特能完整保留数据核心结构、丢弃冗余细节。热带风暴卫星图像的传输码率直接压缩到原文件的八分之一，风暴旋转结构、云带走向等关键特征依然清晰，完全不影响后续分析使用。能在原生射频域就完成压缩，对传输带宽本来就紧张的边缘设备来说，真的太香了。

现在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。它本来就不是冲着通用AI推理领域来的，核心价值体现在别处。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。全行业都在往堆更多晶体管、堆更大GPU集群的方向卷，这条路越走成本越高，普通人都能感觉到瓶颈就在眼前。

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。相当于直接把现成的物理规律变成了免费算力，这个思路真的太反套路了。

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。这个目标实现之后，很多边缘设备就能轻松装上带AI能力的芯片了。

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。

参考资料：新华网 新型微波神经网络突破边缘算力瓶颈