康奈尔团队祭出颠覆性新技术

　　当自动驾驶出租车以 60 公里的时速穿过市区，毫米波雷达在前方 30 米处捕捉到一个物体的回波时，系统必须在几毫秒内作出判断：它是即将进入行车道的行人，或者仅仅是一只被风卷起的塑料袋？

　　对于这一场景，目前的主流方案是，雷达接收到的射频信号被转为数字数据，送入车载 AI 芯片的神经网络中进行运算，最后输出分类结果，较长的延迟和更大的功耗是无法回避的短板。

　　但近日，康奈尔大学（Cornell University）的研究人员设计出一种名为“微波神经网络”（MNN）的新架构，可让雷达信号跳过所有数字化的转换和运算步骤，直接由芯片内部的物理过程完成识别。

　　他们让微波芯片像大语言模型使用 Token 那样，把信息编码并压缩进了射频域。相关研究 7 月 29 日发表在《自然-通讯》（Nature Communications）。

　　微波也能充当“神经元”

　　这项研究由康奈尔大学博士生巴拉·戈文德（Bala Govind）主导，读博之前，他曾在德州仪器（Texas Instruments）做过射频集成电路工程师、在TDK 应美盛（TDK InvenSense）做过微机电系统（MEMS）原型工程师，这些经历让他跳出了传统电路设计原则。

　　在射频领域，以通用的硅基芯片工艺（CMOS）制造的微波电路中，非线性效应和低品质因子常常会让信号失真，需要工程师花费精力解决。但巴拉意识到，如果这些“缺陷”恰好能产生复杂的、依赖输入的非线性变换，它们反而有潜力成为一种全新的计算资源。

　　2025 年 8 月，巴拉与团队在《自然-电子学》（Nature Electronics）发文，报告了全球首个完全集成的微波“大脑”，验证了用物理过程完成计算的可行性。

　　原型芯片以 CMOS 标准工艺制造，在硅片上排布出一组相互耦合的微波波导，利用其非线性动力学承担神经网络所需的运算：微波信号进入芯片后无需数字化采样，直接在传播过程中完成特征提取。芯片工作频率横跨数十吉赫兹，整片功耗低于 200 毫瓦，在多项无线信号分类任务中达到 88% 以上的准确率，同时还能从雷达回波中追踪飞行目标轨迹。

　　最新工作的芯片架构沿袭前作，但将工作负载推至信息编码与压缩层面。在物理机制上，输入信号进入芯片后，波导之间的耦合关系会随信号模式发生变化，即数据本身重新编程了神经元之间的连接。对比之下，数字神经网络需要中央处理器（CPU）或图形处理器（GPU）按时钟周期一步步执行乘加运算，而 MNN 让运算与信号传播同步进行，几乎瞬时完成。

　　而且，MNN 芯片的输入速率可以达到千兆比特每秒（Gbps）级别，但另一侧的重新配置只需要慢速的兆比特每秒（Mbps）控制码流。因此，这套架构相当于用一根慢速的“缰绳”驾驭一头高速的“计算兽”，省去了传统芯片在数十吉赫兹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，会激发出各自独特的输出频谱指纹。无需采样时域波形再推理，对比频谱就能完成分类。因此，MNN 展现的第一个能力是模式识别。前作中，芯片已经能够对射频信号做出粗粒度分类，识别不同的调制编码方式、检测频率漂移进而追踪飞行轨迹。

　　新论文更进一步，让 MNN 完成信息编码任务。与大语言模型把词语映射为高维向量类似，芯片可以把连续的数据输入组织成一组“微波 Token 嵌入”，每个 Token 是一段分布式频谱脉冲，相邻 Token 之间保留了输入数据的时序与语义关联。

　　巴拉介绍称，这就像“建立了一套微波词典”：一颗微波神经网络生成的 Token 序列，只有另一颗同类芯片按照正确的配置码流才能解读。

　　MNN 还具备强大的数据压缩能力。研究人员发现，向芯片灌入千兆比特级别的数据流（例如 8 位像素的图像数据）后，与计算机输出二进制不同，微波芯片输出的是一组概率比特（p-bits），其取值倾向能反映输入数据的统计特征。芯片内部的非线性动态则会保留数据的主要结构、丢弃冗余细节。

　　实验中，团队用 MNN 重建了一张热带风暴的卫星图像：传输码率压缩至原图片的八分之一，但其关键特征，如风暴的旋转结构、云带走向等仍然清晰可辨。

（来源：《自然-通讯》）

　　解决 AI 感知前端的“最后一公里”

　　这项研究虽然构建了“微波神经网络”，但它在短期内还无法用于 AI 推理。

　　原因是，大语言模型往往需要数十亿到数万亿参数的精确存储与调用，而 MNN 的“参数”和计算逻辑受制于物理结构，参数规模与大模型所需不在一个量级，也无法像数字芯片那样任意执行运算图，可编程性较差；此外，模拟物理计算存在热噪声、工艺偏差和温度漂移等干扰，粗粒度分类够用，要做高数值精度的 Token 预测就很困难了。

　　因此，MNN 的应用场景已经相当明确：将 AI 系统的感知前端从数字域搬进射频域。微波是现代无线通信、雷达、遥感的“母语”，MNN 的算力天然贴合射频信号的物理形态，无需模数转换环节。原始射频信号在物理层直接完成特征提取和粗分类，只把关键结果交给下游数字系统处理。

　　在卫星图像回传、无人机射频态势感知、边缘传感信号识别等对功耗预算极为敏感的场景中，这可能是部署AI 的少数可行路径之一。

　　在更大的计算硬件格局中，MNN 代表着一种新的物理计算范式。

　　数字计算曾凭借冯·诺依曼架构统治工业界近八十年，直到人工智能训练与推理对算力需求的爆炸增长，数据在存储与处理单元之间反复搬运，能效逐渐见顶。

　　行业撞上了内存墙，人们开始重新审视被搁置多年的模拟计算，近年来，用光的干涉直接完成矩阵乘法的光子计算、在数据存储位置完成计算的忆阻器件，以及在硅片上直接模仿神经元发放脉冲的神经形态计算都是可能的解决路径。

　　在此基础上，MNN 位于模拟计算与神经形态计算的交叉点：神经网络本质是对输入做非线性变换再映射到某个语义空间，而在 MNN 中，非线性来自波导之间的相互作用，语义空间就是频谱本身。

　　另外，MNN 也为 AI 安全通信提供了新的方案。如前所述，每颗 MNN 的物理特性略有差异，重新配置需要特定的控制码流，一颗芯片生成的 Token 序列在另一颗芯片上解码的结果并不相同，这就像硬件版的“公钥-私钥”体系。在无人机集群相互通信等多智能体协同场景下，这种绑定物理指纹的通信方式比软件加密更可靠。

　　目前，团队正通过康奈尔技术授权中心的创新加速计划推进 MNN 芯片商业化，专利同步处于国际申请阶段（PCT/US26/10330）。

　　未来，他们计划把无源混频器、模数转换器（低于 25 毫瓦）、数模转换器和一颗轻量级 RISC-V 微控制器全部集成到同一颗芯片上，整个编码-解码系统总功耗控制在 1 瓦以下。集成之后，一颗芯片或多芯片封装模块就能独立完成信号处理的全流程。

　　在 GPU 集群和参数量竞赛占据 AI 主场的当下，MNN 提供了另一种视角：智能计算未必依赖晶体管，许多现有的物理过程都可能被转化为算力。这将为边缘计算打开新的空间，让 AI 进入数字算力无法抵达之处。