當自動駕駛計程車以60公里的時速穿過市區，毫米波雷達在前方30米處捕捉到一個物體的回波時，系統必須在幾毫秒內作出判斷：它是即將進入行車道的行人，或者僅僅是一隻被風捲起的塑膠袋？
對於這一場景，目前的主流方案是，雷達接收到的射頻信號被轉為數字數據，送入車載 AI晶片的神經網絡中進行運算，最後輸出分類結果，較長的延遲和更大的功耗是無法迴避的短板。
但近日，康奈爾大學（Cornell University）的研究人員設計出一種名為「微波神經網絡」（MNN）的新架構，可讓雷達信號跳過所有數位化的轉換和運算步驟，直接由晶片內部的物理過程完成識別。
他們讓微波晶片像大語言模型使用 Token那樣，把信息編碼並壓縮進了射頻域。相關研究7月29日發表在《自然-通訊》（Nature Communications）。
微波也能充當「神經元」
這項研究由康奈爾大學博士生巴拉·戈文德（Bala Govind）主導，讀博之前，他曾在德州儀器（Texas Instruments）做過射頻積體電路工程師、在TDK應美盛（TDK InvenSense）做過微機電系統（MEMS）原型工程師，這些經歷讓他跳出了傳統電路設計原則。
在射頻領域，以通用的矽基晶片工藝（CMOS）製造的微波電路中，非線性效應和低品質因子常常會讓信號失真，需要工程師花費精力解決。但巴拉意識到，如果這些「缺陷」恰好能產生複雜的、依賴輸入的非線性變換，它們反而有潛力成為一種全新的計算資源。
2025年8月，巴拉與團隊在《自然-電子學》（Nature Electronics）發文，報告了全球首個完全集成的微波「大腦」，驗證了用物理過程完成計算的可行性。
原型晶片以 CMOS標準工藝製造，在矽片上排布出一組相互耦合的微波波導，利用其非線性動力學承擔神經網絡所需的運算：微波信號進入晶片後無需數位化採樣，直接在傳播過程中完成特徵提取。晶片工作頻率橫跨數十吉赫茲，整片功耗低於200毫瓦，在多項無線信號分類任務中達到88%以上的準確率，同時還能從雷達回波中追蹤飛行目標軌跡。
最新工作的晶片架構沿襲前作，但將工作負載推至信息編碼與壓縮層面。在物理機制上，輸入信號進入晶片後，波導之間的耦合關係會隨信號模式發生變化，即數據本身重新編程了神經元之間的連接。對比之下，數字神經網絡需要中央處理器（CPU）或圖形處理器（GPU）按時鐘周期一步步執行乘加運算，而 MNN讓運算與信號傳播同步進行，幾乎瞬時完成。
而且，MNN晶片的輸入速率可以達到千兆比特每秒（Gbps）級別，但另一側的重新配置只需要慢速的兆比特每秒（Mbps）控制碼流。因此，這套架構相當於用一根慢速的「韁繩」駕馭一頭高速的「計算獸」，省去了傳統晶片在數十吉赫茲頻段做數字採樣的巨大功耗。
不同類型的輸入信號進入晶片後，會激發出各自獨特的輸出頻譜指紋。無需採樣時域波形再推理，對比頻譜就能完成分類。因此，MNN展現的第一個能力是模式識別。前作中，晶片已經能夠對射頻信號做出粗粒度分類，識別不同的調製編碼方式、檢測頻率漂移進而追蹤飛行軌跡。
新論文更進一步，讓 MNN完成信息編碼任務。與大語言模型把詞語映射為高維向量類似，晶片可以把連續的數據輸入組織成一組「微波 Token嵌入」，每個 Token是一段分布式頻譜脈衝，相鄰 Token之間保留了輸入數據的時序與語義關聯。
巴拉介紹稱，這就像「建立了一套微波詞典」：一顆微波神經網絡生成的 Token序列，只有另一顆同類晶片按照正確的配置碼流才能解讀。
MNN還具備強大的數據壓縮能力。研究人員發現，向晶片灌入千兆比特級別的數據流（例如8位像素的圖像數據）後，與計算機輸出二進位不同，微波晶片輸出的是一組概率比特（p-bits），其取值傾向能反映輸入數據的統計特徵。晶片內部的非線性動態則會保留數據的主要結構、丟棄冗餘細節。
實驗中，團隊用 MNN重建了一張熱帶風暴的衛星圖像：傳輸碼率壓縮至原圖片的八分之一，但其關鍵特徵，如風暴的旋轉結構、雲帶走向等仍然清晰可辨。
（來源：《自然-通訊》）
解決 AI感知前端的「最後一公里」
這項研究雖然構建了「微波神經網絡」，但它在短期內還無法用於 AI推理。
原因是，大語言模型往往需要數十億到數萬億參數的精確存儲與調用，而 MNN的「參數」和計算邏輯受制於物理結構，參數規模與大模型所需不在一個量級，也無法像數字晶片那樣任意執行運算圖，可編程性較差；此外，模擬物理計算存在熱噪音、工藝偏差和溫度漂移等干擾，粗粒度分類夠用，要做高數值精度的 Token預測就很困難了。
因此，MNN的應用場景已經相當明確：將 AI系統的感知前端從數字域搬進射頻域。微波是現代無線通信、雷達、遙感的「母語」，MNN的算力天然貼合射頻信號的物理形態，無需模數轉換環節。原始射頻信號在物理層直接完成特徵提取和粗分類，只把關鍵結果交給下游數字系統處理。
在衛星圖像回傳、無人機射頻態勢感知、邊緣傳感信號識別等對功耗預算極為敏感的場景中，這可能是部署AI的少數可行路徑之一。
在更大的計算硬體格局中，MNN代表著一種新的物理計算範式。
數字計算曾憑藉馮·諾依曼架構統治工業界近八十年，直到人工智慧訓練與推理對算力需求的爆炸增長，數據在存儲與處理單元之間反覆搬運，能效逐漸見頂。
行業撞上了記憶體牆，人們開始重新審視被擱置多年的模擬計算，近年來，用光的干涉直接完成矩陣乘法的光子計算、在數據存儲位置完成計算的憶阻器件，以及在矽片上直接模仿神經元發放脈衝的神經形態計算都是可能的解決路徑。
在此基礎上，MNN位於模擬計算與神經形態計算的交叉點：神經網絡本質是對輸入做非線性變換再映射到某個語義空間，而在 MNN中，非線性來自波導之間的相互作用，語義空間就是頻譜本身。
另外，MNN也為 AI安全通信提供了新的方案。如前所述，每顆 MNN的物理特性略有差異，重新配置需要特定的控制碼流，一顆晶片生成的 Token序列在另一顆晶片上解碼的結果並不相同，這就像硬體版的「公鑰-私鑰」體系。在無人機集群相互通信等多智能體協同場景下，這種綁定物理指紋的通信方式比軟體加密更可靠。
目前，團隊正通過康奈爾技術授權中心的創新加速計劃推進 MNN晶片商業化，專利同步處於國際申請階段（PCT/US26/10330）。
未來，他們計劃把無源混頻器、模數轉換器（低於25毫瓦）、數模轉換器和一顆輕量級 RISC-V微控制器全部集成到同一顆晶片上，整個編碼-解碼系統總功耗控制在1瓦以下。集成之後，一顆晶片或多晶片封裝模塊就能獨立完成信號處理的全流程。
在 GPU集群和參數量競賽占據 AI主場的當下，MNN提供了另一種視角：智能計算未必依賴電晶體，許多現有的物理過程都可能被轉化為算力。這將為邊緣計算打開新的空間，讓 AI進入數字算力無法抵達之處。
