当自动驾驶出租车以 60 公里的康奈时高效穿过市区，毫米波雷达在前方 30 米处捕捉到一个物体的尔团回波时，系统必须在几毫秒内作出判断：它是队提订阅即将进入行车方式的行人，或者仅仅是出微一只被风卷起的塑料袋？对于这一场景，目前的波神主流方式划是，雷达接收到的经网射往往信号被转为数字数据，送入车载 AI 芯片的络功神经网络中开展运算，最后输出分类结荚，耗低号射较首先的至毫延迟和更大的功耗是无法回避的短板。但近日，瓦信往往网易康奈尔大学（Cornell University）的脉冲探究人员设方式出一种名为“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康奈转换和运算步骤，直接由芯片内部的尔团物理流程实现识别。他们让微波芯片像大语言模型采取 Token 那样，队提订阅把材料编码并压缩进了射往往域。出微相关探究 7 月 29 日发表在《自然-通讯》（Nature Communications）。微波也能充当“神经元”这项探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）做过射往往集成电路工程师、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方式原则。在射往往领域，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频仍会让信号失真，需工程师花费精力处理。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方式算资源。2025 年 8 月，巴拉与团队在《自然-电子学》（Nature Electronics）发文，报告了全球首先个完全集成的微波“大脑”，验明正身了用物理流程实现方式算的可行性。（来源：康奈尔大学）原型芯片以 CMOS 原则工艺制造，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，直接在传播流程中实现特点提取。芯片工作往往率横跨数十吉赫兹，整片功耗低于 200 毫瓦，在多项无线信号分类任务中实现 88% 以上的准确率，同时还能从雷达回波中追踪高效行目的轨迹。最新工作的芯片架构沿袭前作，但将工作负载推至材料编码与压缩层面。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。比较之下，数字神经网络需中央处理器（CPU）或图形处理器（GPU）按时钟周期一步步实施乘加运算，而 MNN 让运算与信号传播同步开展，几乎瞬时实现。同时，MNN 芯片的输入高效率可以实现千兆比特每秒（Gbps）级别，但另一侧的重新配置只需慢高效的兆比特每秒（Mbps）控制码流。因此，这套架构相当于用一根慢高效的“缰绳”驾驭一头快捷的“方式算兽”，省去了传统芯片在数十吉赫兹往往段做数字采样的巨大功耗。不一样类型的输入信号进入芯片后，会激发出各自独特的输出往往条件指纹。无需采样时域波形再推理，比较往往条件就能实现分类。因此，MNN 展现的首先个能力是模式识别。前作中，芯片已经能够对射往往信号做出粗粒度分类，识别不一样的调制编码方式、检测往往率漂移进而追踪高效行轨迹。新比如文更进一步，让 MNN 实现材料编码任务。与大语言模型把词语映射为高维向量类似，芯片可以把后续的数据输入组织成一组“微波 Token 嵌入”，每个 Token 是一段分布式往往条件脉冲，相邻 Token 之间保留了输入数据的时序与语义关联。巴拉验明正身称，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 还具有强大的数据压缩能力。探究人员发现，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，与方式算机输出二进制不一样，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方式特点。芯片内部的非线性动态则会保留数据的题结构、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，但其题特点，如风暴的旋转结构、云带走向等仍然清楚可辨。（来源：《自然-通讯》）处理 AI 感知前端的“最后一公里”这项探究虽然构建了“微波神经网络”，但它在短期内还无法用于 AI 推理。因素是，大语言模型频仍需数十亿到数万亿参数的准确存储与调用，而 MNN 的“参数”和方式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实施运算图，可编程性较差；同时，模拟物理方式算存在热噪声、工艺偏差和温度漂移等干扰，粗粒度分类够用，关键做高数值精度的 Token 预测就很不易了。因此，MNN 的采取场景已经相当清楚：将 AI 系统的感知前端从数字域搬进射往往域。微波是现代无线通信、雷达、遥感的“母语”，MNN 的算力天然贴合射往往信号的物理形态，无需模数转换环节。原始射往往信号在物理层直接实现特点提取和粗分类，只把题结荚交给下游数字系统处理。在卫星图像回传、无人机射往往态势感知、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 的那么点儿可行馗之一。在更大的方式算硬件格局中，MNN 代表着一种新的物理方式算范式。数字方式算曾凭借冯·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的爆炸增首先，数据在存储与处理单元之间反复搬运，能效逐渐见不过。行业撞上了内存墙，人们最初重新审视被搁置多年的模拟方式算，近年来，用光的干涉直接实现矩阵乘法的光子方式算、在数据存储位置实现方式算的忆阻器件，以及在硅片上直接模仿神经元发放脉冲的神经形态方式算都是可能的处理馗。在此基础上，MNN 位于模拟方式算与神经形态方式算的交叉点：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功能，语义空间就是往往条件本身。同时，MNN 也为 AI 安全通信给予了新的方式划。如前所述，每颗 MNN 的物理特性略有区别，重新配置需特定的控制码流，一颗芯片生成的 Token 序列在另一颗芯片上解码的结荚并不相同，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高效方式划推进 MNN 芯片商业化，专利同步处于国际申请时期（PCT/US26/10330）。未来，他们方式划把无源混往往器、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实现信号处理的全步骤。在 GPU 集群和参数量竞赛占据 AI 主场的当下，MNN 给予了另一种视角：智能方式算未必依赖晶体管，许多现有的物理流程都可能被转化为算力。这将为边缘方式算打开新的空间，让 AI 进入数字算力无法抵达之处。参考材料：1. https://www.nature.com/articles/s41467-026-75783-22. https://news.cornell.edu/stories/2026/07/cornell-researchers-teach-microwave-brain-new-language3. https://news.cornell.edu/stories/2025/08/researchers-build-first-microwave-brain-chip