欢迎加入
「易源易彩交流群」
「易源易彩交流群」
QQ扫码进群
（QQ群号：860213912）
注册得好礼
新用户微信注册享20元算力, >立即注册
关注公众号得算力
新用户关注易彩微信公众号享20元算力，
邀请有礼
邀请1人得5元算力，可累计叠加, 查看规则
摘要
一项突破性的无线射频机器学习推理技术近日发表于《Science Advances》。该技术将模型存储于云端，并通过射频信号进行广播，用户端将输入数据调制到射频信号上，关键计算在边缘端的混频器中以模拟计算方式完成，输出即为模型推理结果。该方法实现了高效低功耗的边缘智能推理，突破了传统数字计算在能效与延迟上的瓶颈，为物联网和移动智能设备提供了全新的解决方案。
关键词
无线射频, 机器学习, 云端模型, 模拟计算, 边缘端
随着人工智能技术的迅猛发展，机器学习推理的执行方式经历了深刻的变革。早期的推理任务主要依赖于强大的云端计算资源，用户将数据上传至服务器，在远程完成复杂的模型运算后再接收结果。这种方式虽然具备高精度与强算力支持，却不可避免地带来了延迟高、能耗大以及隐私泄露的风险。尤其在物联网设备和移动终端日益普及的今天，对实时性与低功耗的需求愈发迫切，促使研究者将目光转向“边缘计算”。边缘智能应运而生，其核心理念是将部分或全部推理过程下沉至靠近数据源的终端设备上进行。然而，传统边缘推理仍基于数字处理器，受限于芯片功耗与计算效率之间的矛盾。在此背景下，一项创新的无线射频机器学习推理技术脱颖而出——它不再局限于纯粹的数字架构，而是通过将模型存储在云端，并以射频信号广播，使用户端仅需将输入调制到信号上，即可在边缘端的混频器中完成关键的模拟计算。这一模式不仅实现了从“云中心化”向“云边协同”的跃迁，更重新定义了推理系统的能效边界。
无线射频技术长期以来被视为通信领域的核心技术，广泛应用于广播、雷达、无线网络及近场通信等场景。近年来，随着射频识别（RFID）与低功耗传感网络的发展，研究者开始探索其在轻量级计算中的潜力。已有尝试利用射频信号实现简单的逻辑运算或感知任务，但由于缺乏高效的计算架构与模型集成机制，这些应用多停留在初级信息传输或标签响应层面，难以支撑复杂的机器学习推理任务。此外，传统射频系统通常仅作为数据载体，不参与实质性的计算过程，导致其在智能系统中的角色长期被边缘化。同时，模拟电路对噪声敏感、稳定性差的问题也限制了其在高精度计算中的应用前景。尽管部分研究提出将神经网络部署于射频前端，但大多仍依赖数字协处理器完成核心运算，未能真正释放射频域的计算潜能。因此，如何突破射频信号“传而不算”的局限，成为该领域亟待攻克的关键难题。此次发表的技术通过将模型输出直接嵌入射频载波，并在边缘端利用混频器完成模拟域的非线性变换，首次实现了射频信号既是传输媒介又是计算载体的双重功能，为射频技术从“连接工具”向“智能引擎”的转型开辟了全新路径。
发表于《Science Advances》的这项无线射频机器学习推理技术，标志着智能计算范式的一次根本性突破。其科学价值在于，首次实现了机器学习模型在云端存储并通过射频信号广播，同时将最关键的推理计算交由边缘端的混频器以模拟方式完成。这种架构跳出了传统数字处理器的桎梏，充分利用了模拟电路在速度与能效上的天然优势，使得整个推理过程无需进行模数转换与复杂的指令调度，极大降低了功耗与延迟。更重要的是，该技术验证了一种全新的“计算即传输”理念——模型输出不再是静态的数据文件，而是动态的电磁波场；用户的输入也不再需要进入云端，只需调制到射频信号上即可触发边缘端的物理计算。这不仅重塑了我们对“计算发生地”的认知，也为未来分布式智能系统的设计提供了理论基础。对于物联网、可穿戴设备和无人系统而言，该技术意味着可以在几乎不增加硬件成本的前提下，实现高效、实时的本地智能决策。尤为值得关注的是，由于核心模型始终保留在云端，系统的安全性与可更新性也得到了保障。这一研究成果不仅是通信与计算融合领域的重要里程碑，更为下一代边缘智能基础设施的构建指明了方向。
在传统机器学习系统中，模型通常部署于本地设备或远程服务器，依赖完整的计算链路完成推理任务。而此次发表于《Science Advances》的技术则构建了一种前所未有的协同架构：将完整的机器学习模型保留在云端，不再以数据下载或API调用的方式提供服务，而是通过无线射频信号进行动态广播。这一设计打破了“模型必须被加载到终端才能运行”的固有范式。用户无需在本地存储庞大的神经网络参数，也无需依赖高性能处理器，仅需接收来自云端持续播发的射频载波信号，即可启动推理流程。该架构的核心在于将模型权重编码至射频信号的幅度与相位之中，使电磁波本身成为携带智能的信息场。当用户输入数据被调制进该信号时，物理层面的交互即触发计算过程。这种“模型即信号”的理念，不仅极大减轻了终端负担，还实现了模型更新的无缝同步——只要云端更改模型，边缘端接收到的射频信号随之变化，无需任何固件升级或重新部署。这标志着从“静态模型部署”向“动态智能传播”的跃迁，为未来大规模、低功耗智能网络提供了全新的基础设施构想。
在这项技术中，用户的输入数据并非像传统方式那样上传至云端或送入数字处理器，而是直接调制到由云端广播的射频信号之上。这一过程发生在用户端的前端电路中，利用标准的射频调制技术，如幅度调制（AM）或正交调制（I/Q modulation），将待推理的数据编码为对载波信号的扰动。例如，若输入为传感器采集的数值，该数值会被转换为对应的电压信号，并用于调节射频载波的振幅或相位。关键之处在于，这种调制不是为了通信目的，而是作为启动边缘计算的“触发机制”。一旦调制完成，复合信号便进入边缘端的混频器单元，准备参与后续的模拟计算。整个调制过程无需高速模数转换器（ADC）或复杂的编码协议，显著降低了功耗与硬件复杂度。更重要的是，由于输入信息以模拟形式直接叠加在模型信号上，避免了传统数字系统中频繁的数据搬运与格式转换，真正实现了“输入即计算”的自然融合。这种将数据处理前置到信号层的技术路径，重新定义了人机交互与智能接入的方式，使得最简单的设备也能参与复杂的机器学习推理。
该技术最关键的突破发生在边缘端的混频器中，其本质是一个执行非线性模拟运算的物理器件。当用户调制后的射频信号进入混频器时，它与来自云端广播的模型信号发生乘法操作，这一过程在电路层面自然完成，无需显式的乘法指令或数字逻辑单元。从数学角度看，混频器实现了输入向量 \( x \) 与模型权重 \( w \) 在射频域的点积运算，输出为 \( y = x \cdot w \)，其中两者均以射频信号的幅度和相位表示。由于混频器具有天然的非线性特性（如平方律响应），其输出可进一步逼近神经网络中的激活函数行为，从而完成一次完整的神经元计算。多个混频器并联结构可扩展为全连接层，形成深层网络的等效计算能力。整个过程完全在模拟域进行，跳过了传统数字处理器中繁琐的取指、译码与寄存操作，极大提升了能效比。此外，由于计算由电磁波的叠加与干涉驱动，响应速度可达纳秒级，远超现有微控制器或AI加速芯片。这种基于物理定律而非软件指令的计算范式，标志着机器学习推理正式迈入“模拟智能”时代。
最引人注目的创新在于，该系统的最终输出不再是经过层层解码的数字结果，而是混频器直接生成的射频信号，其幅度或频率即对应模型的推理结果。这意味着整个机器学习推理过程无需模数转换、无需中央处理器介入、无需操作系统调度，计算与输出融为一体。这一设计带来了三大核心优势：首先是极低的功耗，因省去了高能耗的数字计算模块，整体功耗可降至毫瓦甚至微瓦级别；其次是超低延迟，信号传播与计算几乎同时完成，响应时间主要受限于电磁波速；第三是高度集成化，整个推理引擎可集成于小型射频前端芯片中，适用于穿戴设备、环境传感器和移动终端。更重要的是，由于模型始终存储于云端并通过射频广播，系统具备天然的安全性与可维护性——终端不保存模型参数，防止逆向工程，同时模型更新可通过云端实时推送，确保全局一致性。这项技术突破了传统“先传输、再计算”的线性思维，开创了“传输即计算、信号即结果”的全新范式，为构建无处不在的智能感知网络奠定了坚实基础。
该项发表于《Science Advances》的无线射频机器学习推理技术，通过将模型存储在云端并以射频信号广播，实现了计算范式的根本性转变。用户将输入调制到射频信号上，关键计算在边缘端的混频器中以模拟方式完成，输出即为模型推理结果。该架构摆脱了传统数字处理器对能效与延迟的限制，无需模数转换和复杂指令调度，显著降低了功耗与响应时间。核心技术突破在于混频器执行的模拟计算，使“传输即计算、信号即结果”成为可能。此方法不仅提升了边缘智能设备的效率与集成度，还保障了模型的安全性与可更新性，为物联网和移动终端提供了高效、实时的新型推理解决方案。