杜克大学的研究人员正在开发一种全新的边缘计算方法，让小型设备无需依赖高性能硬件也能做出更智能的决策。随着无人机、机器人和各类传感器在通信网络“边缘”自主运行，如何在资源受限的微型设备上部署大型人工智能（AI）模型，始终是一大挑战：本地存储模型会快速耗尽电量，而将计算任务上传至云端则会带来延迟和安全风险。

为此，研究团队提出了“无线智能边缘”（Wireless Smart Edge, WISE）网络架构——它将AI模型的权重参数直接嵌入设备与基站之间传输的无线电波中，从而在不牺牲性能的前提下，实现快速、低功耗的边缘AI推理。这项研究成果已于2026年1月9日在线发表于《科学进展》Science Advances），由杜克大学电气与计算机工程系Nortel Networks助理教授Tingjun Chen领衔，并与麻省理工学院电子研究实验室（RLE）Dirk Englund团队合作完成。该方法的核心理念是“物理域模拟计算”（in-physics analog computing）。

传统数字计算依赖二进制代码：设备将数据转换为0和1，再送入数字处理器执行一连串数学运算。即便是用生物识别解锁手机这样简单的操作，也会触发大量高速计算。这种方式虽可靠，但对电池供电的小型设备而言效率极低。

而物理域计算则另辟蹊径：它不再将0和1从边缘设备传送到远程处理器，而是利用无线电波在传播过程中的自然物理特性，直接完成部分计算任务。

在WISE系统中，基站存储完整的AI模型，并广播一个射频（RF）信号，其中编码了模型所需的权重参数（即完成计算所需的关键数值）。当该信号到达附近设备时，设备内置的射频硬件会将接收到的广播信号与其自身的输入数据进行混合——这一过程可在射频或模拟域中直接完成计算。例如，一个无源频率混频器就能“近似”实现两个时域射频信号的乘法运算。这种在射频层面直接发生的模拟混合操作，恰好对应深度学习模型中的关键计算步骤，无需调用数字处理器。

“我们充分利用了现有微型电子器件本身具备的计算能力，”Tingjun Chen表示，“与其在专为数字计算设计的芯片上运行模型的每一步，不如让无线电波自身以更适合计算的方式传递信息。”

由于设备既无需存储完整模型，也无需进行数字运算，WISE有效规避了当前边缘AI面临的高内存占用与高能耗瓶颈。

论文第一作者、Tingjun Chen实验室的博士生Zhihui Gao指出，这一技术有望广泛应用于各类设备。“无人机、摄像头和交通传感器持续产生海量数据，却难以运行能有效解读这些数据的先进AI模型。WISE为它们提供了新可能。”

“技术正朝着更小、更强的方向发展，”Zhihui Gao说，“要实现这一目标，边缘计算必须取得突破。WISE证明，设备完全可以在不依赖重型芯片或远程服务器的情况下，运行强大的AI模型。”

他还强调，WISE的一大优势在于可兼容现有基础设施。当前部署的5G基站、未来的6G系统，甚至普通Wi-Fi路由器，只需进行小幅调整，即可用于广播AI模型。此外，日常无线设备中普遍配备的频率混频器等硬件，已足以支持这种物理域计算。

“我们没有引入任何特殊元件，也没有开发全新硬件，”Zhihui Gao解释道，“只是复用了广泛部署、且几乎不额外耗电的现有功能模块。”

实验结果显示，WISE在图像分类任务中达到了近96%的准确率，而能耗比主流数字处理器降低了一个数量级以上（即不到其十分之一）。

尽管前景广阔，WISE目前仍处于早期阶段。当前原型仅适用于短距离通信，若要实现远距离应用，还需更强的发射功率或与下一代无线设备集成。此外，虽然该方法具有灵活性，但若需同时广播多个AI模型，则需高效复用时域、频域和空域资源，或增加可用频谱带宽。

即便如此，研究团队对其应用潜力充满信心。例如，单个基站可支持搜救任务中的无人机集群协同作业，或帮助多个交通摄像头联动优化路口信号控制。

“这是无线技术迈向与有线系统同等强大能力的下一步，”Tingjun Chen总结道，“未来网络不仅能传输数据和信息，还将通过融合通信与计算，大规模分发‘智能’——这为实现高能效、广覆盖的边缘AI开辟了全新方向。”