Nature Sensors：南加州大学工程师研发硬币大小神经形态芯片 无需电池即可学习
南加州大学（USC）研究人员开发出一种基于模拟忆阻器的设备，能直接处理光、压力等信号并现场学习，仅靠信号自身能量供电。Nature Sensors封面技术实现“无基础设施智能”，适用于医疗传感器、智能眼镜和植入物，可多年无需充电。
数字教条的终结：为何南加州大学的模拟芯片悄然终结云端AI——无需电池
[核心]：究竟发生了什么
你是否想过，为什么健身追踪器三天就没电，而神经植入物仍停留在科幻？因为所有现代电子设备都患有“精神分裂”：传感器读取模拟世界（光、压力、温度），模数转换器（ADC）耗能将其转为0和1，处理器再耗能处理这些比特，存储器又耗能保存——最终设备才宣布“脉搏72”。南加州大学教授J. Joshua Yang直接发问：为什么？
2026年6月2日，Nature Sensors封面文章中，他的团队（共同作者博士后Seung Ju Kim，由CONCRETE Center资助，获美国空军和美国陆军支持）揭晓打破70年链条的设备。他们用两种忆阻器（扩散型和漂移型）构建电路，直接从光电二极管或压电元件获取原始信号，无需外部电源、无ADC、无云端——就地提取模式并存储。光线照射传感器——光能本身驱动忆阻器。压力挤压压电元件——机械脉冲本身供电系统。“信号不仅是待处理数据，”Yang告诉USC Viterbi，“它也是为系统供电的能源。”
然而“自供电”背后被忽略的细节并非30–40%的效率提升。Yang描述的是根本范式转变。2026年全球数据中心已消耗世界电力1–2%，每四年翻倍，到2030年将达4–5%。我们为识别照片中的猫而处理数十亿个0和1，而大脑仅用20瓦完成同样工作。大脑从不将光转为数字，它用模拟动作电位工作。南加州大学芯片亦然。这不是“又一个神经形态原型”，而是首个将传感、记忆和学习融合于单一模拟回路且无需外部电源的实用设备。
时间线与背景
为理解这一飞跃，需回顾忆阻器行业的保守。 “计算忆阻器”概念已有20年，首批实验室样品出现在2010年代中期。它们都有一个缺陷：需要外部编程。你从外部微控制器输入特定脉冲，电阻才改变。这仍是数字思维，只是换了存储类型。Yang和Kim的工作截然不同：他们的忆阻器从输入信号间的时间关系自主学习。Kim直言：“记忆不是由软件学习算法更新，而是源于物理信号间的时间关系。重复的同步信号被强化，无关信号逐渐消退。”
此前，2026年3月同一实验室曾在Nature发表700°C工作的忆阻器。那纯属材料论文。如今他们将高温忆阻器与自供电结合。模拟中，他们在加州森林散布这类传感器网络检测闪电——野火主因。系统用光（瞬时）和声（约340米/秒）的时间差精确重建击中位置。无GPS、无蜂窝网、无服务器。设备仅将延迟存于自身电路。
南加州大学Viterbi新闻稿低调处理的真正突破是无监督学习解决方式。Nature Sensors论文详述机制：扩散型忆阻器（银在二氧化硅中）充当尖峰编码器——信号越强，切换越快，产生脉冲。漂移型忆阻器（氧化铪配钽铂电极）充当突触，在重复巧合上累积权重变化。这是尖峰时间依赖可塑性（STDP）的直接硬件实现，该机制被认为是大脑学习的根基。无需代码行，无处理器指令。
赢家与输家
最大输家#1：ARM及整个边缘处理器生态。 ARM、Qualcomm和MediaTek等公司数十亿美元业务建立在“每传感器必须将数据送处理器执行指令”的假设上。南加州大学芯片不执行任何指令。它无寄存器、无程序计数器、无数据总线，仅物理。当这些设备量产（三到五年，非十到十五年），超低功耗物联网微控制器市场将缩水60–70%。JPR分析师称：“2026年底，去中心化AI和模拟计算将开始出现在可穿戴设备和人形机器人中。”
输家#2：NVIDIA及边缘AI加速器市场。 NVIDIA靠数据中心训练赚钱，但其Jetson边缘推理平台仍是数字猛兽。Jetson Orin耗15–25瓦。南加州大学芯片外部零瓦——从信号本身采集能量。其算力无法与Jetson竞争，但95%的边缘任务（闪电检测、步态分类、实时心律失常识别）无需那种算力。它们需要速度、能源独立和低成本。
受益者#1：医疗植入物。 Yang强调智能眼镜为主要消费用例，但真正奖品是植入物。现有慢性疼痛神经刺激器（如2026年4月融资5250万美元的Nervonik）仍需外部单元和每三到五年手术更换电池。南加州大学芯片可靠脚步生物力学压力或体热运行。无需电池或充电即可学习适应的植入物是神经调控圣杯——现已近一步。
受益者#2：美国国防部。 通过美国空军和美国陆军资助绝非巧合。可被无人机投放在敌后的传感器，能监听、处理、记忆多年且不发射无线电信号，是情报金矿。加州闪电场景是掩护。真正目标是地下核试验地震传感器和识别军用车辆的声学传感器。
媒体未言之事
第一洞见，即使许多工程师也不明显：南加州大学设备不是“计算机”，而是分类器。它能通过光声延迟区分闪电与烟花，能通过压电元件压力模式区分步态A与B。它无法学习乘法表。无反馈回路、无条件分支、无任意计算。它是硬连线于忆阻器物理的专用神经网络。这是模拟计算本质非通用的根本限制，短期内无人能破。因此当前“无电池AI”炒作是营销。真正AI仍需数字。模拟电路仅解决狭窄任务类。
第二洞见：可重复性与参数漂移。Nature Sensors论文展示干净I-V曲线，但从事氧化物忆阻器研究者知道这些器件 notoriously 反复无常。阈值电压逐周期漂移，因氧空位迁移退化，对温度湿度极敏感。南加州大学设备在野外-20°C至+50°C、10%至95%湿度一年后表现如何？论文沉默。CONCRETE Center获军方资助，那些测试几乎肯定在进行，但公开数据要到商用版出现才会公布。
第三洞见：有机神经形态系统竞争。同一期Nature Sensors，Fabiano等报道软有机电化学神经元在生物速度（最高1.1 kHz）、低于0.7 V和每尖峰40 pJ下工作。这是竞争技术。有机物可直接植入大脑，因柔软且无炎症。南加州大学忆阻器刚性，适合外周传感器而非神经接口。市场将分化。长期谁胜仍不明。
预测：未来30天与90天
未来30天（2026年6月）：专利申请与商业许可浪潮。
南加州大学Viterbi将就“带扩散与漂移忆阻器的自供电神经形态系统”架构提交专利。预计至少三到四项申请，优先权自2026年6月2日发表日。Yang已有商业化记录；其早期高温忆阻器工作吸引油田服务公司（Baker Hughes、Schlumberger）。可穿戴电子制造商现将加入队列。Garmin、Apple和Oura Ring都将索取样品，评估永不充电的健身追踪器。
未来90天（2026年8–9月）：代工厂合作与首批工程原型。
南加州大学设备建于印刷电路板，含分立忆阻器、电阻和电容。商业化需集成——忆阻器须嵌入硅芯片 atop 标准CMOS逻辑（或取代之）。90天内，南加州大学预计宣布与Arm授权方或独立代工厂（可能TSMC或Intel Foundry Services）合作，生产系统级芯片（SoC）工程样品，其中忆阻器分类器旁置常规处理器处理更复杂任务。
新闻稿省略的风险：将新材料（银、锶钛掺杂氧化铪，如剑桥平行工作）纳入标准CMOS流程非易事。除非看到主要OEM保证高量订单，否则TSMC可能拒绝。南加州大学届时需转向专业忆阻器代工厂如Weebit Nano或Knowm，将商业化推迟两到三年。
最后，Yang的话应让投资者警惕：“能源是数据中心关键问题。向世界上最高效计算机——我们的大脑学习。”优雅，但大脑靠20瓦、860亿神经元运行。南加州大学芯片用两个忆阻器。原理可扩展，但原理与 microwatt 超级计算机间的差距三年内不会弥合。涌入忆阻器初创公司的投资者或失望；可靠性、可重复性和规模化问题仍未解。第一步已迈出——且迈得精彩——不可否认。
— Editorial Team
