文章核心观点 - 提出了一种名为“分离式计算”或“射频域物理计算”的全新机器学习推理范式，通过在射频域利用混频器进行模拟计算，将模型以无线信号广播，边缘设备无需存储模型或进行复杂数字计算即可完成推理，从而在保护隐私的同时，大幅降低带宽消耗、边缘设备算力需求及系统能耗 [8][11][29] 模型-数据的分解式计算 - 传统边缘AI推理存在两种方案：一是上传输入数据至云端，消耗大量带宽且存在隐私风险；二是将模型下载至边缘设备，挑战边缘算力并带来存储读写开销 [5][6][7] - 提出的第三种方案是“广播模型并在射频上完成计算”，模型存储在云端并通过射频广播，用户将模型输入调制到射频上，所有计算在边缘设备的混频器中以模拟方式完成，直接输出模型结果 [8][11] 利用混频器进行矩阵向量乘 - 混频器本质是时域乘法器，通过将广播的模型信号与本地调制的模型输入信号相乘，其输出即为模型输出 [14] - 在数字信号处理中，时域乘法对应频域卷积，从而可将模型推理抽象为矩阵向量乘 `y = Wx` 并用卷积实现 [14] - 通过在发送前预调制无线信道的逆，确保边缘设备接收到的信号即为所需的模型权重矩阵 `W` [14] 在测试平台上的实验 - 实验在软件定义无线电测试平台上进行，使用 USRP X310 作为无线收发机，ZEM-4300+ 作为混频器 [17] - 使用 915 MHz 频率和 25 MHz 带宽无线广播模型 [18] - 对通用复数域的 4096 点向量内积进行精度测试，最高计算精度达到 5.5 bit，满足大部分机器学习推理需求 [19] 计算能耗分析 - 对于输入维度 `N`、输出维度 `M` 的矩阵向量乘，系统能耗主要来自数模转换器、模数转换器和解码器 [22][24] - 整个系统能耗为 `O(M + kMN)`，均摊到单个乘累加操作上为 `O(1/N + k)`，其中 `k` 远小于1，表明计算规模越大，单个操作能耗越低 [22] - 在实验平台上实现了最高 32,768 点的向量内积，能耗达到飞焦级，比传统数字计算的皮焦级低 2~3 个数量级 [23] 机器学习推理 - 在 MNIST 数据集上，使用单全连接层模型进行了演示 [27] - 对于三全连接层模型，传统数字计算精度为 98.1%，而该框架下精度达 95.7%，但能耗仅需 6.03 fJ/MAC，单次推理总计 6.42 fJ [27] - 在 AudioMNIST 语音识别数据集上，精度达到 97.2%，能耗进一步降至 2.8 fJ/MAC [28] 核心创新总结 - 模型无线广播，多终端同时推理：神经网络模型被编码为射频信号广播，覆盖范围内任意数量设备可同步完成推理，实现“计算即广播” [29] - 无需改硬件，把“算力”直接搬进无线射频：利用边缘设备已有的射频混频器完成乘加运算，无需专用AI芯片或电路改动，实现“零额外能耗”的模拟计算 [30] - 单个射频器件即可支持规模化维度的神经网络计算：通过频域编码，单个混频器可完成高达 32,768 维的内积运算，突破了传统模拟计算的规模限制 [31]

公司业务动态 - 子公司成都亚光作为产线建设供应商之一，参与了此次卫星产线建设 [1] - 当前相关卫星产线建设订单金额较小 [1] 公司产品与技术 - 公司在卫星领域有相关产品可实现配套，包括射频前端的低噪放、混频器、功分器、滤波器、信号检测电路等 [1] - 公司的复合功能微波模块组件也可实现配套，例如TR组件等 [1]

公司业务与产品 - 公司自研的MMIC芯片（含T/R芯片）除满足自身产品需求外，也对外进行销售 [1] - 在卫星互联网及通信应用方面，公司可提供射频前端等多种配套产品，例如低噪声放大器、混频器、功分器、滤波器、信号检测电路等 [1] - 公司具备复合功能微波模块及组件（如TR组件）的设计与配套能力 [1] 市场应用与客户 - 客户采购公司芯片后广泛用于多种用途，其中包含卫星通信相关领域 [1] - 目前，公司产品已应用于部分卫星星座建设项目，如GW星座计划等 [1] 发展战略 - 未来公司将继续紧跟卫星通信及低轨星座发展趋势，积极对接客户需求 [1] - 公司将持续拓展产品在卫星通信及低轨星座相关领域的应用与市场份额 [1]

公司业务布局 - 公司在卫星互联网和通讯领域提供微波信道类产品配套 包括射频前端的低噪放 混频器 功分器 滤波器 信号检测电路等 [2] - 公司具备复合功能微波模块组件配套能力 例如TR组件等产品 [2] 技术能力 - 公司微波产品技术可覆盖卫星互联网领域和通讯领域的配套需求 [2]