光学技术让机器人AI模型实现实时无线更新

在康奈尔科技学院的实验台上，博士后研究员何一帆将一个光学接收器的镜头对准约一米外的红色LED光源。接收器连接的显示器随即刷新，呈现出一组酷似QR码的方块阵列。与手机扫描QR码仅将光信号作为解码起点不同，这台接收器在做一件更直接的事：利用光束产生的光电流，直接改写自身的内存数据。这些光学编码所承载的，不是普通网址，而是AI模型的参数权重。

AI芯片面临的核心困境在于内存容量不足。处理器内置的SRAM速度快但容量有限，无法独立承载完整的AI模型，多余的参数只能存储在外部动态随机存取内存（DRAM）中。数据在DRAM与处理器之间通过电气连接传输，随着系统规模扩大，这一环节的成本与能耗问题日益突出。康奈尔科技学院电气与计算机工程副教授徐在善将其称为「主要瓶颈之一」。

光学链路本可凭借高带宽、低损耗的优势取代金属导线，但现有光学接收器仍依赖耗能较高的模拟电路将光信号转换为电子比特，抵消了光传输的效率优势。新方案的突破在于采用全数字化光通信：发射端以高速闪烁的数字光矩阵传输数据，接收端内嵌光电二极管的SRAM单元直接响应光电流翻转二进制值，彻底绕开模拟转换电路，从而实现更低的整体能耗。

为确保光信号能被准确接收，系统设计了一套校准机制。由于发射器与接收器在实际部署中难以保证完全对齐，芯片会先读取一帧包含各像素预期位置信息的参考数据帧，再以此为基准接收真实数据。何一帆表示，即便发射器存在轻微倾斜，校准电路也能保证数据的正确读取。目前实验室中的发射器仅为概念验证版本，通过金属掩模发射静态的14×14比特光矩阵，团队正与光学研究机构合作开发可动态切换、传输速率达每秒数吉比特的高速发射器。

密歇根大学电气与计算机工程系主任、IEEE会士丹尼斯·西尔维斯特对该研究给予高度评价，认为其具有巨大的商业潜力，但也指出当前光敏存储单元的物理尺寸大于传统SRAM单元，导致芯片可容纳的内存总量减少，可能抵消光学方案带来的效率收益。研究团队表示，正通过优化晶体管与电路尺寸、利用CMOS工艺缩放来持续压缩单元面积。

在应用场景方面，研究团队将目光投向机器人与边缘AI领域。智能仓储和工厂中的机器人可借助光学数据传输，在更新AI模型时节省时间与能耗；受尺寸限制、内存资源极为有限的微型机器人，未来也有望受益于这一技术，但需要针对体积约束进行专项设计优化。西尔维斯特预测，随着智能化加速向终端设备迁移，边缘AI将在未来三至五年内获得与数据中心同等量级的关注度。

要点

• 康奈尔科技学院团队开发出光学接收器，可将类QR码光矩阵直接写入SRAM，无需模拟电路转换，有望降低AI系统整体能耗。
• 该技术通过在SRAM单元中内嵌光电二极管，利用光电流直接翻转二进制值，实现全数字化光学内存更新，绕开了传统电气连接的带宽瓶颈。
• 当前光敏存储单元尺寸大于传统SRAM单元，导致芯片内存密度下降，商业化落地仍需解决单元缩小与高速发射器开发两大关键问题。
• 机器人仓储、工厂自动化及微型机器人是该技术最具潜力的应用方向，边缘AI场景对低功耗内存更新的需求尤为迫切。