语音小管家在最新发表在Nature上的一项研究中，特温特大学（University of Twente）与 IBM Research Europe、丰田汽车欧洲公司（Toyota Motor Europe）合作，提出了一种新型“物理计算”语音识别方法。这项工作由 Wilfred van der Wiel 教授及其同事主导，展示了如何通过材料本身的物理特性来实现语音处理，而无需依赖高功耗处理器或复杂的软件堆栈。
随着物联网、自动驾驶和个性化医疗等应用的发展，边缘设备（edge devices）对低功耗、低延迟的本地信号处理需求不断增加。然而，传统的语音识别系统依赖数字处理链：声音信号需要经历模数转换、傅里叶变换及复杂的特征提取，再交由大型神经网络分类。这一过程受制于冯·诺依曼瓶颈以及多重域转换，难以在低功耗条件下于边缘端高效运行。
方法与架构
研究团队提出的解决方案是结合两类新兴的物理计算硬件：
1.可重构非线性处理单元（Reconfigurable Nonlinear Processing Unit, RNPU）
RNPU 室温下的可调非线性与短时记忆表征图。图片来源：Adapted from Zolfagharinejad, M., et al. (2025). Analogue speech recognition based on physical computing. Nature.https://doi.org/10.1038/s41586-025-09501-1. Fig.2
灵感来源于人耳耳蜗，能够在模拟电路中直接对时域信号进行非线性分解与压缩。
通过掺杂硅结构形成的复杂能量景观和电荷传输机制，使其表现出频率选择性、压缩非线性与短时记忆特性。
在毫秒尺度上可实现类似耳蜗毛细胞的动态响应，将原始音频信号转化为低维度但信息丰富的特征表示。
每次推理仅消耗约300 nJ，远低于数字滤波器或神经网络前端处理所需的能量
基于 IBM “HERMES” 项目的相变存储器（PCM）交叉阵列，能够在存储阵列中直接执行矩阵–向量乘法，从而避免传统处理器频繁的存取开销。
在实验中被用于实现卷积神经网络（CNN）分类器，承担语音识别中的后端分类任务。
单次推理的能耗约78 µJ，延迟小于0.35 毫秒，未来优化后有望降至 10 µJ 的级别。
TI-46-Word 数据集（口语数字识别）：全硬件系统达到96.2%的准确率，仅比软件 CNN 模型低约 2 个百分点。
Google Speech Commands（关键词识别）：实现89.3%的准确率，接近全软件系统的92.4%水平，若采用带 Swish 激活函数的 6 层 CNN，RNPU 预处理后准确率可提升至 93.1%，且计算量减少一半以上。
在系统级别的评估中，RNPU 与 AIMC 结合的架构在能效上大幅优于当前主流数字方案：
能效：RNPU单通道静态功耗仅 1.9 nW，64 通道并行也仅需 320 nW；单次特征提取推理能耗约 300 nJ，远低于数字滤波器或神经网络前端处理所需能量。
面积：每个 RNPU 通道仅占约 1 µm² 硅面积，远小于传统 CMOS 滤波电路。
延迟：RNPU 实时运行，不引入额外延迟，AIMC 分类器延迟不足 0.5 毫秒。
系统指标：整体能量–延迟乘积比现有 22 nm 工艺的语音识别专用芯片高效约 8.5 倍。
研究人员指出，这一方法不仅适用于语音识别，还可推广至其他时序信号处理任务，包括视频流分析、心电与脑电信号分类以及环境传感器数据处理等。目前 RNPU 与 AIMC 仍处于分立器件阶段，未来可通过异质集成实现更高程度的硬件整合。
总 结
该研究展示了一种基于物理计算的新型语音识别架构，结合了模拟特征提取与存内分类。在保持较高识别准确率的同时，显著降低了功耗与延迟，为边缘设备的高效时序信号处理提供了一条新的途径。
