环境光能否为下一代光电边缘 AI 提供动力？

边缘人工智能（Edge AI）正面临着一个严峻的物理极限：功耗。随着深度学习模型变得越来越复杂，在受电池限制的物联网（IoT）设备、远程传感器和可穿戴技术上部署这些模型变得异常困难。虽然像 n1n.ai 这样的云端大语言模型（LLM）聚合平台可以在数据中心无缝处理海量的生成式工作负载，但边缘设备必须在严格的毫瓦（mW）甚至微瓦（\mu W）级功率预算内运行。

这种限制激发了人们对替代计算范式的兴趣。其中，光子（光电）计算凭借其极高的计算速度、基于光传播的并行矩阵乘法以及极低的传播损耗，成为极具吸引力的研究方向。然而，由于光电转换（模数转换、电光转换）会带来巨大的能量开销，构建一个纯光学的 AI 加速器在实际应用中极具挑战。

由此，SOLACE（用于边缘计算的光谱光伏辅助低功耗架构）应运而生。这是由 Seyed Alireza Alhosseini Almodarresieh 设计的一个概念性研究架构。SOLACE 没有将环境视作干扰，而是提出了一个颠覆性的问题：我们能否协同设计一款边缘 AI 加速器，直接从环境光中收集运行能量？通过在光子计算核心的正上方集成一层光谱选择性光伏（PV）层，实现自给自足的计算？

SOLACE 架构蓝图

SOLACE 采用了一种明确的混合架构。它并非旨在完全取代硅基芯片，而是将三种截然不同的技术集成到一个系统中，充分发挥各自的物理优势：

                  环境光 (Ambient Light)
                        │
                        ▼
            ┌─────────────────────┐
            │  光谱光伏层 (PV)     │
            │                     │
            │ 可见光 → 能量收集    │
            │ 近红外 → 光谱透射    │
            └──────────┬──────────┘
                       │
                  收集的电能
                       │
                       ▼
                ┌──────────────┐
                │ 能量缓冲器    │
                │ + PMIC 电源  │
                └──────┬───────┘
                       │
     ┌─────────────────┴─────────────────┐
     │                                   │
     ▼                                   ▼
┌──────────────────┐              ┌──────────────────┐
│ 光子神经网络      │              │ CMOS 硅基底      │
│ (PNN Core)       │◄────────────►│                  │
│ 光学乘加 (MAC)   │              │ SRAM 存储        │
│ 相位调制元件     │              │ ADC 模数转换     │
│ 波分复用 / 衍射  │              │ 控制逻辑与调度   │
└────────┬─────────┘              └──────────────────┘
         │
         ▼
     光电探测器
         │
         ▼
     模数转换 (ADC)
         │
         ▼
     数字信号输出

1. 光谱光伏（PV）层：位于芯片堆栈的最顶部，充当光谱滤波器。它收集高能可见光并将其转化为电能，同时对用于光子计算的近红外（NIR）波段（例如 850 nm、980 nm 或 1064 nm）保持高度透明。
2. 光子神经网络（PNN）核心：该层利用光的传播、衍射或基于波导的相位调制，以极低的延迟和极高的吞吐量执行线性运算（主要是乘加运算，即 MAC）。
3. CMOS 硅基底：硅基半导体仍然负责控制逻辑、数字存储（SRAM）、模数转换器（ADC）以及非线性激活函数（在光学中实现非线性激活函数的效率极低）。

通过光谱分割，该系统确保了环境光既能提供计算介质（通过近红外波段），又能提供运行外围电路所需的电能（通过可见光收集）。

能量方程：为什么光子并非完全免费

许多学术论文声称，光子计算是“零能耗”的，因为光子通过无源介质时不会像电子在铜导线中那样产生焦耳热。然而，从系统级能耗的角度分析，实际情况并非如此。单次推理周期所需的总能量（$E_\{\text\{inference\}\}$）可以定义为：

$E_\{\text\{inference\}\} = E_\{\text\{laser\}\} + E_\{\text\{modulation\}\} + E_\{\text\{detection\}\} + E_\{\text\{ADC/DAC\}\} + E_\{\text\{CMOS\}\} + E_\{\text\{memory\}\}$

如果激光源的插墙效率（Wall-plug Efficiency）为 $\eta_\{\text\{wp\}\} = 20\%$，那么产生 $1\text\{ mW\}$ 的光学信号实际上需要消耗 $5\text\{ mW\}$ 的电能。此外，通过高速 ADC 将模拟光学输出转换回数字比特，所消耗的能量往往比光学矩阵乘法本身高出几个数量级。

SOLACE 通过将能量收集速率（$P_\{\text\{PV\}\}$）与系统的占空比（Duty Cycle）进行联合建模来解决这一问题。让我们假设一个保守的场景：

• 有效光伏面积：$1.5\text\{ cm\}^2$
• 室内光照强度：$100\text\{ \mu W/cm\}^2$
• 光伏效率（针对低光环境优化）：$18\%$

收集到的电功率（$P_\{\text\{harvested\}\}$）计算如下：

$P_\{\text\{harvested\}\} = 1.5\text\{ cm\}^2 \times 100\text\{ \mu W/cm\}^2 \times 0.18 = 27\text\{ \mu W\}$

如果单次低功耗边缘 AI 推理操作需要消耗 $1\text\{ mJ\}$ 的系统总能量，则设备必须持续收集能量：

$T_\{\text\{harvest\}\} = \frac\{1\text\{ mJ\}\}\{27\text\{ \mu W\}\} \approx 37\text\{ 秒\}$

这一计算表明，环境光无法支持连续、高帧率的计算机视觉任务。相反，它适用于环境光辅助的、间歇性工作的边缘 AI 系统。系统平时处于深度睡眠状态，在超级电容器或能量缓冲器中累积微瓦级的电能，只有当储能达到阈值时，才会触发一次推理任务。

对于希望将边缘设备与云端 AI 服务相结合的开发者，可以利用 n1n.ai 平台提供的 API，在边缘端能量不足时将重度计算任务动态路由至云端，实现端云协同的智能调度。

Python 模拟：能效感知调度器

为了更好地理解 SOLACE 系统在可变环境光下的行为，我们可以编写一段 Python 代码来模拟其能效感知调度器。该程序模拟了储能电容的电量状态，并决定系统何时可以执行推理。

import numpy as np

class SolaceScheduler:
    def __init__(self, cap_capacity_jules, inference_cost_jules, standby_power_watts):
        self.cap_capacity = cap_capacity_jules
        self.inference_cost = inference_cost_jules
        self.standby_power = standby_power_watts
        self.energy_stored = 0.0  # 初始电量为 0

    def update_energy(self, harvest_power_watts, duration_sec):
        # 计算收集到的总能量
        energy_in = harvest_power_watts * duration_sec
        # 计算静态待机泄露消耗的能量
        energy_out = self.standby_power * duration_sec

        # 更新电容电量，限制在 [0, 最大容量] 区间内
        self.energy_stored = min(self.cap_capacity, max(0.0, self.energy_stored + energy_in - energy_out))
        return self.energy_stored

    def try_inference(self):
        if self.energy_stored >= self.inference_cost:
            self.energy_stored -= self.inference_cost
            return True
        return False

# 模拟参数设置
sim_duration = 3600  # 模拟 1 小时（3600 秒）
time_steps = np.arange(0, sim_duration, 1)

# 模拟动态环境光输入（正弦波动模拟光照变化）
ambient_light_watts = 30e-6 + 20e-6 * np.sin(2 * np.pi * time_steps / 1800)

# 初始化 SOLACE 系统
# 电容容量: 10mJ, 单次推理功耗: 1.5mJ, 待机功耗: 2uW
solace_system = SolaceScheduler(cap_capacity_jules=0.010, inference_cost_jules=0.0015, standby_power_watts=2e-6)

inferences_triggered = []

for t, light in zip(time_steps, ambient_light_watts):
    current_energy = solace_system.update_energy(harvest_power_watts=light, duration_sec=1)

    # 假设每 10 秒尝试触发一次事件检测
    if t % 10 == 0:
        if solace_system.try_inference():
            inferences_triggered.append(t)

print(f"1 小时内成功执行的推理次数: {len(inferences_triggered)}")
print(f"能量利用效率: {len(inferences_triggered) * solace_system.inference_cost / sum(ambient_light_watts) * 100:.2f}%")

通过该模拟可以清晰地看出，系统的调度逻辑从传统的反应式（“有数据就计算”）转变为能量自适应式（“有能量才计算”）。

硬件设计空间对比

为了明确 SOLACE 在当前芯片市场中的定位，我们将其与主流的边缘计算加速器及新型存内计算架构进行了对比：

尽管 SOLACE 在绝对算力和计算精度上无法与 NVIDIA Jetson 相比，但它针对的是无法连接电网且无法定期更换电池的极端边缘场景。

物理瓶颈与落地挑战

要将 SOLACE 从概念设计推向实际的硅片制造，研究人员必须解决以下核心材料与物理瓶颈：

1. 光电转换损耗：将电信号转换为光相位或光强（利用马赫-曾德尔调制器或微环共振器）需要消耗大量能量。如果调制器需要较高的驱动电压，会瞬间抽干收集到的微量电能。
2. 钙钛矿光伏层退化：钙钛矿太阳能电池因其带隙可调和优异的弱光性能，是顶部 PV 层的理想选择。然而，当它们直接堆叠在会发热的硅基芯片上时，极易受到湿度和温度的影响而发生降解。
3. 光相位噪声：光子层中的微小温度波动会改变硅波导的折射率，从而引入相位误差，导致神经网络的推理准确率下降。而使用主动热调谐来校准相位又会消耗额外的电能。

对于需要高精度、高稳定性的 AI 应用，开发者目前仍应优先选择成熟的云端计算方案。通过使用 n1n.ai 聚合平台，可以低延迟地调用各类顶尖的云端大模型，作为边缘端低精度推理的校准基准。

总结与展望

SOLACE 代表了从“暴力计算”向“环境自适应计算”的范式转变。通过将能量收集、光子计算和 CMOS 控制逻辑进行一体化协同设计，它向我们展示了未来的边缘 AI 设备并不一定需要更大的电池，而是可以学会根据环境中所拥有的能量来智能地调整自己的计算节奏。

在 n1n.ai 获取免费 API 密钥