很多传感器像一只眼睛，只负责看见。
看见以后，它把模拟信号交给 ADC，交给芯片，交给存储器，交给算法。真正的识别、融合和学习，通常发生在后面那套吃电、占面积、需要外部供电的数字系统里。
Nature Sensors 这篇论文把顺序往前推了一步。研究者做了一套完全模拟、自供能的神经形态系统，用传感器和忆阻器直接完成多模态感知、脉冲编码和无监督学习。光和压力跳过了先数字化再处理的老流程，直接在硬件里变成脉冲时间，并写进忆阻器的权重。
这件事修正的是一个很旧的默认设定，传感器只是前端，智能在后端。到了这套系统里，传感器前端开始承担一部分神经系统的工作。
少掉的不只是一个芯片
传统传感系统最熟悉的链条，是模拟世界先被数字化。
光、声音、压力、温度先变成电信号，再通过 ADC 转成数字数据。后面接处理器、存储器和算法。这个方案可靠、通用，但代价也清楚：电源、面积、数据搬运和延迟都跟着来。
论文里的系统换了一种思路。它不急着把模拟信号变成 0 和 1，而是先把传感器产生的电压直接送进扩散型忆阻器。扩散型忆阻器负责把输入强度变成脉冲出现的时间；漂移型忆阻器负责把学习后的权重保存下来。
这张图的核心差别在中间那一步。传统系统要经过 ADC、数字处理器和存储器；神经形态模拟系统则直接从模拟传感信号进入脉冲编码和突触权重更新。
少掉的不只是一个 ADC。真正少掉的是一整套"把现实先翻译成数字、再交给算法理解"的流程。
光越强，脉冲来得越早
这套系统的关键部件，是扩散型忆阻器。
它的行为有点像一个会自己等待的开关。传感器给它一个电压，内部离子开始迁移，导电通道逐渐形成。一旦超过阈值，电流突然上升，形成一个脉冲式响应。输入越强，等待时间越短。
论文先用光和压力做演示。光侧用一个光伏传感器，压力侧用 PVDF 压电薄膜。二者都能在外界刺激下自己产生电压，不需要额外电源去驱动前端。
光照强度从 15.5 mW cm-2 增加到 64.2 mW cm-2 时，脉冲时间明显缩短。压力从 32.7 kPa 增加到 75.1 kPa 时，也出现类似趋势。更强的刺激产生更大的传感器电压，推动忆阻器更快达到阈值。
这不是简单的开关检测。它把模拟强度压缩成时间信息：信号越强，脉冲越早。对低功耗边缘设备来说，时间本身变成了一种编码格式。
学习发生在电路里
只有编码还不够。多模态传感最麻烦的地方，是不同信号要被放在一起判断。
人的感知很少孤立地看光、听声或感受压力，多个通道的时间关系会被合在一起。论文用两类忆阻器实现类似的硬件学习：扩散型忆阻器负责时间编码，漂移型忆阻器负责非易失权重。
系统可以做两类塑性。第一类是 homo-synaptic plasticity，类似常见的 STDP，权重变化取决于前后脉冲的相对时序。第二类是 hetero-synaptic plasticity，也就是不同输入通道之间的相关性学习。
在多模态融合里，光和压力两个输入会分别产生脉冲。两个脉冲时间越接近，说明两个通道越相关，漂移型忆阻器的电导变化越明显。两个通道差得越远，权重更新就变弱。
这一步把"传感器前端"变成了"会记住相关性的前端"。它不只是采集数据，而是在电路里完成一部分无监督学习。
一块小板子，演示了两个场景
论文最后把系统做成了一块硬件演示板。光传感器、压力传感器、扩散型忆阻器、漂移型忆阻器和被动元件接在一起，形成一个自供能 sensor fusion unit。
这个硬件演示被放到两个场景里理解。一个是雷击定位。雷电同时产生光和声音，光几乎马上到，声音延迟到。多个自供能传感单元记录这种时间差，就可以模拟重建雷击位置分布。
另一个是人体动作识别。论文用 EMG 信号和鞋垫压力信号构造传感融合层，去区分走路、静止、深蹲、跑步、弓步、落地和跳跃等动作。加入传感融合层后，训练收敛更快，分类矩阵也更清楚。
这里要把边界说清楚。雷击定位是概念扩展和模拟演示，人体动作识别也不是说这块板子已经可以替代完整可穿戴系统。论文的价值在于证明一条硬件路径, 感知、编码、融合和学习可以尽量前移到传感端，而不是全部交给后端数字系统。
边缘智能的门槛，正在往传感器里缩
这篇论文适合放进一个更大的问题里看：智能基础设施不可能每个角落都挂一台大计算机。
电网、桥梁、管道、油井、风机、矿山、轨道、仓库和人体可穿戴设备，都有大量传感点。很多点位长期分散、供电困难、维护成本高。如果每个传感器都要持续采样、传输、数字化和上传，系统账单会很快变厚。自供能模拟神经形态硬件的意义，不是让每个传感器都变成一个完整大脑。更现实的方向，是让传感器在本地先做一层筛选、编码和关联，把无意义数据、低价值数据和显而易见的噪声挡在前端。
过去的传感器像邮差，把现实世界的信号一包包送回中心。
接下来的传感器会越来越像前哨。它不一定懂全部问题，但它开始知道哪些信号同时出现、哪些变化值得记住、哪些异常应该先亮起来。真正变贵的，也许不再只是后端算力，而是那个能在没有外部供电、没有数字处理器、没有大规模数据搬运时，仍然做出第一层判断的前端。
参考
Kim, S.J., Zhao, R., Sud, P. et al. Self-powered analogue neuromorphic system for multimodal sensing, encoding and learning with diffusive and drift memristors. Nat. Sens. 1, 535--544 (2026). https://doi.org/10.1038/s44460-026-00067-7.