KLM9700 系列模块 × Physical AI：你手里握着的是一台状态传感器

KLM9700 系列模块采用 RAIN RFID 领域的主流量产读写器芯片，配套的开发套件和评估板生态相当成熟。绝大多数团队拿到它的用法是同一个剧本：连天线、跑盘存、数标签、写数据库——一个识别 demo。这没问题，但只用了一半硬件，甚至可以说只用了一半数据面。

先把数据面摊开看

评估板软件的盘存参数里藏着几个容易被当成「调优选项」划过去的东西：Phase 勾选项、多天线轮询、天线间延时、Session/Target 状态机。而 SDK 的标签数据结构每张返回 PC、EPC、频点、天线号、RSSI、相位六个字段，识别速度在每秒两百张的量级。

• 时间维：每秒约 200 张的读取速率，对状态估计而言是高频率采样——绝大多数物理过程（人手放取、传送带、门通道）在这个采样密度下是慢动作
• 信道维：RSSI 和相位是两条独立的物理观测量，一个粗一个细，互相校验
• 空间维：多天线轮询等于用固件调度的空间采样阵列，天线间延时由固件控制，时序是确定性的

识别模式的输出是「有哪些标签」；感知模式的输出是「世界此刻的状态」。差别不在硬件，在一个勾选框和一套算法。

勾上 Phase，硬件就换了个身份

打开相位之后，每张标签附带一个折叠在 0–180° 区间的相位读数。以 920MHz 计，1cm 位移对应约 22° 变化，固定场景复现性约 ±5°——折算 2.3mm。这意味着无需增加任何传感器，同一套 KLM9700 系列硬件就能给出亚厘米级的相对位移观测。

这张图本身就是一堂 Physical AI 预科课：4cm 处相位变化接近 90° 达到峰值，之后被折叠折回——5cm 的相位变化反而比 4cm 小。所以相位差分必须配合消歧策略（同帧差分、运动序列或多频点），读数才能穿越折叠边界连续起来。机制细节见《折叠的相位只告诉你半个世界》。

三个立得住的 Physical AI 落点

• 在位判定（布尔态）：密集堆叠标签两两差分相位，RSSI 分不开的亚波长间距（约 4cm 内）用相位稳定分辨——防漏读、防串货、防调包
• 微位移检测（连续态）：柜台/料道场景的固定标签，相位差分给出毫米级位移曲线——补货时机、异常挪动、字面意义上的「东西被动过」
• 事件识别（状态转移）：结合多天线轮询的空间信息，把「出现/消失/移动方向」识别成事件流——这才是 AI 系统真正消费的接口形状

一个周末就能跑通的实验

1. 1

   打开相位

   评估板软件勾选 Phase（SDK 侧对应盘存配置的相位开关），Session 用 S0，固定功率固定天线，先记录环境本底相位噪声。

2. 2

   滑轨标定

   把一张标签贴在直线滑轨上，每次移动 1cm 采一组相位，亲手看到约 22°/cm 的斜率，直到折叠边界处的跳变——书上说的不如自己撞一次。

3. 3

   差分成像

   写一段脚本做帧内多标签差分：共模漂移相消后，把目标标签的相位差换算成位移，验证 ±5° 复现性到底折几个毫米。

4. 4

   接状态层

   把位移曲线接到阈值判断与事件识别上——在位/位移/事件三层状态一出来，这就是一个 Physical AI 前端的雏形了。

为什么说这是 Physical AI 的起点

Physical AI 的瓶颈从来不在模型，在感知：AI 需要的是「世界此刻是什么状态」的连续、可信、低成本的供给。而全球每年数百亿枚的无源标签 + 已部署的读写器网络，恰好是覆盖率最高的候选感知层——只是绝大多数系统停在了识别层，把相位、频点、天线号这些物理量整包扔掉了。

KLM9700 系列开发套件的价值就在于它把这条路的门槛降到了一个周末：硬件是现成的量产方案，数据面是文档里写明的公开接口，实验成本是一段脚本。从数数到感知，差的不是预算，是视角。