千里科技4D毫米波雷达：内置10TOPS算力，三种输出模式怎么用？

毫米波雷达也装上了“大脑”

聊起智能驾驶，激光雷达的精度、摄像头的分辨率常被拿出来说，毫米波雷达却总被当成配角。它价格低、靠得住，雨雾天照样干活，可短板也摆在那儿：高度分不清，龙门架可能被当成障碍物惹来一脚急刹，停着的车也可能被漏掉。

印奇带领的千里科技最近拿出了一样新东西，想改改这个印象。他们发布的4D毫米波雷达内置10 TOPS算力。说白了，这颗雷达不再只报一句“前方有物体”，它自己带了个小型“大脑”，信号接收、处理到目标识别，整套流程能在本地跑完。

这在行业内并不常见。按过去的认知，AI算力是中央域控和高性能芯片的事，一颗雷达用得着这么复杂吗？千里科技给出的回答是有必要，而且这不只是硬件层面的升级，感知逻辑也跟着重构了。

传统4D雷达为什么不够用？

要弄明白这款新雷达值在哪儿，先得看旧方案卡在哪里。

3D毫米波雷达只能测距、测速和方位角，高度这一维是缺的。碰上立体场景它就犯笨：前方头顶有龙门架，车道里又停着一辆车，两处回波强度差不多，老式雷达分不清哪个在高处、哪个在地面。到头来不是误刹就是漏检。

4D雷达把俯仰角补了进来，距离、速度、方位、高度四个维度都能输出，点云从平面变成立体。听着不错，工程落地却处处是坑。

通道一多，数据量就猛涨，信号处理的担子跟着重起来。护栏、隧道、桥梁、地面这些强反射物，会把大量杂波掺进回波。过去靠固定阈值加人工规则判断的老办法，到了这种复杂环境里常出四类毛病：多径鬼影、杂波干扰、弱目标丢失、多目标分离不足。

说到底，参数表写得再漂亮，上了路该误报还是误报，该丢目标还是丢目标。4D雷达的硬件潜力，有很长一段时间都释放不出来，卡就卡在处理环节。

千里科技的做法：AI贯穿全链路

千里科技选择从根上动手：天线阵列和波形的设计阶段就把算法拉进来，点云检测、测角、点云增强、目标跟踪与分类这些关键环节，统统换成数据驱动的模型，少依赖人工规则和经验阈值。

AI从信号产生的最前端就介入，一路管到环境理解的末端。跟上一代用DSP做端侧计算的4D雷达比，新产品的点云密度增强10倍，探测距离提升40%，鬼影消除率提升至95%，空间角分辨力提升12倍。

这些数字背后，是处理逻辑变了。传统雷达靠人写规则，人能写下的只是自己想到过的情况。碰上一个没见过的Corner Case（长尾场景），规则库给不出答案，系统只能挑最保守的方式应付。每来一类新情况，就得重新定义、重新标定、重新验证，一轮下来几个月。

改成AI之后，模型从数据里学规律。训练中没出现过的组合，它也能凭已学到的特征作出判断，不必等一条新规则写出来。一个长尾问题从采集、回流、进训练到发版，周期从按月算压到按周算，甚至更短。

三种模式：“快”和“全”都要

这颗雷达最容易被看轻的地方，是它支持三种工作模式。这不是把功能简单摞在一起，而是为了适配不同的智驾架构。

第一种是边缘侧模式。回波在雷达端走完从ADC采样到目标跟踪与分类的全链路，NPU上部署AI Detector、AI辅助测角、AI点云增强等模型，雷达直接输出结构化感知结果。好处是本地链路短、响应快，域控侧的计算和通信负担也随之减轻。适合需要成熟目标级接口或分布式感知能力的平台，比如成本敏感的L2车型。

第二种是卫星架构模式。雷达以前端采集和高速传输为主，把更接近原始信号的数据交给ADCU或中央域控统一处理。中央平台能用更大的模型，对摄像头、毫米波雷达等多源信息做更早阶段的时空对齐与全局推理。L3/L4前融合绕不开这条路，因为只有把原始数据送到中央，毫米波回波才有机会和图像特征在统一BEV空间里做特征级融合。

第三种是兼容模式，两边的活一起干。雷达最原始的RAW数据直接交给SOC处理和融合，同时雷达上的边缘侧处理器独立再跑一遍。

为什么要算两遍？因为这两件事要求的时间尺度不一样。

中央模型要的是没经过处理的原始回波，它做多源前融合，需要毫秒级的对齐精度和尽量完整的信号细节，天然就慢一些，链路也长一些。可车上的执行层等不起这个节奏，刹车和预警要的是当下就能用的结论，快比全更要紧。

一边要“尽量看全”，一边要“马上能给”，两个需求串不到一条线上，只能并行。行业过去提双模，多半落在“安全冗余”四个字上，意思是中央那套万一出问题，雷达自己能兜住。可兜底说的是故障时顶上，两种时间尺度说的是正常状态下两边各干各的活，后者才是这个设计真正的分量。

印奇的“物理AI”闭环

千里科技身后站着印奇。他另一个身份是阶跃星辰董事长，这家公司做大模型；再加上吉利汽车的整车场景，三方刚好拼成一个少见的闭环。

印奇早年就把“AI+物理终端”当成信条。在他看来，3D相机是连接数字世界与物理世界的通道，AIoT则是“AI+IoT+空间”。可AI 1.0卡在哪里？有算法纵深，却缺一个能规模化、持续产生真实反馈的终端载体，闭环始终没合上。他后来的那句话说得直白：“不能闭环的辉煌都是暂时的”。

千里加阶跃，正好补上信条里一直空着的那块。关键在于“原生基座模型”的预训练同源输入——通用语料和真实智驾感知、规控数据一并喂进去，基座模型从诞生起就带着三维空间与时间序列的认知结构。

两家公司都由印奇执掌，模型公司与终端公司之间那道常见的鸿沟因此被填平。“大脑定义终端输出什么、终端反馈模型学习什么”这个循环，在同一位掌舵人手里转了起来。

这已经不只是AI赋能，而是从模型范式迭代出发，反过来改动底层传感器和计算架构。过去问的是“人希望雷达看到什么”；如今换成从AI模型和Agent的角度倒推——这套系统在物理世界里要完成什么任务，需要何种信息形式，有效距离多远，分辨能力多高。

“人类视角”和“范式惯性”带来的干扰，就这样从根子上被挡在外面。

实际效果与未来展望

拿静止儿童来说，千里AI雷达的稳定探测距离是100至150米。儿童横穿或者“鬼探头”出现时，AEB（自动紧急制动）因此多出一段反应窗口。AI后处理与多径特征建模把鬼影和误报消掉了约95%，4D点云增强还能帮着判断可通行空间。

对车企而言，这颗雷达的好处是灵活。整车平台正从分布式往中央集中过渡，同一套硬件得在不同车型、不同功能等级上找到自己的位置。兼容模式在这套分析里有点特别：它同时踩住两条线——尚未完成中央化的平台，边缘侧那份结果拿来就能用；已经有域控算力的平台，RAW数据又能进中央做前融合。过渡期里最值钱的，恰恰是这个“两头都能接”。

挑战也摆在眼前。主流智驾车型的传感器数量已突破30个，每天产生的数据量超过10TB，中央计算平台面对的是流量猛涨的一条河。哪怕只是为了压低智驾模型输出延迟、把中央算力用得更高效，数据预处理这类专业活也该交给专业环节，而不是一股脑推给后端。

千里科技先做的，是把AI计算塞进雷达内部，让传感器自己把采集到的数据处理到更深一层，直接吐出结构化结果。接着要定的是算完之后怎么交付，也就是前面提到的三种模式——任务留多少在传感器里、数据交多少给中央，按平台和功能等级来配。

真正的工程边界落在带宽和平台能力上：域控算力和高速接口不够，卫星架构就没了落地的物理基础；功能等级停在L2、对前融合没有真实需求，却要为原始数据掏传输和算力成本，在量产账本上算不过来。

数字AI靠巨量参数和几乎随手可得的数据往上推。可眼下物理AI的天花板，取决于真实数据闭环的速度和高质量数据的密度。单是这样的尝试，千里科技就有别人难以替代的价值——它说明在纯视觉、垂直整合、全栈自研几条主流路线之外，平台型公司的链式协同同样能蹚出一条新路。

OTA普及之后，这颗雷达的感知能力还能接着升级。今天它也许擅长应付静止障碍物，明天模型一更新，动态目标预测可能就变得更拿手。这种软件定义硬件的能力，或许是往后智能驾驶传感器竞争的另一个关键维度。