一颗AI毫米波雷达，千里科技在补哪一环

10月23日，千里科技推出一款AI毫米波雷达。根据公开信息，这是业界首款在雷达内部集成10 TOPS算力NPU的方案，能够自主完成目标检测与分类，并支持边缘侧、卫星及兼容三种工作模式。

这并非简单的产品线延伸。

过去两年，智驾领域的竞争聚焦于模型，比拼端到端能力与数据闭环效率。然而，当模型性能受限于传感器提供的原始数据时，竞争便向产业链上游转移，直达硬件层面。

这款雷达旨在回答一个问题：当模型已足够强大，感知端是否还能被重塑。

为何雷达需要搭载AI

智驾目前沿着两个方向推进：一是高阶智驾下沉至十几万的主流市场，二是L3级自动驾驶准备量产。这两个方向对技术的要求各异，但都指向同一个核心——安全。规模化依赖安全来赢得用户信任，而L3对安全的要求则提升了一个量级。

在这一需求背景下，4D毫米波雷达的角色变得至关重要。它比激光雷达成本更低，在雨雾等恶劣天气下稳定性更优，是少数能在成本与可靠性间取得平衡的传感器。

问题在于传统4D雷达的工作机制。

以行业普遍面临的障碍物识别为例，传统3D雷达只能感知前方有物体，4D雷达增加了高度维度，能捕捉目标的轮廓，但点云数据仍需逐层传输至中央域控，才能判断目标的具体身份。传输链路的长度直接决定了反应时间。智驾追求的是既快又准，链路越长，留给决策的窗口就越短。

在雷达内部集成计算单元，获取点云后立即进行检测与分类，直接向智驾系统输出结构化结果，缩短的正是这段传输时间。

然而，真正的瓶颈并不在于链路长度。

传统毫米波雷达的信号处理依赖CFAR等经典算法，规则在架构设计阶段就已固化。对于设计时未预见的场景，算法只能采取保守策略，表现为多径鬼影、杂波干扰、弱目标丢失、多目标分离不足等问题。这些问题的根源在于规则存在覆盖上限，通过参数调整只能在误检与漏检之间取舍，无法创造新能力。

用模型替代规则，改变的是这一上限。从天线阵列与波形设计开始，在制造、尺寸、性能的多重约束下，利用算法辅助寻找最优解；再到点云检测、测角、点云增强、目标跟踪与分类，整条链路均可引入数据驱动的模型。千里这款雷达并非针对单一场景的修补式优化，而是从感知链路的最前端，直接针对传统架构的固有缺陷。

不过，这件事无法仅通过在雷达中嵌入一颗芯片完成。当前的分工中，毫米波雷达是供应商交付的成品，算法团队拿到的是处理后的结果。要让模型在雷达中运行，必须从射频设计阶段就参与其中，否则AI只能停留在末端进行后处理。

为何由千里来推进此事

要在雷达中运行模型，前提是模型必须自主研发。

这听起来像常识，但在产业中却是一道硬门槛。雷达端需要输出什么特征、以何种格式输出、与域控如何分工，这些参数一旦由外部供应商按照通用逻辑确定，算法团队再强也只能在既定接口内优化。千里拥有基座模型，意味着这些参数可以反过来根据模型需求定义，而非让模型去迁就硬件。

这也是千里过去两年工作的衔接点。千里2.0的三项成果中，最重要的并非装车数量，而是那套循环：模型决定产品上限，工程体系决定交付速度，装车产生的数据反过来训练模型。有了这套循环，雷达端多出的原始信息才有去处，能进入训练、得到验证、下放到车端，而非停留在硬件中。

这条路并非他人无法想到，难点在于同时具备多种能力。千里在短短两年内完成了算法、算力与整车应用的全面布局。今年4月的AI战略发布会上，印奇将这一模式称为“链式协同”，强调在边界清晰的前提下进行深度合作，而非将所有环节纳入一家公司。这套组合让千里同时拥有三大要素：大模型能力、对芯片的理解，以及将算法落地的工程经验。

这种分工已通过一轮验证。2026年上半年，千里科技智能辅助驾驶业务收入12.35亿元，占主营业务收入的24.3%，千里浩瀚搭载量超百万，覆盖极氪、领克、smart、银河等品牌数十款车型，用户激活率达93.9%。

传感器这一环节在今年得到补充。据公开公告，2026年6月11日，千里科技控股子公司重庆千里智驾科技以2590.8万元收购宁波市融感科技100%股权。融感科技成立于2023年6月，专注于视觉与毫米波融合雷达，其4D成像毫米波雷达此前已获得多家主流主机厂定点验证与小批量交付。公告称，此次交易旨在打通软硬一体、全栈交付的业务闭环，实现自研算法与硬件的联合优化与同步迭代。

这笔交易金额不大，但补位非常关键。它让千里从“使用他人雷达编写算法”转变为“从雷达设计阶段就参与定义”。这一差异在传统雷达中不明显，但在AI雷达领域具有决定性。

印奇是千里科技董事长，自2026年1月起兼任阶跃星辰董事长。追溯其创业经历，其AI业务版图始终围绕软硬一体展开：旷视时期的产品体系覆盖视觉传感器、工业机器人与智能汽车。2024年，印奇掌舵力帆，次年2月公司更名为千里科技，并大力推进“AI+车”战略转型。

这款雷达带来了什么

这款雷达支持三种工作模式，这是它与市面上多数4D雷达最大的不同。

在边缘侧模式下，NPU在雷达内部运行AI Detector、AI辅助测角、AI点云增强等模型，直接输出结构化感知结果，链路短、响应快，同时减轻域控负担。在卫星架构模式下，雷达仅负责采集与传输，将未进行目标检测的中频数据送至中央域控，由更大模型进行多源前融合，优势在于信息保留更完整、算法统一、后续可升级。

第三种是兼容模式，两种任务同时进行。雷达最原始的RAW数据直接交给SOC进行处理与融合，同时雷达上的边缘侧处理器独立完成一遍处理。两路结果各有用途：RAW数据进入中央模型，能获取更多场景信息；边缘侧的独立结果，则是一份现成的感知结论。

这一点值得深入探讨。

过去行业谈论双模式，通常聚焦于“安全冗余”，即中央系统万一失效，雷达自身能兜底。但将其仅理解为兜底，就低估了这一设计的价值。兼容模式的真正意义在于，同一时刻能获取两份不同口径的感知结果：一份是原始信息，信息量大但需中央算力；一份是已处理结论，信息量小但立即可用。这两份数据对模型而言并非备份关系，而是可以相互校验、按场景取舍的两种输入。

它并未替车厂预设感知架构。在域控算力充裕的平台上，RAW数据走中央前融合，信息利用率更高；在算力有限或追求低时延的平台上，边缘侧结果可直接使用。兼容模式则让这两种方式在同一颗雷达上同时成立，无需在架构设计阶段做出二选一的决定。雷达将这一选择权交还给整车系统设计，而非替客户做决定。

性能方面，这款雷达对儿童目标的稳定探测距离可达100至150米，为AEB留出更长的反应窗口。儿童横穿是城市道路中最难处理的场景之一，目标小、出现突然、遮挡频繁，留给系统的反应时间极短。探测距离延长，判断窗口整体前移，AEB能在更早的时间点介入，而非在极限距离内被动触发。

与千里上一代采用DSP端侧计算的4D雷达相比，这款雷达的点云密度提升了10倍，探测距离提升了40%，鬼影消除率提升至95%，空间角分辨力提升了12倍。

这件事的分量何在

这款雷达的意义，不仅在于某一项单点性能的突破，更在于它验证了一种可复制的模式。它不追求100%自研，而是通过深度合作，在关键环节以股权绑定建立利益共享机制，从硬件、数据、算法到应用场景，将整条AI链路打通。这场实验为行业带来的参考价值，将远超对千里科技自身短期收益的回报。

另一方面，自研雷达并掌握原始点云后，雷达端的数据不再孤立，而是能直接进入训练闭环，成为模型迭代提速的关键变量。真实路测场景中的长尾问题，从发现、标注到模型适配的全流程周期，也将因此显著缩短。这套技术路径既提供了一种新解法，也为千里科技在行业竞争中创造了新筹码。

通过这款雷达，千里科技正尝试从一家单纯提供算法方案的供应商，逐步迈向具备系统级研发能力的科技公司。