千里科技发布内置10 TOPS NPU的4D毫米波雷达

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

2026-10-27 18:40:12 来源：量子位

毫米波雷达，AI算力10TOPS

一颗4D毫米波雷达内置10 TOPS NPU、支持本地AI感知、卫星架构以及两者并行的多种输出方式。

说人话，这颗雷达从天线设计到点云输出，整条链路都交给模型了。如果借用一个智驾行业的说法，它在某种意义上也「端到端」了，甚至还能靠OTA持续升级感知能力。

熟悉的技术、熟悉的打法，但放在一起，怎么感觉这么陌生？

3nm、几百上千TOPS的芯片都上车了，一个毫米波雷达，还有必要拥有独立「大脑」吗？

仔细一看，还不是什么小公司的边缘尝试，是印奇和他掌舵的千里科技最新的进展。

物理AI这条路上，千里背后还有印奇担任董事长的阶跃星辰，以及吉利汽车的整车场景。

在纯视觉、垂直整合、全栈自研这几条主流路线之外，千里科技更像是平台型公司的链式协同。

那更要看看了，到底怎么个事？

千里做了一颗什么样的雷达？

想象一个场景：你开着车，前方头顶是龙门架，车道里停着一辆车。传统毫米波雷达同时收到两个回波，强度差不多，但它分不清谁高谁低。

结果要么把龙门架当成障碍物一脚急刹，要么把停着的车当成overhead结构直接忽略。这是最传统的3D毫米波雷达的老毛病，测距、测速都在行，唯独缺了“上下”这一维。

4D雷达补的就是这一维，俯仰角加进来之后，雷达能输出距离、速度、方位角、高度四个维度的信息，点云从平面铺开变成了立体的。

千里的AI雷达第一步补上的就是这关键的维度。但通道数和信息量上去了，信号处理的负担跟着涨，护栏、隧道、桥梁、地面、天空这些强反射物，会在回波里混进大量杂波。

以前那种靠固定阈值和人工规则做判断的传统方案，在这种环境里容易出四类问题：多径鬼影、杂波干扰、弱目标丢失、多目标分离不足。传感器参数表很好看，实际路上该误报还是误报，该丢目标还是丢目标。

4D雷达的硬件潜力，很长时间卡在处理环节释放不出来。

千里科技的解法，是从天线阵列和波形的设计阶段就把算法引进来，然后在点云检测、测角、点云增强、目标跟踪与分类这些关键环节换成数据驱动模型，减少对人工规则和经验阈值的依赖。

这颗雷达的AI从信号产生的最前端就介入，一直贯穿到环境理解的末端。

与千里上一代采用DSP端侧计算的4D雷达相比，点云密度增强10倍，探测距离提升40%，鬼影消除提升至95%，空间角分辨力提升12倍。

接下来是这颗雷达最容易被低估的部分：它支持三种工作模式。边缘侧模式下，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。优势是本地链路短、响应快，减少域控侧的计算和通信负担，适合需要成熟目标级接口或分布式感知能力的平台。

卫星架构模式下，雷达以前端采集和高速传输为核心，把更接近原始信号的数据交给ADCU或中央域控统一处理，中央平台可以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。

第三种是兼容模式，两种活同时干。

雷达最原始的RAW数据直接交给SOC做处理和融合，与此同时，雷达上的边缘侧处理器独立完成一遍处理。

为什么非要同时做两遍？因为这两件事要的时间尺度不一样。

中央模型要的是未经处理的原始回波，它想做多源前融合，需要毫秒级的对齐精度和尽可能完整的信号细节，天然慢一些，链路也长一些。但车上的执行层等不了这个节奏，刹车和预警要的是当下就能用的结论，快比全更重要。

一个要「尽量看全」，一个要「马上能给」，这两个需求串不起来，只能并行。行业过去讲双模，通常落在「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。

但兜底说的是故障时顶上，而两种时间尺度说的是正常情况下两边各有各的活，后者才是这个设计真正的分量。

这背后有一个自然而然的问题：到底哪一部分AI计算需求需要放进雷达，又有哪些需要保留中央域控参与处理？

模型，怎么改变雷达？

变化的起点，是智驾本身的要求变了。

L2向L3、L4演进，雨雾、逆光、夜间、强反射、横穿车流、静止障碍物这些场景，要求感知不只“看得见”，还要“看得清、判得准、反应快”。

而要满足这些场景，多传感器前融合成了绕不开的路径，它需要的不只是更灵敏的传感器，而是能保留更多原始信息、可由模型统一理解的数据形式。这就带来了新问题。

4D雷达点云密度从传统雷达每秒几十个点，跃升到每秒数万甚至十万个点；卫星架构下，原始数据输入量可能比传统4D雷达多约100倍，ADC带宽做到6Gbps。

主流智驾车型传感器数量突破30个，每日产生的数据量超过10TB，中央计算平台面对的就是这样一条流量暴涨的河流。

所以，即使只是为了降低智驾模型输出延迟、高效利用中央算力，也需要把数据预处理这样专业的事交给专业的人，而不是全推给后端。

雷达像以前那样只回答“探到了什么目标”已经不够了，还要回答“能用什么形式，把多少有效信息交给后端的模型”。

可能有人会争论，以往的雷达产品，不是一直都有端侧的数据处理模块吗？

区别在规则是谁写的。传统4D雷达靠固定阈值和人工规则做判断，规则是人写的，人只能写下自己想到过的情况。对一个从没见过的corner case，规则库给不出答案，系统只能按最保守的方式处理，要么误刹，要么漏掉。每遇到一类新情况，就得重新定义、重新标定、重新验证，一轮下来几个月。

AI化之后，这件事的性质变了。模型从数据里学规律，遇到训练中没出现过的组合，仍然能依据已学到的特征做出判断，不需要等一条新规则被写出来。一个长尾问题从采集、回流、进训练到发版，周期从按月计压缩到按周计甚至更短。

千里科技做的第一件事，是把AI计算放进雷达内部，让传感器先把自己采集的数据处理到更深一层，直接输出结构化结果。第二件事是决定算完之后怎么交付，也就是前面那三种模式，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。

三种架构的分野，可以沿功能等级、EE架构、成本与控制权这三条线来看。

目标级输出锚定常规辅助驾驶和分布式EE架构，成本敏感；卫星架构从L2+起步，在L3/L4的前融合需求下变成刚性选择，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。

真正的工程边界在带宽和平台能力：域控算力和高速接口不够，卫星架构就失去落地的物理基础；功能等级停在L2、对前融合没有真实需求，为原始数据付传输和算力成本，在量产账本上不成立。

千里这颗雷达同时保留三条路径，对应的正是整车平台从分布式向中央集中过渡期间，同一套硬件要在不同车型、不同功能等级上找到位置。

兼容模式在这套分析里比较特殊，它同时占住两条线：还没完成中央化的平台，边缘侧那份结果可以直接用；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」。

举个例子，千里AI雷达对静止儿童的稳定探测距离是100至150米，意味着儿童横穿与鬼探头场景，可以为AEB提供更长反应窗口。

AI后处理与多径特征建模则把鬼影和误报消除了约95%，4D点云增强还能辅助判断可通行空间。

印奇的物理AI闭环

千里科技的AI雷达，最底层的逻辑是「含模量」开始重塑底层传感器。

深入软硬一体，整个传感器的研发也发生了变化：从波导天线、射频前端、SoC/NPU、调制方式，到模型和数据闭环，全部协同设计。表面是硬件升级，实质是传感器从「目标级汇报者」转向「特征级协作者」。

雷达AI化不是可选项，感知端是数据与智能的入口，毫米波雷达在这条路径上绕不过去。

早年间印奇就把「AI+物理终端」作为底层信条：3D相机是打通数字与物理世界的桥梁，AIoT是「AI+IoT+空间」，组织形态被有意做成偏软硬结合。

但AI 1.0的困境在于，有算法纵深，却缺少规模化、持续产生真实反馈的终端载体，闭环没真正合拢。所以他后来说，「不能闭环的辉煌都是暂时的」。

千里与阶跃的组合补上了信条一直缺的那一侧。要害在于「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、规控数据一起喂进去，基座模型诞生时就带有三维空间和时间序列的认知结构。

印奇同时执掌两家，模型公司和终端公司之间常见的鸿沟被填平，「大脑定义终端输出什么、终端反馈模型学习什么」的循环，在同一个掌舵人手下转了起来。

这，是AI+物理终端理念在广度上的延伸，也是在纯视觉、垂直整合、全栈自研之外的那条路。

AI+物理终端这个说法，行业内也有类似表述，但讨论大多停留在「AI赋能」这一层，认为AI改变的是任务流程，提供的价值是更自动化的信息呈现。

从模型范式迭代出发，去改变底层传感器和计算架构，这是千里这次尝试里最值得看的部分。

过去是「人希望雷达看到什么」，现在是从AI模型和Agent的角度倒推：这个系统在物理世界里要完成什么任务，需要什么样的信息形式，多远的有效距离，多高的分辨能力。

这就从根源上屏蔽了「人类视角」和「范式惯性」带来的干扰。

数字AI靠巨量参数和几乎唾手可得的数据往上走。

但现阶段，物理AI的天花板，由真实数据闭环的速度和高质量数据的密度决定。所以仅是这样的尝试本身，千里科技就有难以替代的独特价值。