一颗AI毫米波雷达，千里科技在补哪一环
10月23日，千里科技推出了一款AI毫米波雷达。根据公开资料，这是业界首个在雷达内集成10 TOPS算力NPU的方案，能自行完成目标检测与分类，并支持边缘侧、卫星与兼容三种工作模式。
这并非一次简单的产品线拓展。
过去两年，智驾领域的竞争聚焦于模型，比拼的是端到端能力与数据闭环速度。但当模型能力开始受限于传感器提供的原始信息时，竞争便向上游硬件环节转移。
这款雷达要解决的，是在模型已足够强大的前提下，感知端能否被重新定义。
为何雷达需搭载AI
智驾当前有两个并行方向：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。这两个方向对技术要求不同，但都指向安全。规模化需用安全说服消费者买单，而L3对安全的要求则更高一个层级。
在此需求下，4D毫米波雷达变得关键。它比激光雷达更经济，在雨雾天气中稳定性更优，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雷达的工作方式。
以行业棘手的障碍物识别为例，传统3D雷达只能判断前方有物体，4D雷达增加了高度维度，可观测目标轮廓，但点云数据仍需逐层传输至中央域控，才能识别其具体类型。链路长度直接决定响应时间。智驾要求既准又快，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，获取点云后立即完成检测与分类，直接向智驾系统输出结构化结果，缩短的正是这部分时间。
但真正瓶颈并非链路长度。
传统毫米波雷达的信号处理依赖CFAR等经典算法，规则在架构设计时已固定。未预设的场景下，算法只能保守处理，表现为多径鬼影、杂波干扰、弱目标丢失及多目标分离不足。这些问题的根源在于规则有覆盖上限，调参只能在误检与漏检间权衡，无法创造新能力。
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，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模型。千里这款雷达并非针对单一场景的补丁式优化，而是从感知链路最前端就对准传统架构的固有缺陷。
但这无法仅靠往雷达里塞入一颗芯片完成。当前分工中，毫米波雷达是供应商交付的成品，算法团队拿到的已是处理后的结果。要让模型在雷达中运行，需从射频设计阶段就参与，若不跨越这条线，AI只能停留在末端做一层后处理。
为何千里来做这件事
要在雷达中运行模型，前提是模型必须自研。
这听起来是常识，但在产业中是一道硬门槛。雷达端需输出何种特征、以何格式输出、与域控如何分工，这些参数一旦由外部供应商按通用逻辑设定，算法团队再强也只能在既定接口中优化。千里拥有基座模型，意味着这些参数可反过来按模型需求定义，而非让模型迁就硬件。
这也是千里过去两年工作能衔接之处。千里2.0的三项成果中，最关键的并非装车数量，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、验证、下放至车端，而非停滞在硬件中。
这条路并非无人能想到，难在同时具备多项条件。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，印奇将这种模式称为“链式协同”，强调边界清晰下的深度合作，而非将所有环节纳入一家公司。这套组合让千里同时拥有大模型能力、芯片侧理解，以及将算法落地车端的工程经验。
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%，千里浩瀚已超百万搭载量，覆盖极氪、领克、smart、银河品牌等数十款车型，用户激活率达93.9%。
传感器这一环在今年被补齐。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，据悉其4D成像毫米波雷达此前已实现多家主流主机厂的定点验证与小批量交付。公告称，这笔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、同步迭代。
这笔交易金额不大，但补齐了关键位置。它让千里从“使用他人雷达编写算法”转变为“从雷达设计阶段参与定义”。这一差异在传统雷达上不明显，但在AI雷达上具有决定性。
印奇是千里科技董事长，2026年1月起出任阶跃星辰董事长。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，并大刀阔斧地开展“AI+车”战略转型。
千里科技董事长 印奇
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雷达的最大不同。
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。卫星架构模式下，雷达仅负责采集与传输，将未做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；边缘侧那份独立结果，则是一份现成的感知结论。
这一点值得深入探讨。
过去行业谈双模式，通常聚焦于“安全冗余”，即中央系统若出问题，雷达能自行兜底。但将其理解为兜底，就低估了这一设计的价值。兼容模式的真正价值在于同一时刻获得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；一份是已处理的结论，信息量小但即时可用。对模型而言，这两份结果并非备份关系，而是可互相校验、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就做二选一。雷达将选择权交还给整车系统设计，而非替客户做决定。
性能上，这款雷达对儿童目标可稳定探测至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。探测距离拉长，判断窗口整体前移，AEB能在更早时间点介入，而非在极限距离内被动触发。
高架桥跟车视角
与千里上一代采用DSP端侧计算的4D雷达相比，这款雷达点云密度增强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。
这件事的分量在哪
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。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同机制，从硬件、数据、算法到应用场景，将整条AI链路跑通。这场实验带给行业的参考价值，将远大于对千里科技自身短期收益的回报。
另一方面，自研雷达、掌握原始点云后，雷达端的数据不再是孤立的感知结果，而是能直接进入训练闭环，成为模型迭代提速的又一关键变量。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，也会因此显著压缩。这套技术路径既提供了一种新解法，也为千里科技在行业中的竞争创造了新筹码。
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，逐步走向具备系统级研发能力的科技公司。
