當智駕都在卷模型，千里科技為何開始造雷達？

2026年10月26日 11:06:35

千里科技在智能驾驶上，又落了一步。

不久前他们发布了一款AI毫米波雷达，4D的。这颗雷达内置10 TOPS算力的NPU，能直接在传感器端跑AI算法，同时支持端侧AI计算和卫星架构两种工作模式。

说人话就是，AI被装进了雷达里，传感器在采集环境信息的同时，还能自己参与目标识别和空间理解。

这件事放在整个智驾行业里看，挺有意思。

过去几年，智驾公司的竞争几乎都围着大模型转。端到端、VLA、世界模型，一个接一个，大家都在想办法把含模量往上提，让AI多承担一点感知、预测和决策的活儿。

就在全行业都在卷模型的时候，千里跑去造雷达，把目光投向了更底层的感知硬件。

这背后其实藏着一个变化。模型能力越往上走，底层感知硬件的重要性反而越凸显。模型能发挥出多少，越来越取决于它能拿到什么样的环境信息。

所以这颗雷达可以当成一个切口，用来看看下一阶段的智驾竞争在比什么。

01 模型跑得比硬件快了，感知成了短板

要搞懂千里为什么做AI雷达，得先看智驾行业正在发生的那个变化。

很长时间里，这个行业的分工很清楚。雷达、摄像头、激光雷达由硬件供应商提供，智驾公司花钱买回来，再靠自己的算法做环境感知、路径规划和车辆控制。

行业早期这么干很合理。汽车传感器早就形成了成熟产业链，车企和智驾公司确实没有必要把每样硬件重新研发一遍。

但智驾进入大模型时代以后，这套分工开始顶不住了。

原因不复杂，模型越强，对底层数据的要求就越高。

以前智驾系统主要靠人工规则和相对独立的算法模块。雷达给出前方物体的距离、速度和方位，后端按预先设好的规则判断就行，各环节职责清晰。

现在越来越多的感知、预测、决策任务交给AI模型。模型要从大量数据里学，要理解复杂的道路环境，要对不同场景做判断。它对传感器提的要求就变了，信息得更多、更准，传递过程中的损失和延迟得尽可能少。

问题恰恰出在这儿。

拿传统毫米波雷达来说，它主要给距离、速度和水平方位这几项。缺高度维度，角分辨率也有限，遇到复杂场景很难把不同的东西分开。

更关键的是，雷达通常会先处理一遍原始信号，过滤掉一部分信息，再把结果交给后端算法。而被过滤掉的那部分里，可能正藏着AI模型识别复杂场景需要的细节。

这就好比给一个特别聪明的大脑，配了一双分辨率不够的眼睛。脑子再聪明，也判断不了它压根没看清的东西。

光看清还不够。就算信息给足了，还有个更麻烦的问题，节奏差。

AI模型的迭代周期按季度算，一款车规级硬件从定义、验证到量产，周期通常按年算。软件的进化速度已经超过硬件的响应速度。

于是每到模型提出新需求，智驾公司就得跟硬件供应商重新沟通，做适配、测试、验证。整个过程可能拖几个月，等新硬件真部署上去，模型说不定又升级了一轮。

一边是软件按季度跑，一边是硬件按年走，中间还夹着跨供应商的沟通和适配成本。研发效率就这么被拖住了。这也是千里选择自己做雷达的重要原因。

当模型成了智驾系统的核心，硬件的研发逻辑也得跟着改。与其让不断进化的模型去将就现成硬件，不如从模型的实际需求倒推，重新定义雷达该有什么感知能力、该输出什么数据。

这样一来，模型和雷达能在同一套研发体系里协同迭代，中间的沟通适配成本省了，硬件能力也更贴合算法升级的方向。

千里这次发布的AI毫米波雷达，就是照这个思路做的。

02 给毫米波雷达，装一个前端大脑

这颗雷达最值得看的变化，是把AI计算能力直接沉到了传感器内部。

10 TOPS算力的NPU搁在雷达里，相当于给雷达单独配了个前端大脑。AI从信号处理这一步开始，就参与目标识别和运动轨迹预测。

为什么值得这么干，得先弄明白雷达是怎么工作的。

雷达往外发电磁波，接收物体反射回来的信号，据此测算周围目标的距离、位置和运动速度。但能探测到一个物体，不等于能认出它是什么。

举个例子。前方来了一组回波，它可能来自路边停着的汽车，也可能来自一段金属护栏，还可能来自一个正横穿马路的行人。

传统毫米波雷达一般先用预设规则过滤杂波、提取目标，再把位置、速度这些信息交给中央计算系统，由后端算法结合摄像头做进一步判断。这套流程为了省传输带宽，会把一部分弱回波当成干扰先筛掉。

千里的做法，是让AI更早介入这条链路。

按他们的技术方案，雷达里的NPU可以直接跑AI算法，在本地完成射频信号处理、点云解析、目标分类、运动轨迹预判和占用空间估算。海量原始数据不用全往域控送，输出的是编码对齐后的四维时空特征，可以直接对接BEV-4D融合网络。

举个具体的。前方有个骑自行车的人，雷达可以结合连续多帧的位置、速度和空间特征，认出这是非机动车，顺便预判他接下来往哪走。整个过程在毫秒级完成。

雨雾天、暗光里，摄像头容易发挥不稳定，毫米波雷达对光照不敏感这个特点就派上用场了，能给系统补一层感知。

这个设计真正的意义，是改了车内的算力分工。

以前的活法是，大量感知数据先送到中央计算平台再处理。现在雷达自己先滤掉无效回波、认出目标，再把处理好的四维空间特征送上去，跟摄像头的信息融合。

这么一来，数据传输量和中央平台的算力负担都有机会降下来，省出的算力可以拿去干更难的活，理解复杂场景、规划路径、做驾驶决策。

千里还给这颗雷达设计了两种工作模式。

一种是边缘模式，雷达自己承担更多本地计算，全链路感知在本地完成。另一种是卫星模式，把更多雷达数据和特征交给中央计算平台，由智驾大模型统一分析融合。两种模式共用同一套硬件底座，硬件、特征接口和BEV融合链路同步定义。

两种模式不是二选一的关系，看整车算力怎么配。算力富余的，边缘多担一点，响应更快；算力集中在中央的，雷达就多做采集和传输，让更大的模型进场做前融合，信息保留得更全，算法也统一。后续算力往上走，这套架构还留得出升级空间。

这颗雷达还支持OTA。AI模型持续训练，雷达的目标识别和场景理解能力也能靠软件往上走，不用每次升级都换硬件。

往产业层面看，这颗雷达更深一层的价值，是让千里在感知硬件的定义上有了主动权。它从被动接受供应商的标准件，转向参与定义雷达的性能和数据处理方式，让软硬件真正协同迭代。

这也说明智驾行业的一个趋势。大模型往驾驶系统里扎得越深，竞争就从单一的算法能力，走向模型、算力、感知硬件的系统级比拼。

03 窗口期：规模起来了，高性能产品还没跟上

千里选在这个时候进毫米波雷达市场，踩中了一个窗口。

高工智能汽车研究院的数据是，2025年中国乘用车前装毫米波雷达4101万颗，同比增长43.24%；其中4D毫米波雷达1517万颗，同比增长862%。

862%这个增速得放到基数里看。2024年4D前装量还很小，这个数字反映的是刚开始上量的阶段，不是市场已经成熟了。

把这组数据拆开看，还能发现一件事。现在市场上大量搭载的4D毫米波雷达，还是4T4R这类入门级产品，很难满足更复杂的高阶智驾需求。

也就是说，市场进了规模化增长阶段，但高性能产品的普及才刚开始。这正是千里的机会。

从产品本身的升级看，4D相对传统毫米波雷达的变化不小。传统雷达只给距离、速度、水平方位，点云稀疏，判断物体的高度和轮廓很吃力，碰上静止障碍物、金属设施这类目标容易出错，幽灵刹车有一部分就是这么来的。4D加了高度这一维，点云密度也上去了，物体的空间形态能看得更清楚。

成本也是关键。4D毫米波雷达的价格明显低于激光雷达，在成本可控的前提下，它能承担更多复杂场景的感知任务，跟摄像头、激光雷达形成互补，高性能感知也就有机会往更多中低价位的车型上走。

千里这颗AI雷达的探测能力，官方给的测试数据是，100米外能探测静止儿童，110米识别塑料锥桶，180米探测轮胎，250米探测两轮车，300米探测纸箱，380米探测运动车辆。纸箱能探到300米，是因为它面积大、反射面平整，回波比两轮车更容易抓。

这些指标还得看具体的测试条件和量产表现。不过能看出来，AI算法和4D毫米波雷达结合以后，感知硬件正在获得更强的环境理解能力。

比技术和成本更值得说的，是第三层商业逻辑。智驾软件的竞争越来越向头部集中，感知硬件反而可能成为创新公司的新入口。

这几年智驾软件赛道收敛得很快，头部效应越来越明显，后来者想靠算法追平，窗口在变小。

硬件的逻辑不一样。不同价位、不同车型，对传感器的性能和成本要求本来就不同。车企通常也要引入多家供应商，既保供应链稳定，也维持技术和成本上的竞争。

这就意味着，哪怕行业已经有了头部，具备差异化技术能力的公司依然有机会进主流供应链。而且硬件一旦被定义进整车架构，替换成本很高，粘性比软件更强。

从这个角度看，千里自研AI雷达的价值，是把智驾系统的底层感知能力补上，把自己的竞争力从算法层延伸到软硬件协同层。智驾进入大模型竞争阶段以后，这种从底层感知到上层决策的协同能力，才可能是长期优势的来处。