在被物理 AI 席卷的叙事中，「数据飞轮」、「端到端推理」与「世界模型」几乎垄断了所有的聚光灯与话语权；但在这背后，端侧硬件的重要性却被严重低估。如果说具身智能的硬件迭代尚且能收割一部分关注，那智能驾驶的传感器则被排在了技术狂欢的边缘。
当上层模型的进化以天为单位时，底层硬件以年计算的漫长迭代节奏，成为了智驾模型的紧箍咒。在此背景下，有人坚持全栈自研，或者自研芯片底座+生态算法，也有人专攻基座模型，而千里科技选了另一条路。
10月23日，该公司发布了一颗自带10 TOPS NPU的「AI毫米波雷达」（4D），可同时支持端侧AI计算与卫星架构传输两种工作模式。这意味着，这颗雷达自己长出了「脑子」。它不再是个只会按死规矩筛数据的「搬运工」，而是用 AI从「只管看」直接变成了「看得懂」。

从6月披露收购毫米波雷达公司——融感科技，到10月拿出自研成果，千里科技只用了四个月。这是一场对齐「软硬件时差」闪电战，其背后，是行业对传统供应链日益耗尽的耐心。
高算力加持
让雷达学会「看懂」世界
在毫米波雷达中引入AI算力其实并不新鲜，此前行业的主流路径有两条：一条是「算法优化法」，即利用虚拟孔径成像等纯软件算法，在后端强行拉高低通道硬件的分辨率上限；另一条是更普遍的「中心化后处理路线」——前端雷达依旧只做最基础的信号粗加工，把没怎么处理过的「毛坯数据」直接交由车载算力平台进行清理和识别。
不过，在这两条路线中，雷达硬件本体均被当成一个单纯的信号采集外设，其核心运算长期处于弱算力状态。
而千里科技选择的，是一条全新的「端侧重构」路线——直接在雷达本体内封装一颗10 TOPS的NPU，打通从底层信号处理到目标分类的全链路AI化。

要知道，传统毫米波雷达内部通常只配备低主频的 MCU 或专用 DSP，浮点运算能力往往仅停留在GFLOPS（十亿次每秒）级别，甚至很难满足轻量化深度学习模型的推理需求；而千里将10 TOPS这一量级的端侧算力塞进方寸大小的传感器外壳中，这一量级的端侧算力此前只出现在车载计算平台上。因此，这颗雷达在本地即可完成从射频信号处理、点云解析、目标分类，到运动轨迹预判与空间占用估算的全套闭环。
如此一来，环境中的噪声、杂波以及无效反射等数据，从感知源头就会被清洗完毕，向外输出的是经过编码对齐的高价值四维时空特征，无缝切入车端的BEV-4D 融合网络，不仅大幅降低域控带宽与算力开销，更能充分释放大模型的时空融合与泛化推理能力，在面对未曾遇见的极端长尾场景时依然能够精准判断。
这显然不是简单的「4D雷达 + AI 补丁」，而是整条链路的原生AI化——前者就像用一台相机拍出模糊的照片，再用后期的 AI 软件把噪点修掉；而千里做的是从「感光元器件捕获光子」那一刻起，就将最原始的信号检测直接打通到最终的物体分类。

感知重构从「被动采集」到「主动认知」
基于这套AI原生架构，该款AI毫米波雷达（4D）的核心技术优势可以用以下四点总结：
1、空间维度补齐：从扁平到立体
传统3D雷达因没有俯仰角，感知不到空间中的「上下」维度。例如，当车辆在遇到高速公路的悬空龙门架与地面车重叠时，可能会因分不清高低而发生幽灵急刹。而千里的AI毫米波雷达通过补齐垂直天线阵列，把扁平点云撑成立体空间，从物理源头让系统分清路障究竟悬在天上还是横在路面。
2、处理机制重构：破解多径鬼影
在长隧道或金属护栏夹道的极端场景下，雷达波多径反射严重，极易产生大量虚假「鬼影」，甚至淹没行人。千里从波形与天线设计源头就引入算法，在检测、测角与分类全链路用数据驱动模型替代死板规则，实现最前端的精准降噪与目标剥离。

3、算力位置前移：为中央域控减负
若在复杂路口将海量4D原始点云直接塞给中央域控，极易跑满总线带宽并拖垮芯片。千里直接在雷达内封装10 TOPS NPU，将AI检测、测角与点云增强直接收敛在端侧闭环，只向外输出高置信度的结构化特征，大幅释放中央算力并抹平时延隐患。
4、数据交付变革：一套硬件，两种模式
新型雷达打破了传统传感器单一格式的交付死局：边缘侧模式下，它独立跑完全流程输出目标，适配轻量化车型；卫星架构模式下，它向中央域控输出提纯后的特征，参与大模型的多传感器前融合。两种模式共用同一套硬件底座，硬件、特征接口与 BEV 融合链路从设计之初就同步定义。

关键在于，卫星模式下雷达的端侧算力并不关闭、持续在线。当中央域控或通信链路异常时，它能瞬间激活本地 AI 推理，独立输出目标检测与预警信号，不依赖中央域，为整车安全系统守住响应窗口。
值得强调的是，这种兼容模式并非传统意义上的「故障兜底」，而是解耦了两种完全不同的时间尺度：传统雷达需要通过中央域控做多源前融合，必须等齐多路帧率、对齐时序以「尽量看全」，耗时较长，容易造成延时；而千里的AI毫米波雷达通过端侧与传输双轨并行，让系统在常态下就能同时拿到一份用于全局推演、一份用于极速响应的感知结果，这份巧思才是其真正的价值所在。
4D雷达的代际换血时刻
在智驾硬件的演进坐标系中，4D 毫米波雷达正在加速从「可选项」走向「必选项」，其背后的驱动力来自体验与法规的双向倒逼。
一方面，是体验遭遇瓶颈：随着智驾进入深水区，高速路面静止障碍物、路口横穿行人以及暴雨、浓雾、暗光等极端工况高频出现，这些场景对空间分辨率与弱目标捕捉的极高要求，已经超出了传统雷达目标级输出的能力边界。
另一方面，是法规红线全面收紧：全球安全测试标准对AEB在更高车速、静止车避撞以及雨夜复杂行人防护上的要求，已呈指数级提升，传统毫米波雷达的技术天花板已难以支撑新规下的硬性指标。
既然体验要升阶、法规要过关，那么硬件底座必须经历代际换血。
在这一节点上，千里这一颗雷达展现出了断层式的性能跨越：与上一代采用 DSP 端侧计算的4D雷达相比，最新的AI毫米波雷达实现了四项硬核能力的跨代飞跃：空间角分辨力提升4-8倍，点云密度增强10倍，远距分辨率提升3-5倍

这种性能跃迁直接体现在最具挑战的弱小目标防御上——在目标未被遮挡的情况下，它对儿童的稳定探测距离达到了100至150米，为极端场景下的底盘决策锁定了生死攸关的制动纵深。
在高阶智驾普及与安全准则的双重牵引下，4D 毫米波雷达正在加速走向标配。而千里科技的原生AI雷达，从架构底层打破了性能天花板，让4D毫米波雷达成为车企构筑感知冗余时的一道必答题。
关于「模型天花板」的底层拷问
当一套智驾系统在复杂路况下出现犹疑或误判时，人们往往习惯归咎于算法。可是，有一个问题值得深究：当模型表现不好时，究竟是它没学会，还是它根本没看清？
行业中的「软硬件时差」矛盾一直存在——模型覆盖的链路越长，对感知数据的维度、纯净度与纳秒级时延就越挑剔，这也是多家车企和具身企业成为「全栈自研信徒」的原因。
但是全栈自研对企业实力的考验，是极为严苛的。这种方式虽然能快速拉齐迭代节奏，但门槛却高得令人望而生畏。它意味着车企必须在芯片、射频、底盘与模型每一层都吞下天文数字般的资金消耗，并且要全盘承担研发决策方面的风险，稍有不慎便会拖垮整体节奏。
还有一种路线，是走向极其开放的「芯片底座+生态算法」路线，依托标准化的通用计算底座撬动产业协同，阻力最小，却受限于不同硬件积木拼装时的木桶效应，难以榨干底层硬件的极限性能。
千里选择的「第三条路」，是软硬一体下的链式协同。它既不盲目背负全栈重资产的包袱，也不甘于做下游被动的零件拼装，而是通过分工将长板紧密咬合——阶跃星辰提供基座模型能力，端侧芯片依托高成熟度的外部供应，融感科技提供毫米波雷达的射频设计与信号处理底蕴，吉利则开放量产场景与整车验证。千里要做的，是把这群专家组织到同一套系统架构里，抹平软硬件之间的「时差」。
再强的思维链，也无法离开真正敏锐的「眼」和「脑」。
在模型侧，千里并非没有秀肌肉的资本——在本年度 NeurIPS 整体录用率仅为 25.7%的背景下，千里科技围绕 VLA、世界模型与 3D 表征等核心方向布局的 6 篇学术论文，均被大会正式录用。但这恰恰引向了更深层的现实：模型能力推得越高，算法反哺现实世界的「胃口」就越挑剔；思维链推演得越缜密，就越容不得感知源头出现哪怕一毫秒的迟滞与模糊。
顶层模型的突破，并没有弱化物理硬件的存在感，反而是将「看清世界」的分量推到了前所未有的高度，硬件正在成为物理 AI 时代最容易被低估的坚固壁垒。
千里的这颗 AI 毫米波雷达，其意义绝非仅仅是一颗新硬件的量产落地。正如印奇所说的：“软件和硬件的结合带来的是壁垒。”