千里科技扔下关键一子，让AI长进雷达里
摘要：
当智驾竞争从算法、芯片延伸至感知硬件，千里科技试图用一颗自带算力的雷达，把AI能力下沉到感知源头。
凤凰网科技 出品
作者｜Dale
编辑｜董雨晴
一辆汽车能不能看得更远、判断得更准，过去受限于装了什么传感器、搭载了什么芯片，以及算法如何处理这些硬件采集回来的数据。
但当大模型越来越深入地参与智能驾驶，这套分工正在发生变化。
算法不再只是处理硬件提供的数据。模型需要什么样的数据、以怎样的精度和时延获得数据，开始反过来影响感知硬件的设计。对于智驾公司而言，传感器甚至不再只是采购清单上的一个零部件，而可能成为决定模型能力上限的技术环节。
出于这样的思考，千里科技发布了一款AI毫米波雷达（4D），内置10 TOPS算力的NPU，并提供端侧AI计算与卫星架构传输，以及二者兼容的三种工作模式。
从产品形态看，这是一颗具备本地计算能力的毫米波雷达；从技术路线看，它试图把AI能力进一步下沉到感知源头，让传感器不只是采集数据，也能参与数据理解与处理。
过去几年，千里科技已围绕「AI+车」展开布局，从智驾算法、基础模型、端侧芯片到整车量产，逐步搭建起一套软硬协同的技术体系。此次将AI计算能力嵌入雷达，意味着这套体系开始向感知硬件延伸。
对于千里科技董事长印奇而言，这是一条延续了十五年的主线：从2011年创立旷视科技做计算机视觉，到后来转向智能汽车，软硬一体始终是其技术思路里绕不开的一环。
一颗雷达，因而有了超出产品本身的意义：它是千里科技在感知层落下的关键一子，也是这家公司在智驾产业竞争中试图建立差异化位置的最新尝试。落子的位置选在雷达上，是因为AI要真正长进硬件里，总得先有一个能下手的地方。
一次关键落子，让传感器参与模型进化
智能驾驶的竞争逻辑正在发生变化。过去，智驾产业链有着相对清晰的分工：传感器负责感知环境，芯片提供计算能力，算法完成目标识别与决策，整车系统再将这些能力组织起来。车企或智驾供应商可以通过采购成熟的传感器和芯片，再在软件层进行集成与优化，构建自己的驾驶辅助系统。
随着大模型逐渐进入智驾系统，软硬件之间的关系变得更加紧密。
模型能力的提升，不仅依赖数据规模和训练方法，也受到数据质量、信息维度、处理时延以及底层计算架构的约束。倘若传感器输出的数据形式、处理能力和接口标准无法匹配模型需求，算法团队就需要花费额外精力进行适配。硬件本身的局限，也可能成为软件迭代难以绕开的边界。
这正是千里科技此次选择自研AI雷达的出发点。
与传统的「雷达采集数据、后端算法处理」不同，千里的AI毫米波雷达把AI能力直接放到了传感器内部。据凤凰网科技了解，该雷达内置了10 TOPS算力的NPU，可以在本地完成射频信号处理、点云解析、目标分类，并进一步进行运动轨迹预判与占用空间估算。
图｜千里科技AI毫米波雷达点云效果呈现
这意味着，雷达的角色不再局限于提供原始感知信息，而是可以在数据进入中央域控之前，先完成一部分识别和处理工作。
在传统架构下，算法与硬件往往来自不同的技术体系，双方需要经过接口适配、联合调试和反复验证才能形成稳定的系统。模型升级后，硬件未必能同步调整；传感器遇到识别边界问题，也未必能通过算法优化完全解决。
如果从设计之初就让算法与传感器围绕同一套目标协同开发，模型对数据的需求便有机会直接转化为硬件设计要求。随着数据积累和软件升级，感知能力也能够继续迭代。
千里给出的方案，还包括边缘计算与卫星架构以及两者兼容的三种工作模式。
在边缘模式下，雷达在本地完成从射频信号到结构化感知结果的整条链路，直接向域控输出目标信息。链路短、响应快，也减轻了域控的负担。
在卫星架构模式下，雷达只负责采集和传输，把未做目标检测的中频数据送进中央域控，由域控用更大的模型完成多源前融合。这样保留的信息更全，算法可以统一，后续算力提升时也有升级空间。
多种模式对应不同的系统分工，共享同一套硬件基础。这种设计的意义，在于为整车厂提供不同的架构选择，同时保留传感器与上层模型协同优化的空间。
这颗雷达所体现的技术思路是明确的：千里不满足于让算法适应现成的硬件，而是开始尝试让硬件按照模型的需要重新设计。
在竞争日渐激烈的智能驾驶行业，软硬的配合也愈发重要。当模型逐渐成为智驾系统的核心，谁能够把算法、算力、传感器和整车系统组织成一个持续迭代的整体，就更加具有竞争优势。
千里AI雷达的关键价值，正在于它把这场竞争向感知源头推进了一步。
抢占物理AI高地，软硬兼修是必由之路
当算法趋近于技术的天花板，软硬进一步结合，可以互相促进，从而实现效果与性能上的提升。这也是外界常拿来调侃的一件事，鼎鼎大名的算力卖铲人英伟达，实际上更像一家软件公司。
印奇从更早之前就看到了这一点。
从深度学习框架天元、AI操作系统Brain++，到AI相机与机器人操作系统河图，这些成果各自做的事情不同，指向的是同一个判断：算法需要通过系统和硬件进入真实业务，才能转化为可交付、可复制的产品能力。这与单纯追求模型或算法指标的思路有所不同。
2024年，印奇入主千里科技后，便将「AI+车」作为核心战略。相较于纯软件应用，汽车拥有明确的物理载体、复杂的感知与控制系统，以及规模化交付的产业基础。在印奇的判断中，汽车是AI与物理世界结合的重要场景，也是具身智能能力走向商业化的现实路径之一。
此后，千里的技术布局逐渐展开。
10月22日，重庆通用人工智能大会开幕，印奇发表主题为《以汽车智能化打造物理AI全球高地》的演讲。在演讲中，印奇分享了对于中国物理AI发展趋势的判断，并发布了千里转型迈向2.0阶段在技术、规模和体系等方面的关键成果。
在印奇的判断中，AI正加速从数字世界走向物理世界。凭借完整的制造业体系、丰富的应用场景及庞大的终端市场，中国正迎来物理AI这一重要的产业机遇。在此过程中，智能汽车将会是物理AI落地的核心载体，也是中国的产业优势最集中的领域。
千里在打造基座模型之外的工程能力，最终支撑起千里2.0战略。
今年6月，千里智驾以2590.8万元收购4D毫米波雷达公司融感科技100%股权，开始将感知硬件纳入自身的技术体系。到了10月，AI毫米波雷达正式发布，这条持续多年的软硬一体路线，终于在智能驾驶的感知层出现了新的产品落点。
从产业分工看，这一步并不轻松。
智驾公司可以通过外采成熟硬件，降低前期研发成本，也能够借助供应商已有的技术积累加快产品落地。自研则意味着更高的研发投入、更复杂的系统工程，以及量产可靠性验证等一系列挑战。对于一家仍在推进商业化的公司来说，选择向感知硬件延伸，本身就是一项需要长期投入的决策。
但反过来看，如果模型迭代速度持续加快，外部硬件的开发节奏、接口限制和供应商协同成本，也可能成为技术演进中的约束。自研的意义，并不一定是所有部件都要自己制造，而是对决定系统能力上限的关键环节，拥有更直接的定义权和迭代权。
对于旷视而言，AI相机曾经是算法能力进入物理世界的重要载体；到了今天的千里科技，AI雷达试图承担相似的角色。不同的是，汽车对感知精度、系统可靠性和实时性的要求更高，传感器还需要与整车电子电气架构、智驾模型和安全冗余机制共同工作。
因此，软硬一体不是简单地把硬件纳入产品目录，也不是把几个技术团队放在同一家公司里。真正的考验在于，软件与硬件能否围绕同一套模型目标协同设计，并在量产过程中持续迭代。
从算法到整车，千里的链式协同进入深水区
在这颗AI雷达背后，一个更加系统性的布局已经显露。
在此之前，千里科技已经围绕智能驾驶形成了多层布局：算法层有自研智驾模型，并与阶跃星辰推进基础模型协同；算力上，深化云端与端侧生态合作；整车层则依托吉利系车型展开量产落地。根据媒体报道，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。
此次AI雷达的发布，则把此前相对薄弱的感知硬件环节纳入体系。
由此，千里形成了一条更完整的技术链条：基础模型提供智能能力，智驾算法将模型转化为驾驶任务，芯片提供端侧与云端算力，传感器负责感知物理环境，整车则成为技术落地、数据积累和持续迭代的载体。
这也是千里所说的「链式协同」。在这条链条里，不同环节之间的关系不只是供应商与客户的简单交易。千里承担需求定义与算法模型，合作伙伴承担硬件实现，双方从设计阶段就同步推进，让模型需求、硬件设计、系统部署和量产数据形成更紧密的连接。
这种模式的潜在优势，在于兼顾技术控制力与产业开放性。不必把产业链所有能力全部收归内部，但必须能够围绕自己的模型和产品目标，定义关键技术接口，并推动各环节共同迭代。
AI雷达是这套体系向感知层延伸的一个具体案例。
它也让「含模量」这个智驾行业正在讨论的指标，有了更具体的落点。千里此前强调，含模量衡量的是AI大模型在智驾系统中覆盖的广度与深度。模型参与的环节越多，系统的智能化上限就越有机会提高。但模型能否真正发挥作用，不只取决于算法本身，也取决于它能否获得适合的数据、足够的算力，以及与之匹配的硬件接口。
从这个角度看，把AI计算能力嵌入雷达，是试图将模型能力从算法层继续延伸到感知层。
对千里而言，接下来的考验至少包括三个方面：AI雷达能否在真实道路场景中证明相较于传统方案的稳定性与有效性；传感器与智驾模型的协同能否转化为可持续迭代的系统优势，而非单一产品的参数亮点；这套技术体系能否在更多车型和客户中规模化部署，并在成本、交付效率和商业回报之间找到平衡。
智能驾驶下一阶段的竞争，或许不会由某一颗芯片、某一个模型或某一种传感器单独决定。真正拉开差距的，可能是企业能否将这些技术环节连接起来，让它们围绕同一套智能系统持续进化。
从算法到芯片，从感知硬件到整车，千里正在尝试把分散的技术能力串成一条链。接下来，这条链能否在量产中跑通，将决定它究竟是一套完整的技术拼图，还是一项真正能够转化为竞争优势的产业能力。