10月23日，千里科技正式推出了一款AI毫米波雷达。根据公开资料，这是业界首个在雷达内部集成10 TOPS算力NPU的方案，可独立完成目标检测与分类，并支持边缘侧、卫星及兼容三种工作模式。
这并非一次普通的产品扩展。
过去两年，智能驾驶行业的竞争焦点集中在模型层面，各家公司比拼端到端能力与数据闭环速度。然而，当模型性能逐渐触及传感器提供的原始信息上限时，竞争便开始向更上游的硬件领域转移。
这款雷达旨在回答一个问题：在模型已足够强大的前提下，感知端是否还能被重新定义。
为何雷达需要集成AI
当前智能驾驶正沿着两条路径推进。一是高阶智驾向十几万元的主流市场下沉，二是L3级自动驾驶准备进入量产。尽管两者技术要求不同，但最终都指向安全。规模化依赖安全来赢得用户信任，而L3对安全的要求则更高。
在安全需求下，4D毫米波雷达的地位变得至关重要。它比激光雷达成本更低，且在雨雾天气中稳定性更佳，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雷达的工作流程。
以行业棘手的障碍物识别为例，传统3D雷达仅能感知前方存在物体，4D雷达虽增加了高度维度，可识别目标轮廓，但点云数据仍需逐层传输至中央域控才能判断具体物体。链路长度直接决定了反应时间。智能驾驶追求既准又快，链路越长，留给决策的窗口越短。
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，缩短的正是这段流程。
但真正的瓶颈并非链路长度。
传统毫米波雷达的信号处理依赖CFAR等经典算法，规则在架构设计阶段就已固定。设计时未预见的场景，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存在覆盖上限，单纯调整参数只能在误检与漏检间权衡，无法带来新能力。
用模型替代规则，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、性能的多重约束下借助算法寻找最优解；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的模型。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。
不过，这并非仅靠向雷达内添加一颗芯片就能实现。当前分工中，毫米波雷达由供应商交付成品，算法团队接收的是已处理的结果。要让模型在雷达内运行，必须从射频设计阶段就参与。若不跨越这条线，AI只能停留在末端进行后处理。
为何由千里来推动
要在雷达中运行模型，前提是模型必须自主开发。
这听起来像常识，但在产业中却是一道硬门槛。雷达端需输出何种特征、以何种格式输出、与域控如何分工，一旦这些参数由外部供应商按通用逻辑确定，算法团队再强也只能在既定接口内优化。千里拥有基座模型，意味着这些参数可反过来按模型需求设定，而非让模型迁就硬件。
这也是千里过去两年工作的衔接点。千里2.0的三项成果中，最关键的并非装机量，而是那套循环：模型决定产品上限，工程体系决定交付速度，装车产生的数据又反过来训练模型。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、验证并下放到车端，而非停留在硬件中。
这条路径并非无人能想到，难点在于同时具备多项能力。千里的「链式协同」模式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。这套组合使千里同时拥有大模型能力、芯片侧理解以及将算法落地到车端的工程经验。例如，在开云体育中国的技术生态中，类似的分工协作模式也正推动着AI与硬件的深度融合。
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达12.35亿元，占主营业务收入的24.3%。千里浩瀚搭载量超百万，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%。
传感器这一环节于今年补齐。根据公开公告，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，其4D成像毫米波雷达此前已获得多家主流主机厂的定点验证与小批量交付。公告指出，此举旨在打通软硬一体、全栈交付的业务闭环，实现自研算法与硬件的联合优化与同步迭代。
这笔交易金额不大，但补位关键。它使千里从“用别人的雷达写算法”转变为“从雷达设计阶段就参与定义”。这一差异在传统雷达上不明显，但对AI雷达而言具有决定性。
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，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、工业机器人和智能汽车。2024年，印奇掌舵力帆，次年2月公司更名为千里科技，并大力推行“AI+车”战略转型。
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雷达的最大区别。
在边缘侧模式下，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。在卫星架构模式下，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、算法统一且后续可升级。
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进行处理与融合，同时雷达上的边缘侧处理器独立完成另一套处理。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；边缘侧的独立结果则是一份现成的感知结论。
这一点值得深入探讨。
过去行业提及双模式，通常聚焦于“安全冗余”，即中央系统万一故障，雷达可自行兜底。但将其仅视为兜底，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取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；一份是已处理结论，信息量少但即用即得。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。兼容模式使这两种取法在同一颗雷达上同时成立，无需在架构设计阶段就做出二选一决定。雷达将选择权交回整车系统设计，而非替客户做决定。
性能方面，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。探测距离拉长后，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。
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。
这件事的分量所在
这款雷达的意义不仅在于单点性能突破，更在于验证了一种可复制的模式。它不追求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。这场实验为行业带来的参考价值，将远超对千里科技自身短期收益的回报。
另一方面，自研雷达并掌握原始点云后，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，也将因此显著压缩。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创造了新筹码。
通过这款雷达，千里科技正尝试从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。