承泰科技CTO周珂：AI雷达时代已到来，模型定义功能成新范式

“AI雷达”近年来成为行业热词。围绕它是什么、为何现在出现、将如何改变毫米波雷达产业，业界正在形成越来越多的讨论。本文基于公开研究、产业实践及超级雷达社区的行业讨论，对其中核心观点进行梳理。超级雷达社区由承泰科技发起，面向雷达产业链、科研机构与开发者开放，关注技术交流、工具共建、数据协作与标准讨论。

从软件定义到模型定义

AI雷达，简单说是AI赋能的雷达，准确说是支持AI模型部署、由模型定义功能的雷达，即Model-Defined Radar，简称MDR。传统雷达的功能由工程师把人工设计的算法和硬性规则写进固件，出厂即定格；AI雷达的功能则由可训练、可迭代的AI模型实现，模型可部署、替换、持续升级，由开发者自行定义。

技术底层看，传统雷达遵循几十年不变的级联信号处理链：ADC采样、2D-FFT、CFAR检测、DOA测角、聚类、跟踪、分类。每一级处理都是对物理世界的“简化假设”，包括点模型、高斯噪声、多径可滤除，而真实世界从不按假设运行，逐级丢失信息、累积误差，形成能力天花板。AI雷达走另一条路：让数据自己说话。模型直接从原始信号中学习最优表征，信息无损传递、特征自学习，追求全局最优。类比上，网络有SDN、汽车有SDV，雷达则从SDR（软件定义雷达）进一步发展为MDR（模型定义雷达）。AI的引入降低了雷达开发门槛，把雷达从少数算法专家的专业技术变成可广泛参与的通用技术。

4D成像雷达与AI雷达不是一回事

4D成像雷达解决“看得清”，是硬件能力升级；AI雷达解决“看得懂、迭代得快”，是开发范式变革。两者相互成就——高清数据为模型提供养料，模型让高清数据产生价值。原文用一句话概括这种关系：“4D成像雷达把路修宽，AI雷达让路上跑起车来。”

承泰科技近年来持续探索中央计算雷达、超级雷达等技术路线，本质上也是在尝试解决同一个问题：如何让雷达保留更多原始信息，并让这些数据真正进入后端AI计算体系。让更多人参与雷达开发，需要软硬件解耦，这是AI雷达的另一支柱。软件与模型开发者面向应用独立开发，硬件交给专业厂家，形成类似PC产业的分层分工——在通用硬件基础上开发面向不同场景的应用模型，雷达从封闭生态走向开放生态。过去研发一款雷达须同时具备硬件、软件、射频、算法能力，只有少数企业和科研机构玩得起；解耦后不必组建全领域团队、不必购置昂贵射频环境，更多团队和个人得以参与。在这一过程中，承泰希望通过超级雷达开发平台、SDK以及相关开发工具，把过去相对封闭的雷达开发环境逐步开放出来，让更多AI开发者能够以更接近视觉AI的方式理解和使用雷达数据。

一个需求牵引，三个技术拐点

AI雷达直到现在才出现，是因为几股力量此刻才汇聚，可总结为“一个需求牵引，三个技术拐点”。

• 需求牵引：物理AI爆发。具身智能、机器人发展使感知需求从“看得见”升级为“看得懂”，而跨越门槛的钥匙正是AI模型。物理AI必然遭遇雨雾烟尘、逆光闪光、透明障碍物等复杂环境感知挑战，把雷达感知推到台前。
• 数据拐点。毫米波雷达近年探测精度与分辨率实现数量级飞跃，点云可达每帧数千至数万点，成为真正的成像雷达，单帧数据量达激光雷达级别。高清数据是AI的口粮。
• 算力拐点。一端在雷达本体，内存与算力提升千百倍，端侧具备部署AI模型的硬件环境；另一端在系统架构，如汽车从分布式ECU走向中央计算+区域控制，整车演化为“移动数据中心”，中央计算单元提供数百乃至上千TOPS算力，雷达原始数据可经车载高速网络直传域控，多节点原始数据甚至可相干融合、联合处理，实现虚拟孔径扩展与全局优化。
• 算法拐点。AI技术平民化与基础模型跨模态能力。模型能力增强、算力成本下降，PyTorch、ONNX等开源工具链成熟；GPT、ViT、Occupancy Network等已证明端到端学习在感知任务上的压倒性优势，迁移到雷达数据域路径清晰。

需求在牵引，数据、算力、算法三个条件同时具备，AI雷达顺势而生。

雷达正站在类似视觉AI的门槛

类比视频AI：2012年AlexNet在ImageNet一鸣惊人，开启视觉AI十年突破。但爆发的前提是两个——高质量标注数据积累，即ImageNet本身，与工具链普及，让千万开发者可参与。雷达正站在类似门槛。学术界早有尝试：卡内基梅隆用100万帧原始雷达数据预训练出首个毫米波雷达“基础模型”，可微调复用于检测、分割等任务；谷歌Soli把毫米波雷达装进手机实现隔空操控；近年还有学者用雷达无接触测出心电信号；顶级机器人会议工作已能让自然语言直接指挥4D雷达。这些说明雷达与AI结合的天花板远高于想象。

但需强调：学术演示到产业爆发之间，隔着数据、工具和生态。视觉AI爆发不是模型某天突然变聪明，而是千万开发者手里有了数据、工具和平台。在承泰科技看来，雷达行业当前缺少的正是这样的基础设施，而这也是承泰科技希望长期投入并联合产业各方共同补上的环节。

AI雷达开发将分三个阶段

• 初级·点云外置处理：雷达经标准接口输出点云，开发者在外置处理器上训练部署模型，门槛最低。
• 中级·模型上机部署：开发者直接在雷达内置计算单元部署模型，数据经API获取，集成度更高、成本更低、实时性更好。
• 高级·原始信号开放：开发者经高速接口获取原始信号，探索微动特征、非视距感知等前沿方向，面向科研机构与深度研发团队。

生态越成熟，走向深水区的开发者越多，如同视觉领域大多数调用成熟模型、少数研究底层架构，两者相互支撑。

六项能力升级

1. 信息利用。传统雷达只用人工特征，包括距离、速度、角度、RCS；AI雷达利用原始信号全部电磁信息，包括微多普勒、极化、散射中心分布等工程无法触及的维度，数量级提升。
2. 角分辨率。传统受物理孔径，即瑞利极限限制；AI可通过超分辨学习突破，提升数倍，直接价值是小目标检测——大目标旁也能看清小目标。
3. 输出能力升维。传统输出“点目标”，即距离/速度/角度；AI输出“语义实体”——不是“这里有反射点”，而是“一辆正在减速的轿车”“一个奔跑的儿童，预计1.2秒后进入车道”，甚至判断“这是被风吹动的灌木丛，可通行”。
4. Free Space可通行区域。传统告诉你“前面有东西”，AI告诉你“哪里可以走”——区分低矮障碍与路面起伏避免误刹，识别积水结冰沙石并估计附着系数，在黑暗或暴雨中绘制可通行走廊，端到端原生输出。
5. 语义SLAM。雷达开始具备“记忆”，把回波纹理，包括护栏样式、路面接缝、建筑立面，编码为语义路标，在GPS拒止环境高精度定位；回到同一场景能“认出”并调取历史语义地图融合，自动标记施工区、临时障碍，让语义地图实时演化。
6. 工程效率。传统调参以周计，AI数据驱动训练以天计；新增功能从重新设计信号处理链变为新增任务头做迁移学习，即插即用。恶劣天气下传统性能下降、虚警增加，数据驱动让雷达对雨雪自适应，鲁棒性成倍提升。

四方面改变

充分发展后，AI雷达将带来四方面改变。感知更丰富高阶：弱信号、离散信号、多次反射、杂散信号过去被过滤丢弃，如今大算力大内存使其可被保留累积利用，支持语义输出、Free Space、SLAM定位建图、Occupancy占用等能力。开发门槛降低：软硬件解耦让更多团队和个人得以参与，雷达从封闭生态走向开放生态。迭代速度加快：数据驱动训练以天计，新增功能通过迁移学习即插即用。应用边界拓宽：从汽车到具身智能、机器人，物理AI的复杂环境感知需求把雷达感知推到台前。