千里把AI装进了雷达

过去三年，"软件定义汽车"的说法被发挥到了极致。智驾行业的竞争和进步，给人的感觉几乎都发生在软件层——从端到端到VLA，再到世界模型。这个趋势甚至被概括为一句更酷的话，"模型吞噬功能"：一套系统先不先进，要看模型吃进了多少原本由规则和功能承担的工作。

但当所有人都在做同一件事的时候，能做出差异化的人，自然显得高出一截。比如我们本文要讨论的，千里科技在智驾上的软硬件协同。

模型越强，硬件侧的矛盾就越明显。模型的性能很大程度取决于传感器交给它的数据质量。算法可以按日按周迭代，但硬件联调或迭代的更新周期是半年、一年甚至更长。两者之间的节奏差，会变成整套系统的上限。

近日，千里科技发布了一颗AI毫米波雷达，在雷达里装进了一块10 TOPS的NPU——大致相当于把一部手机里负责AI运算的那块芯片，塞进了一个拳头大的传感器。这颗雷达做到的事，是把软硬件协同推进到了感知层。

这套软硬协同的打法，来自千里科技董事长印奇对AI落地物理世界的一以贯之的判断。作为中国最早一批AI创业者，印奇一直在寻找能够承载AI的载体。早在旷视时期，他就确定了软硬一体的思路，从早期的AI摄像头到今天的AI雷达，他用了十五年反复验证同一个判断：算法必须长在硬件上，才能变成壁垒。

两年前，大概没人会想到，他会把AI算法一路做进毫米波雷达里，以一种新的姿态，走上了智驾顶级玩家的那张牌桌。

——导语

01

模型优先，最后会走到硬件

硅谷AI大牛Karpathy在特斯拉做Autopilot的时候，观察到一个现象：随着神经网络能力变强，工程师用C++写的规则代码在一行行被删掉。他后来给这个过程起了个名字，叫Software 2.0吃掉了1.0。

智驾行业正在经历同样的事。过去，一辆车怎么转弯、怎么刹车、怎么避让行人，每个场景都靠工程师写规则。规则越写越多，系统的鲁棒性越来越差。

千里现在的方向，是把这些决策交给模型。印奇把这个方向量化成一个指标，叫"含模量"。

含模量提升到一定程度，效率会发生质变。

例如，传统智驾的控制逻辑中，转向和加减速分属两套规则逻辑，变道汇入时经常一顿一顿。今年4月，随极氪8X上车的千里ASD 4.0，用一个横纵一体模型同时管方向盘和油门刹车，打方向和收油门含在同一个指令里，车开起来连贯得多。

在智驾基座模型的研发中，千里的思路是L2和L4场景联合优化，在传统端到端基础上加入了世界模型和VLA模型，补齐通用认知和因果逻辑的理解能力，并不断推进系统各个环节中的模型化。

但含模量越高，一个矛盾就越尖锐：模型在进化，负责给模型喂数据的硬件的工作理念却没有跟上。

在规则时代，传感器精度不够，工程师可以用规则兜底——雷达回波可疑，加一条过滤规则忽略掉就行。规则退场以后，模型直接面对传感器的原始数据，数据粗糙，判断就粗糙。

更棘手的是，L3、L4要求冗余。主系统出问题，车上得有别的部件接着看路。冗余靠什么实现？还是硬件。所有压力都在往感知层积聚。

传统的方式的优化到尽头了，千里，必须自己做硬件了。当然，还要拉上一群伙伴一起干。

02

千里为什么非要自己做雷达

2021年4月，有人在推特上问马斯克，为什么要拿掉毫米波雷达。马斯克只回了一句：雷达和视觉意见不一致的时候，你信哪个？

一个月后，北美交付的Model 3和Model Y开始不装雷达。不到半年，美国国家公路交通安全管理局收到354起投诉——特斯拉在高速公路上无缘无故急刹。一位得州车主在投诉中写道，他的Model Y反复制动，一趟路上发生好几次，后面的车差点追尾。NHTSA对41.6万辆车启动了调查。"幽灵刹车"这个名字，就是那阵子传开的。

特斯拉拆掉的那颗雷达，是Continental ARS410，传统毫米波雷达。头顶的路牌和地上的井盖，在它眼里是同一种回波。系统只能二选一：见了回波就刹，收获一堆无端急停；或者对静止物体放宽阈值，又可能漏掉真正的障碍。

不过马斯克还说过一句话，很少被人提起。他承认，分辨率足够高的雷达配上视觉，会比纯视觉更好——只是他说话时，这样的雷达还不存在。

后来，搭载HW4平台的Cybertruck和刷新版Model S、Model X出厂时已经装回了一颗高分辨率毫米波雷达。但硬件装了，软件层面一直没有启用——Autopilot已经完全围绕纯视觉重建，要把雷达重新接回来，等于重新面对两种传感器意见不一致时系统听谁的问题。

这是传统思路下的困境：雷达只是一个零件，分辨率再高，融合的难题还是留给中央系统。

千里面对的问题还多一层。外采雷达的架构，从一开始就不是为AI准备的。雷达出厂前，供应商已经按写死的规则把大量回波筛选过一遍，输出一组稀疏的点云。这些输出是十年前为规则驱动的系统设计的，和今天的模型难以有效对话。哪怕模型再强，它看到的世界，仍是传感器按上一个时代的标准替它编辑过的。

这等于把模型的天花板，交给了一条为旧范式设计的供应链。千里的结论是：要让含模量真正推进到传感器这一层，只能自己重新定义硬件。

千里做这颗雷达的方式，不是"买一颗4D雷达再在后面接一层AI"。它把10 TOPS的NPU装进雷达内部，从射频信号的检测、点云的解析，一直到目标分类和轨迹预判，整条链路都由AI来跑。输出的不再是需要中央系统去猜的原始点云，而是已经过AI处理的感知结果。雷达和视觉送到中央的东西，从一开始就在同一种语言里，融合冲突的概率大幅降低。

效果要放进场景里才有说服力。施工路面上铺着一块铁板，一个行人正从铁板上方走过。铁板回波很强，传统雷达分不出它和障碍物的区别，结果系统对着铁板一脚急刹。

而千里的雷达用二维平面阵列加超分辨测角，先把高度维度拆开，再让AI判断铁板和人是两样东西。雷达从知道"前面有东西"升级成了“前面有什么，在什么高度，往哪个方向走”。

另一个典型场景是儿童横穿马路。孩子个头小，回波弱，传统雷达大约要到50米才能稳定发现。千里的雷达把这个距离拉到了100到150米。多出来的距离就是多出来的反应窗口。雨天、雾天和暗光环境里，摄像头容易失灵，这颗雷达仍然能独立给出结果和判断。

智驾行业的计算架构正在往中央集中，行业把这种趋势叫"卫星架构"——各个传感器只负责采集数据，所有原始信息汇总到中央的一颗主芯片，由大模型统一处理。好处是中央掌握全局视野，代价是传感器自身的算力被拿掉。

从大方向来说，千里的雷达平时也按这个模式工作，把数据送到中央域控做前融合推理。

但千里和行业走法不同的地方，恰恰在别人不留算力的地方留了算力——在卫星模式下，雷达里那块NPU始终保持在线。

这个设计指向一个所有智驾公司都回避不了的问题：中央系统挂了怎么办？

高速公路上时速120公里，中央域控突然故障，或者通信链路断了。如果所有传感器都只是不带大脑的采集器，这一刻车就瞎了。

人体有一套处理这种紧急情况的机制。手碰到烫的东西会先缩回来，疼是后来才觉出来的。原因是两条通路长短不同：皮肤上的信号传进脊髓，脊髓里有一条很短的反射弧，直接让肌肉收缩，不用等大脑。疼痛信号要一路传到大脑皮层，经过处理才能被意识到，所以慢了一步。

脊髓只管几种固定的保护动作，快但简单；大脑要弄清发生了什么、下一步怎么办，全面但需要时间。两套机制并行，人才能既反应得快，又想得周全。

千里在雷达里留的这块NPU，就是那截脊髓。中央域控出问题的瞬间，雷达不需要等恢复，立刻用本地AI推理独立输出目标检测和预警，守住安全底线。120公里时速下，一秒钟车往前走33米，这截脊髓争取到的每一秒都有关乎安全的价值。

冗余绝不是小事——智驾越往高阶走，对冗余的要求就越高。L2阶段驾驶员随时准备接管，系统闪一下问题不大。到了L3，法规允许驾驶员把注意力移开，系统必须保证任何单点故障下都不失控。这截脊髓不是锦上添花，是高阶智驾的入场门槛。

这颗雷达还支持OTA升级。装上车以后，目标识别能力可以跟着千里的智驾大模型一起迭代——硬件固定，软件持续进化。

如果把它放回马斯克当年那个问题里，千里的回答是：我不但能让雷达看清楚，更能让雷达自己想清楚。

03

第四条路

2007年，乔布斯发布第一代iPhone，台上引用了计算机科学家阿伦·凯的名言：真正认真对待软件的人，应该自己做硬件。

放到今天的智驾行业，做硬件的方式各有各的逻辑。特斯拉押注纯视觉和自研芯片。华为全栈自研，用引望的规模验证了这条路走得通。比亚迪靠垂直整合，用制造业的打法把智驾做成全系标配。地平线专做芯片加算法的底座，传感器交给生态伙伴。

而千里走的路叫链式协同——算法上，推动自研智驾大模型与基础大模型能力协同；算力上，深化云端与端侧生态合作，布局训练与推理算力，推进芯片与算法的深度适配；整车应用上，与多个汽车品牌开展合作，推动技术规模化上车。

在整个生态中，千里的角色是定义者和中枢：雷达怎么设计、芯片怎么分配算力、数据按什么格式回传，标准由模型来定，模型由千里来打造。

传统全栈解决的是每一层归谁所有，千里规划的是每一层能力都要围绕智驾模型的需求来建。在雷达这一路，千里还把端到端的起点往前挪了一个身位——过去从传感器输出的数据算起，千里直接从信号层开始。

印奇的行业判断是：软件会越来越集中，但硬件很难赢者通吃。千里这样做开放平台的公司，不必拥有所有环节，但可以定义它们怎么协同。

这和他过去十五年反复验证的判断一脉相承。2011年，还在清华姚班读书的印奇和同学做了一款人脸追踪游戏《乌鸦来了》，冲进App Store免费榜前三。前置摄像头普及了，人脸追踪才变成产品——这件事让他认定，算法必须长在硬件上，才能变成商业价值。

后来印奇没有停在算法层，他自研深度学习框架、做AI摄像头、做机器人操作系统，提出"算法定义硬件"——这句话在2017年还显得超前，放到今天的智驾行业几乎是共识。

2024年，印奇入主千里科技。他的解释很直接：车是未来三到五年内看得见、摸得着、可规模化的最大具身智能场景。不是他换了赛道，是他一直在找的那个足够大的硬件载体，终于出现了。

今年1月，印奇又出任阶跃星辰董事长，形成“阶跃大脑+千里躯干”的闭环。

6月收购融感科技，四个月后AI毫米波雷达发布。

从AI摄像头到千里的AI雷达，载体换了，逻辑没换。今年4月发布会上印奇原话：“软件和硬件的结合带来的是壁垒。”

这话他讲了十五年，只是硬件的重量越来越大。

结语

回到那个问题

就在前不久，易车榜公布的上半年第三方智驾方案市场格局报告显示，华为乾崑市占率排第一，千里排第二，Momenta排第三。

回顾过去一年，千里先在高端市场完成了验证，其中极氪9X在大型SUV细分市场稳居销冠，极氪8X和领克07-GT也站到了各自价位段的前列。

随后，千里跟着银河TT和战舰700进入十几万元的家用车市场。银河TT上市15分钟大定过万；战舰700更猛，预售一小时拿到4.39万台小订。

10月22日，印奇在重庆的通用人工智能大会上再次提出坚定的走向物理AI，而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。

会上，他公布了千里科技不到两年的技术成果和业务进展，千里浩瀚辅助驾驶系统累计已超百万搭载量，覆盖极氪、领克、smart、银河品牌等数十款车型。

百万辆车跑出来的数据，正在回流到模型训练里。模型变好了，雷达通过OTA跟着变好。装车量越大，数据飞轮转得越快。

回到2021年马斯克那个问题。雷达和视觉意见不一致时，你信哪个？

彼时马斯克的答案是拿掉雷达。五年过去，不少公司在把模型做得越来越大，而千里不止于此——它把模型往前推了一层，直接推进了传感器里。

未来呢？千里的模型化还会改写哪些环节我们尚不知晓，但至少可以确定，当行业还在争论“纯视觉还是多传感器融合”时，千里已经用它的方式给出了另一种答案：不再让雷达和视觉互相说服，而是让雷达自己学会思考，让每一个传感器都成为物理AI落地的智能接口。