中国智驾行业的竞争主线，正在从“传感器堆叠、算法后置调优的旧模式”，转向由大模型定义感知硬件的新阶段。
10月23日，千里科技推出了AI毫米波雷达（4D），行业首次集成10TOPS NPU计算单元，替代传统DSP处理器方案，支持端侧AI计算与卫星架构传输两种工作模式。在卫星架构下，雷达把采集到的数据上传中央域控，由更大规模的模型完成多传感器融合；而在边缘计算模式下，雷达可以直接在本地完成感知判断。两种模式对应不同的整车算力配置，而不是二选一的替代关系。
千里科技AI毫米波雷达辅外观图
这款AI 4D雷达最关键的突破在于，AI贯穿信号检测、点云解析、目标分类、轨迹预估全链路的原生设计，从感知源头适配新一代智驾大模型的场景理解与意图预判需求。
长期以来，行业的惯性是先定型传感器，再让算法去适应硬件输出。但现如今，智驾算法已经迈入VLA、世界模型主导的新阶段，模型理解环境的逻辑彻底迭代，规格固化的标准化传感器，也就成了束缚大模型能力释放的桎梏。
千里科技推出AI原生4D毫米波雷达，不只是一款感知硬件新品的落地，也是对“由模型需求正向定义感知硬件”这条路线的产业探索，同时也是其软硬一体战略在感知层的关键落子。随着感知硬件自研能力的补齐，千里从算法、芯片到感知硬件的一体化拼图正式成型。
传统智驾系统能够精准识别行人、车辆、障碍物等显性目标，却难以判断道路参与者的行为意图，难以捕捉复杂场景里潜藏的风险。
过去几年，国内智驾行业迎来了颠覆性的算法范式迭代，从传统规则驱动，到BEV+Transformer摆脱地图依赖，再到一段式端到端大模型；如今，VLA（视觉-语言-动作大模型）和世界模型已成为头部玩家的共同押注方向。这两条技术路线的核心追求，是推动智驾系统从简单的“识别场景”，迈向“理解场景、预判意图”，无限趋近人类驾驶员的决策逻辑。
但算法范式的跨越式升级，也对底层感知硬件提出了前所未有的严苛要求。不同于传统算法仅需处理车道线、车辆检测框等结构化信息，VLA、世界模型等新一代大模型，需要实时处理海量、高维、多模态传感信息，模型参数量从百万级暴涨至十亿、百亿级别。它需要的不再只是纸面算力，而是一整套稳定、低延迟、高吞吐、可按需调整的数据链路。
由此形成一个突出矛盾：算法能力持续突破，智驾体验的理论上限不断抬高，但用户的实际感受却跟不上。
背后一大症结，就在于长期沿用的标准化感知硬件。这类传感器的信号处理逻辑、杂波过滤策略、特征输出协议在出厂时就已经固化，只会按照预设规则完成数据筛选与压缩。很多对预判意图、识别隐性风险至关重要的弱回波、模糊线索，在抵达大模型之前就被硬件端过滤丢弃。
这不是抽象的风险。传统雷达处理回波，靠的是CFAR这类经典算法和人工设定的阈值：什么样的回波算目标，什么样的算杂波，信号弱到什么程度就直接扔掉。这套规则能覆盖设计者想到过的场景，但覆盖不了没想到的。夜里蹲在路边的孩子、车道里横着的一只纸箱，目标小、静止、反射又弱，回波本来就淡，规则一保守，就连同噪声一起被压下去了。模型后来在数据里学到了怎么认这类目标，可它在硬件那一端根本就没收到这份数据。
于是即便大模型具备理解场景的能力，也只能在硬件给定的信息边界内做推理，相当于“戴着固定滤镜看世界”。
除此之外，算法迭代节奏天然快于硬件开发周期。智驾模型可以依托数据闭环快速迭代版本、调整特征偏好；但外采传感器的改版、联调、标定周期漫长，多方协作下问题定位链路冗长，极易出现“模型已经迭代更新，感知输入能力却跟不上”的脱节问题。
以上种种意味着，想要打通软硬件协同的瓶颈，让算法和感知同步进化，可行之路便是自研感知硬件，以模型需求正向定义传感器，而非让大模型被动适配现成硬件。
这是千里科技推出这款AI原生4D毫米波雷达的底层动因。它并非在传统4D雷达之上外挂AI处理模块，而是打造原生面向智驾大模型协同设计的新一代感知节点，将AI能力贯穿射频信号检测、点云解析、目标分类、运动轨迹预估全链路。
无论是AEB新国标、组合驾驶辅助新国标等强制法规的落地，还是L3/L4国家强制性标准，均对感知系统的全天候感知性能提出了严苛要求。
《高工智能汽车研究院》调研显示，高性能4D毫米波雷达凭借全天候能力、成本可控等优势，已经成为各大主机厂感知升级的“必选项”，不少主机厂开始规划4D雷达的全域感知方案，搭建360度无死角探测体系。
《高工智能汽车研究院》数据显示，2026年上半年，中国市场（不含进出口）乘用车前装标配毫米波雷达总量达1679.32万颗，同比下滑1.93%；其中4D毫米波雷达前装搭载量661.52万颗，同比逆势大增45.83%。需要说明的是，4D雷达前装量在2025年同期基数较小，这一增速需结合基数理解。
千里科技自研的目标，是做一款AI原生感知硬件。从射频信号检测、中频处理、点云解析到目标分类、轨迹预测全链路AI化，硬件设计、NPU算力、特征输出接口，从立项阶段就和自家BEV融合网络、智驾大模型协同定义。雷达本地10TOPS NPU可以直接输出对齐四维时空特征，无需上传海量原始点云，大幅降低中央域控的带宽、算力压力与传输时延，破解集中式E/E架构下的数据洪流难题。
千里AI原生4D雷达点云图（高架桥-全局视角）
具体而言，这套AI原生设计体现在四个层面。
第一，AI下沉到传感器，减轻中央域控算力与带宽压力。雷达依托内置10 TOPS边缘NPU，在本地直接完成射频信号处理、点云解析、目标分类、轨迹预判与占用空间估算，就地过滤杂波、噪声、无效回波。输出的是经过编码对齐的四维时空特征，可直接对接上层BEV-4D融合网络，不必将海量原始中频数据、原始点云全部上传中央域。在集中式域控架构普及、多传感器融合复杂度持续走高的当下，这种特征前置提取的思路，能够显著缓解域控算力负荷与高速传输带宽压力。
第二，毫秒级独立感知，守住恶劣场景感知底线。依托本地NPU推理能力，雷达可稳定识别行人、非机动车、静态障碍物、遮挡目标。毫米波本身具备光照无关的特性，在雨、雾、暗光等视觉传感器失效场景下，能够独立输出高置信度感知结果，承担多感知体系里的全天候安全备份角色。
第三，卫星加边缘双模式，适配整车架构过渡周期。在卫星架构模式下，雷达轻量化采集数据，将原始点云或中频特征通过高速SerDes上传中央域控，由域端BEV-4D大模型统一完成多传感器时空对齐、全局融合与场景推理，充分发挥中央大模型全局场景理解优势，同时也让算法统一在一处、后续升级只需改动中央。两种模式的价值在于进一步加强感知效果、保持算法统一、为后续升级留出空间。
千里AI原生4D雷达点云图（林荫道）
第四，边缘算力常驻，中央异常时仍可独立预警。依托这套双模式架构，卫星模式下边缘算力不关闭、持续在线；在兼容模式中，雷达将最原始的RAW数据直接给SOC做处理和融合，同时雷达上的边缘侧处理器也完成了独立的处理，这样既有更多的场景信息，也能有边缘侧雷达的感知结果作为安全冗余；一旦中央域控故障、高速通信链路中断，雷达可以快速切换本地AI推理，独立输出障碍物预警信号，不依赖中央大脑。这是双模式架构本身带来的附带能力，主路径仍然是中央融合。
此外，产品支持OTA持续升级：硬件底座固定，目标识别策略与场景理解模型可随千里数据闭环体系长期迭代。这意味着硬件的价值评估模型变了，它不再是一次性的BOM成本，而是一条全生命周期的能力曲线。过去的传感器是被动的、出厂即定型的；现在它带算力、带模型、可进化。
伴随着AI原生4D毫米波雷达的落地，千里科技补齐了软硬一体能力版图里至关重要的一块。但这一步的意义，远不止于多了一颗传感器，它标志着千里在感知融合这一层，从交付现成方案走向了参与定义。
千里科技董事长印奇在重庆通用人工智能大会上表示，AI正从数字世界迈向物理世界，而智能汽车正是物理AI落地的核心载体。依托国内完整制造业体系、海量终端场景，中国有望在物理AI赛道形成差异化优势。千里科技迈入2.0阶段，以技术领先、规模领先、体系领先构建差异化底座。
当前，国内智驾赛道已形成几条辨识度较高的路线：特斯拉的纯视觉路线，依靠自有的数据飞轮闭环迭代；比亚迪的整车垂直整合路线，自研体系优先服务自有车型；华为的全栈自研路线，提供从硬件、域控到算法的全套方案。这些路线的共同点是软硬链路深度耦合，迭代节奏、技术规格都服务于自有产品闭环。
而千里科技选择的是第四条路径：平台型公司的链式协同。它的差异化在于，把“大模型定义感知”做成一套开放技术底座，协同生态能延伸到哪里，它的能力边界就能拓展到哪里。
在这套协同生态中，千里科技承担枢纽角色，主导BEV-4D融合框架、智驾算法工程化、感知硬件定义、整车标定与数据闭环运营，以含模量作为智驾进化的北极星指标，持续推高系统中大模型驱动的深度与广度；而阶跃星辰提供原生智驾基座大模型、多模态Agent能力，主机厂提供量产场景与用户载体，算力、通信伙伴补齐底层硬件能力，各方分工明确，避免重复投入。
量产落地，是这套协同范式最实在的验证。从2025年6月正式发布L2+级智能辅助驾驶方案，到现在，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。
在这背后，多数传统智驾公司的增长，本质依赖于“工程复制”。每适配一款新车，都要投入漫长的开发周期，定制适配成本居高不下，规模扩张的边际成本很难下降。而千里科技的底色是一家“AI原生公司”，整套能力从诞生之初就围绕AI大模型搭建，包括构建AI基础设施（Infra）、完整的端到端数据闭环、更高密度的算法人才，以及大模型快速工程化落地的能力。
今年年初，理想、小鹏等主机厂纷纷调整组织架构，试图打通“Infra、模型、智能体（Agent）”的全链条能力，全面向AI公司转型。而千里科技的不同在于，它以原生AI基因切入汽车产业，而不是从汽车制造出发补齐AI短板。这种底层基因，让它在模型训练效率、数据驱动迭代上拥有先天优势。
也正是基于这种能力底座，千里科技在技术布局上更具备前瞻性。比如在智驾端采用自上而下的架构思路，以L4级技术底座赋能L2++量产方案；座舱端，则依托超级Agent能力重构座舱交互范式，打通舱驾之间的智能联动。
现阶段，汽车产业已经全面进入AI定义汽车时代。大模型、智驾软件赛道的研发门槛持续抬升，算力、数据、人才资源加速向头部聚拢，软件层天然趋向集中。与之形成明显对比的是，不同主机厂的电子电气架构、功能安全冗余策略、多传感器融合方案、成本管控目标各不相同，很难出现一家独大的局面。
这就意味着，只要车企产品定位、技术路线的多元化需求长期存在，开放协同的平台就拥有持续的生存与增长空间。对于千里科技而言，完整的软硬闭环叠加AI原生的底层能力，可以持续响应整车多样化需求，在集中化的软件浪潮和碎片化的硬件需求之间，走出一条独有的增长曲线。
从算法、基座模型，到域控适配，再到感知硬件，一条从模型需求出发、反向定义硬件的链路，至此正式闭合。
在AI定义汽车的下半场，行业最稀缺的是把模型、硬件、数据与工程化拧成一个可迭代整体的能力。千里科技这次落子感知硬件，本质是在开放协同的框架下，在感知层形成自主能力。它没有走封闭全栈的路线，而是以一款全链路AI化的4D雷达为支点，完善软硬一体底座。在多模态融合、卫星式中央域架构成为主流的趋势下，它为行业提供了一套兼顾大模型融合能力、整车功能安全、规模化下沉的感知方案。
当AI大模型开始反向定义硬件，感知赛道新一轮的竞争已经拉开。
