2011 年，印奇提出 " 算法定义硬件 " 时，大概没几个人能想到，这句话会在十五年后的汽车毫米波雷达上应验。

2026 年 10 月，千里科技发布 AI 毫米波雷达。这颗内置 10 TOPS NPU 的雷达，不是 4D 雷达加 AI 后处理的拼凑，而是从信号检测到目标分类的全链路 AI 化。在公开信息范围内，这是首个集成该级别算力的车载毫米波雷达。

放在印奇十五年的创业路径上看，它意味着汽车智能软硬一体这条主线，在感知层完成了关键落子。

感知硬件这一环，千里必须自己补上

这款内置 10 TOPS NPU、支持端侧 AI 计算与卫星架构传输的感知硬件，补齐了千里在感知层的自研版图。智驾竞争的逻辑已经从 " 算法之争 "" 芯片之争 " 迈入 " 软硬一体 " 的系统之争，而千里正在从 " 买硬件 + 写软件 " 的组装时代，进入 "定义硬件 + 训练模型" 的深水区。

为什么是现在？因为 4D 毫米波雷达正处在从 " 可选 " 到 " 必选 " 的拐点上。

传统毫米波雷达只有距离、速度、方位角三维，角分辨率在 10 度级，点云稀疏，无法区分高度，所以才会有把龙门架当成障碍物、或者把停着的车当成头顶结构这类问题。4D 雷达增加俯仰角，角分辨率拉到 1 度级，点云密度提升几十倍，成本还只有激光雷达的五分之一到十分之一。

AI 毫米波雷达点云效果 - 高架路全览

从装车趋势看，4D 雷达过去两年在乘用车前装市场的占比抬升很快，行业普遍判断它正在从高阶选配走向中阶标配。体验与法规双重驱动下，市场放量已经没有疑问。

但市场放量不等于谁都能分到蛋糕。关键看谁能把雷达做得 "更聪明"。

千里的答案是全链路 AI 化。在此之前，千里已完成三大布局。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。

2026 年 6 月收购融感科技、10 月发布 AI 毫米波雷达，两步衔接，千里从 " 算法 + 芯片 + 整车 " 升级为 " 算法 + 芯片 + 感知硬件 + 整车 " 的完整闭环，进一步补齐感知硬件环节，深化从模型算法、计算平台到感知硬件与整车应用的软硬一体布局。

在 " 含模量 " 成为行业硬指标的今天，AI 雷达是把含模量从算法层推进到传感器层的具体动作。含模量，也就是模型在整套系统里实际参与判断的比重。

三种 " 软硬一体 "，殊途不同归

在 " 软硬一体 " 这条赛道上，行业里已经跑出了几种不同的走法，各有各的取舍。

有的路线是在多个关键环节建立较完整的自主技术体系，从芯片、传感器到算法和操作系统全部自研。这种打法的边界清晰、体验闭环，代价是重资产、高壁垒，每一层都要自己投，也要自己扛。

有的路线是围绕计算架构这个关键节点建立核心能力，把芯片与智驾算法协同设计，同时服务多家汽车厂商，不涉足传感器制造。这种打法的优势是开放，劣势是传感器这一环不在自己手里，特征怎么定义要和别人商量。

千里科技交出的答案叫" 链式协同 "，本质以 AI 能力为核心构建开放的产业链生态，从智驾模型需求出发协同上下游：阶跃星辰做基座模型、端侧芯片来自外部供应、融感做雷达硬件、吉利系提供整车终端与数据飞轮。

这几条路的差别，不在于谁更先进，而在于谁想在哪个位置掌握定义权。

目前，千里智驾方案覆盖极氪、领克、smart、银河等品牌，千里浩瀚装车量突破百万。这个规模是链式协同能不能跑起来的基础，也是数据飞轮的入口。

AI 定义传感器，千里交出的 " 第四条路 "

除了纯视觉、垂直整合、全栈自研这几条主流走法，千里科技正试图走出智驾硬件演进的 " 第四条路 "。

在感知层，千里给出的不是 " 什么都自己做传感器 "，也不是 " 完全不碰传感器 "，而是 "AI 定义传感器 "：把 10 TOPS NPU 装进雷达，让传感器自带大脑。

这里的逻辑是：外采标准件，等于把模型能力的天花板交给硬件供应商决定。采购一颗现成零件，只能使用供应商已经定义好的能力；参与它的开发，才有机会从信号处理开始调整。

这颗雷达支持三种工作模式，这是全篇最容易被低估的部分。

边缘侧模式下，回波在雷达端走完全链路，直接输出结构化感知结果，链路短、响应快，适合需要成熟目标级接口或分布式感知的平台。

卫星架构模式下，雷达以前端采集和高速传输为核心，把更接近原始信号的数据交给中央域控，中央平台用更大的模型做更早阶段的时空对齐和全局推理。

兼容模式则是两件事同时做。最原始的未处理数据交给主控芯片融合，同时雷达上的边缘侧处理器独立跑一遍。

为什么非要同时做两遍？因为这两件事要的时间尺度不一样。中央模型做多源前融合，得等齐多帧、对齐不同传感器的时序，还要保留完整的信号细节，天然慢一些。但车上的执行层等不了，刹车和预警要的是当下就能用的结论，快比全更重要。

一个要 " 尽量看全 "，一个要 " 马上能给 "，串不起来，只能并行。兼容模式的价值不是备份，而是同一时刻拿到两份不同口径的结果。行业过去讲双模通常落在安全冗余上，兜底说的是故障时顶上；两种时间尺度说的是正常情况下两边各有各的活，后者才是这个设计真正的分量。

再加上 OTA，装车后的目标识别与场景理解能力可以持续迭代，改的是软件侧；天线阵列、射频前端这些物理部分装车时就定下来了，改不了。算法和硬件之间的节奏差，就这样被缩小了一部分，没有消失，但至少让装上车的那颗雷达不至于一出厂就停在原地。

数据上，与千里上一代采用 DSP 端侧计算的 4D 雷达相比，这颗雷达点云密度增强 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。在目标未被遮挡的情况下，对静止儿童的稳定探测距离是 100 至 150 米。

在算法层面，千里智驾的探索也在往深处走。今年 8 月，千里智驾联合多所高校开源了 WA-JEPA 世界 - 动作模型。这项工作把视频自监督学习模型改造为面向自动驾驶规划的模型，让模型不仅输出轨迹，还在内部预测未来场景的语义表征，让 " 未来世界 " 与 " 自车动作 " 共同生成，验证了隐空间世界表征与动作联合建模的产业潜力。

算法侧每往前一步，对输入数据的要求就高一分。这也是硬件必须跟着改的原因，两件事本来就是一体的。

千里 AI 毫米波雷达的发布，并非单纯增加了一款新品。它意味着千里从 " 算法 + 芯片 + 整车 " 的软硬协同，正式升级为 "算法 + 芯片 + 感知硬件 + 整车" 的完整闭环。

AI 毫米波雷达点云效果 - 高架路跟车视角

在智驾竞争的下半场，没有人能靠单点技术赢者通吃。几年前大家比的是谁的算法更聪明，现在比的是谁能让算法真正长在硬件上，还长得动。千里用链式协同与 AI 定义传感器，在智能驾驶的深水区里划出了自己的航迹。